基于穩態視覺誘發腦電信號的頻率特征提取方法研究

張立煌 謝云

（廣東工業大學自動化學院）

基于穩態視覺誘發腦電信號的頻率特征提取方法研究

張立煌 謝云

（廣東工業大學自動化學院）

腦電信號分析與處理是腦-機接口技術的關鍵環節，視覺誘發電位是腦-機接口技術較為常用的一種方法。采用功率譜估計中的自相關法、Welch法和AR模型法對穩態視覺誘發腦電信號進行頻率特征提取，根據Fisher線性分類對3種方法提取的特征量進行分類判別。結果表明，AR模型法提取頻率特征量的準確率最高。

腦電信號；頻率特征；自相關法；Welch法；AR模型法

0 引言

腦-機接口（brain-computer interface，BCI）是一種將具有意圖的腦電信號轉換成計算機指令的系統。它不同于人體大腦與肌肉組織的通訊方式，利用可識別的腦電信號實現人腦直接與外部設備通訊，在醫學康復、智能控制、娛樂等領域具有廣泛的應用前景[1-2]。

視覺誘發電位是腦-機接口技術較為常用的一種方法，它是眼睛受到視覺刺激后在大腦皮質枕葉區產生特定的電活動，可分為瞬態誘發電位和穩態誘發電位。瞬態誘發的刺激所需的時長較長，各次刺激誘發電位間不交疊，刺激頻率通常低于4 Hz；穩態誘發的刺激所需的時長較短，各次刺激誘發電位間會交疊，刺激頻率通常情況高于6 Hz[3-4]。穩態誘發電位具有刺激時間較短、特征易于提取等優點，在頻譜中由與刺激頻率成整數倍的頻率成分組成。本文通過自相關法、Welch法和AR模型法對視覺誘發腦電信號進行特征提取，并根據Fisher線性分類驗證3種方法的準確性。

1 實驗平臺

腦電波是μV量級微弱生物醫學信號，正常人的腦電頻率范圍為0.5 Hz ～100 Hz。人體表面有各種干擾信號，為了從腦電波中準確提取淹沒在自發腦電的誘發電位，需要對腦電波進行放大和濾波。

整個實驗在遠離電磁干擾的環境中進行。受試者頭戴橡膠電極帽，將銀盤電極置于大腦枕葉區的 O1處，雙耳接參考電極，坐在距離刺激器50 cm處，雙眼平視LED燈刺激器。視覺刺激器由PsoC單片機實現3個LED燈同時閃爍，LED燈的刺激頻率分別為12 Hz、15 Hz、18 Hz。腦電信號的數據來自于NeuroTOP UEA-16B腦電放大設備，經過相應的去噪和濾波，可提取頻率特征。

2 視覺誘發腦電信號的頻率特征提取

腦電信號是一種隨機的功率信號，在對誘發腦電信號的分析中，功率譜估計是較為常用的頻域分析方法[5]。功率譜估計分為經典譜估計和現代譜估計兩大類，它在數字信號處理領域中占有重要地位，廣泛運用于分析隨機信號。本文采用功率譜估計中的自相關法、Welch法和AR模型法對穩態視覺誘發腦電信號進行頻率特征提取。

2.1 自相關法提取誘發腦電信號的頻率特征此方法具有原理簡單、計算量較小、便于得到功率譜的優點。

采用的實驗數據是實驗室提取的2組視覺誘發腦電信號數據。這些數據是通過NeuroTOP UEA-16B腦電放大設備獲得，經過了相應的去噪和濾波，可用來提取頻率特征。在 Matlab中實現自相關法提取視覺誘發腦電信號的不同頻率特征。2組數據的功率譜如圖1、圖2所示。從圖中可以看出，兩組數據的功率譜在誘發腦電信號的頻率處都有一極大峰值。

圖1 第一組自相關法實現誘發腦電信號的功率譜

圖2 第二組自相關法實現誘發腦電信號的功率譜

2.2 Welch法提取誘發腦電信號的頻率特征

因為每段數據間有交叉部分，當段數L增大時，改善了方差性能。在Matlab中實現Welch法提取2組穩態視覺誘發腦電信號的頻率特征，設置漢寧窗的長度為150，交疊點數為85。兩組數據的功率譜如圖3、圖4所示。從圖中可以看出，Welch法的功率譜分辨率比自相關法高，兩組數據的功率譜在誘發腦電信號的頻率處都有一極大峰值。

圖3 第一組Welch法實現誘發腦電信號的功率譜

圖4 第二組Welch法實現誘發腦電信號的功率譜

2.3 AR模型法提取誘發腦電信號的頻率特征

在Matlab中仿真AR模型法提取兩組穩態視覺誘發腦電信號的頻率特征。AR模型的階數存在不確定性，在保持其他參數不變的前提下，通過改變階數，然后觀察所得的頻譜效果確定合適AR模型階數范圍。本文選取AR模型的階數為100。兩組數據的功率譜如圖5、圖6所示。從圖中可以看出，AR模型法的頻譜清晰、譜分辨率高、兩組數據的功率譜在誘發腦電信號的頻率處都有一極大峰值。

圖5 第一組AR模型法實現誘發腦電信號的功率譜

圖6 第二組AR模型法實現誘發腦電信號的功率譜

3 Fisher分類器驗證3種頻率特征提取方法

Fisher線性判別法是常用的線性分類法之一，它具有原理簡單、需要的計算量較少、容易在計算機上實現的優勢。本文采用功率譜估計中的自相關法、Welch法和AR模型法對視覺誘發腦電信號進行頻率特征提取，并運用Fisher分類器對3種方法提取的頻率特征進行分類比較。通過對第一組數據進行相關處理，比較結果如表1～表3所示。從3種方法實現誘發腦電信號的功率譜中可以看出，AR模型法的譜分辨率高、方差性能較好。

從分類的比較結果中也可以看出，AR模型法的識別準確率在 86%～92%之間，明顯高于自相關法和Welch法的識別準確率。

表1 基于自相關法提取頻率特征向量的Fisher分類結果

表2 基于Welch法提取頻率特征向量的Fisher分類結果

表3 基于AR模型法提取頻率特征向量的Fisher分類結果

4 結語

本文采用功率譜估計中的自相關法、Welch法和AR模型法對穩態視覺誘發腦電信號進行頻率特征提取，比較和分析3種方法在Matlab中實現的功率譜曲線。通過Fisher線性分類對3種方法提取的特征量進行分類判別。綜合上述分析可得：AR模型功率譜估計具有方差性能好、譜分辨率高、頻率特征提取準確率高的優點，在對視覺誘發腦電信號進行頻率特征提取的方法中，AR模型法是一個合適的選擇。

[1] Siuly S, Li Yan. Improving the separability of motor imagery EEG signals using a cross correlation-based least square support vector machine for brain–computer interface[J]. IEEE Trans. Neural Syst. Rehab.Eng, 2012,20: 19-24.

[2] Lebedev M A, Nicolelis M A. Brain-machine interfaces: past, present and future[J]. Trends in Neurosciences, 2006,29(9): 536-546.

[3] 鄭軍.基于穩態視覺誘發電位的腦-機接口實現與研究[D].廣州:華南理工大學,2012:8-9.

[4] 黃日輝,李霆,阜艷,等.誘發腦電提取方法的研究進展[J].現代電子技術,2008, 25(22):139-141,144.

[5] 王鳳瑛,張麗麗.功率譜估計及其 MATLAB仿真[J].微計算機信息,2006,22(11):287-289.

[6] 儲彬彬,王琛,漆德寧.AR模型功率譜估計的典型算法比較及MATLAB實現[J].中國新通信,2008,20(17):76-79.

The Study of Feature Extraction for Steady State Visual Evoked Potential Based on Electroencephalograph

Zhang Lihuang Xie Yun
(Dept. of Automation，Guangdong University of Technology )

EEG analysis and processing is the key part of brain-computer interface technology. In this paper, the steady-state visual evoked EEG, feature extraction of evoked potentials with applying power spectrum estimation like correlation method, Welch method and the AR model method is processed. The three methods for extracting characteristic quantities are classified based on Fisher linear classification. The results show that AR model method to extract the frequency characteristics has the highest accuracy rate.

EEG Signal; Feature Extraction; Correlation Method; Welch Method; AR Model Method

張立煌，男，1989年生，在校碩士研究生，研究方向：數字信號處理、腦機接口、嵌入式系統。E-mail: 407881068@qq.com

謝云，女，1964年生，博士，教授，碩士研究生導師，副院長，研究方向：IC設計、信息與通信技術、腦機接口、智能機器人技術等。