基于P300的腦機接口的數學模型與算法研究

摘 要：文章針對BCI Competition 2003的Data set IIb競賽數據，取得了一個很高的字符分類識別準確率，文章突出在數據預處理階段中，通過很多次程序驗證比較不同頻帶域的測試準確率，得出了一個最佳的頻帶范圍，用于原始數據的濾波過程。

關鍵詞：腦機接口；P300；預處理；特征提取；分類算法

1 引言

腦機接口（BCI）是一個系統，允許用戶與環境的溝通，只有通過大腦活動，而無需使用肌肉輸出通道。它涉及了神經科學，信號檢測，信號處理，模式識別等多種領域。要建立大腦和外界設備之間的聯系，首先要測量大腦活動，然后進行處理分析信號數據，再進行機器學習（訓練分類模型）實行分類，進而實現用戶的意圖。P300電位是當視覺受到外界特殊刺激時腦電信號出現一個波峰，其峰值大約出現在相關事件發生后的300ms。其優勢特點是被試驗之前不需要進行訓練即可成功誘發出來。因此P300電位是腦-機接口常用的一種信號。文中所用數據是BCI Competition 2003的Data set IIb離線數據集。大致處理過程可以描述為：原始信號數據→預處理→特征選擇與提取→選擇并訓練分類模型→分類結果→測試分類算法效果→根據效果調整分類模型→得出理想的分類結果。

2 處理數據的算法步驟

2.1 單次樣本提取：因為P300電位一般出現在刺激后的300ms左右，所以通過分類精度驗證后，本文截取從每次閃爍開始后100ms到700ms長度的數據作為一個單次樣本，這樣將訓練集的前30個Trial的數據組成一個30×12×15×144×64維的原始特征空間。

2.2 數據預處理：由于采集到的原始數據中一般會含有眼電，肌肉以及外界干擾等因素（如測量儀器或環境干擾等）的噪音信號，以及P300電位的低頻特性，所以需要對原始數據進行預處理，本文主要涉及數據精度的轉化以及低通濾波。論文突出在打破了前人已有經驗的限制，將P300電位的頻帶范圍更加精確化，更是體現了P300電位的低頻特征，文章選擇采用Matlab自帶的信號處理工具箱設計了一個合適的濾波器，以帶通替代低通設計了10階Butterworth（IIR）帶通濾波器，帶寬為0.05Hz～7.5Hz。不同頻帶域對應的實驗準確率如表1。其中10階可以通俗理解為過濾次數，一般來說過濾次數越多濾波效果就越好，但是同時也加重了程序運行負擔，因此選擇適當的濾波階數也是很關鍵的一步。

表1

2.3 特征選擇與提取：首先對電極進行篩選，因為并不是所有電極都能明顯體現P300特征，所以需要把那些P300特征比較明顯的電極篩選出來。通過多次準確率比較論文選擇了22個導聯（用Ne表示）作為特征電極，對應編號為：11，13，14，18，19，20，34，47，51-64。比較準確率時采用隨機增加通道，能提高準確率的通道保留，反之舍棄的方法。其次，為了提高訓練模型的速度，需要對特征空間進行降維處理，本文嘗試過兩種降維方式，一是將相鄰6個采樣點的平均值作為一個特征點，二是每隔6個采樣點取一個特征點，事實證明后者的程序簡單而且準確率并高于前者，所以采用后者的方法將預處理后的數據降維。再關于試驗重復次數求平均，至此每個Trial只剩24個特征點（用Ne表示）。并將其特征電極與特征點結合考慮作為每個Trial的特征向量。這樣將得到前30個訓練數據的特征空間為（30·12）×（Ne·Nt）即為360×528維的特征空間。

2.4 規范化特征空間：就是將特征空間向量投射到特定的小范圍內，如-1.0～1.0或0.0～1.0。文章采用向量單位化的方法將其投射到0.0～1.0范圍內。規范化可以消除數值型屬性因為大小不一而帶來的特征分類偏差。這個過程對于提高腦機接口信息傳遞效率很重要。

2.5 訓練分類模型：將特征提取得到的已知目標字符的數據作為訓練集，利用C-SVC（C-支持向量分類）選擇線性核函數u'*v對其進行訓練，其中樣本特征是屬于二分類樣本集，分別用-1和1標記兩種樣本類別。

3 分類結果

將訓練出的分類器應用于等量的未知目標字符的測試數據集，推斷出所選擇的字符。并計算分類準確率：Accuracy=■×100%。論文通過上述算法得到的最高準確率達90.00%。相應不同重復次數文章分別測試了對應準確率，見圖1。

圖1

4 結束語

文中選擇了22個通道數據進行處理得到了很好的分類效果，但是否這22個特征電極就適用任何群體的實驗數據，本文并未明確給出。但至少文中所用的通道及其篩選方法可以為相關研究者提供參考。論文關于P300電位的低頻特性到底低到什么程度也只是對文中所用數據作了驗證，是不是普遍結論還有待這方面的研究者進一步探討。總之本文所用的處理算法對提高整個BCI系統的總體數據傳輸率起了積極作用。

參考文獻

[1]程明，高上凱，張琳.基于腦電信號的腦-計算機接口[J].北京生物醫學工程，2000，19（2）：113-118.

[2]楊立才，李佰敏，李光林，等.腦-機接口技術綜述[J].電子學報，2005.

[3]Lin Zhonglin，Zhang Changshui.Enhancing classification by perceptual characteristic for the P300 speller paradigm [A].In ：Proceedings of the 2nd International IEEE EMBS Conference on Neural Engineering，Arlington ： IEEE EMBS，2005，574 -576.

作者簡介：林亞靜（1985，11-），女，漢，陜西西安人，研究方向：信息理論與應用，碩士學歷。