一種基于聽覺誘發電位的腦機接口實驗研究

高海娟，韓金玉

（天津中德應用技術大學，天津 300350）

一種基于聽覺誘發電位的腦機接口實驗研究

高海娟，韓金玉

（天津中德應用技術大學，天津 300350）

腦機接口技術對腦電信號進行提取分析，將特定的腦電信號傳遞給外部設備執行某種功能，使大腦不用再借助于肢體去實現相應需求。基于空間選擇注意的聽覺BCI范式，通過相干平均和相關性分析對聽覺誘發電位進行特征提取，用支持向量機（SVM）進行目標識別，取得了很好的分類效果。

腦機接口；聽覺誘發；相關性分析；支持向量機

隨著現代科技和醫療水平的進步，如何讓肢體功能受損傷的殘障人士提高生活質量、幫助其回歸社會，成為醫學領域的一大熱點問題。BCI技術為該問題提供了一種良好的解決方案。許多處于嚴重閉鎖狀態的病患，不僅喪失了四肢活動能力，視覺能力也受到了一定程度的影響。對于這類人群，以視覺作為刺激的BCI技術效果欠佳。但是，絕大多數閉鎖綜合征患者的聽覺能力并未受到影響，采用基于聽覺刺激的BCI能有效的搭建起患者與外部世界溝通的橋梁。BCI技術的研究最初采用運動想象、皮層慢電位、穩態視覺誘發電位等，后來聽覺刺激也被慢慢引入BCI的研究中。德國研究人員開發了分別以聽覺和視覺刺激作為反饋的BCI系統［1］，視覺范式下的平均正確率為67%，而聽覺范式下僅為59%。隨著技術的不斷發展，一些研究人員研制了基于經典P300范式的聽覺BCI系統。如Furdea設計的聽覺P300 的BCI打字機［2］，平均正確率為65%。國內對聽覺BCI技術的研究起步較晚。清華大學研究人員在基于聽覺范式的BCI研究中加入選擇注意，實驗中的靶刺激聲音能夠誘發出明顯的腦電信號［3］。目前聽覺BCI技術的發展還處于起步階段，分類正確率和信息傳輸率低的問題，阻礙了聽覺BCI技術向實際應用的邁進。為了提高基于聽覺范式的BCI技術的實用性，需要設計簡單高效的實驗范式。本文設計了基于選擇注意的聽覺BCI范式，通過相干平均和相關性分析對聽覺誘發電位進行特征提取，用支持向量機（support vector machine，SVM）進行目標識別，取得了很好的分類效果。

一、實驗方法

1.被試及信號采集

以6名健康在校大學生（其中4名男生2名女生，年齡在22～26歲）作為被試。實驗前進行適當訓練，明確實驗任務。實驗采用Mipower-U腦電放大器及32導Quik-cap電極帽，按照國際10～20電極導聯系統，對12個電極位置（Fz、Cz、Pz、Oz、F3、F4、T7、T8、P3、P4、O1、O2）的腦電信號進行記錄，參考電極置于耳后雙側乳突處。實驗期間被試保持舒服姿勢坐在椅子上并戴上耳機，刺激期間被試者盯著屏幕中央的固定塊，并且盡量克制吞咽口水、眨眼、眼球移動等動作。

2.實驗設計

本文設計了兩個單聲道的聲音序列，在左右耳同時播放。左耳聲音序列中的一個聲音周期由100 Hz純音（3次）和火車鳴笛聲（1次）組成；右耳聲音序列由100 Hz純音（3次）、豎琴聲（1次）組成。每個聲音片段均持續150ms，聲音強度80dB，聲音片段間隔300ms，所有聲音片段隨機出現。20個聲音周期構成一個聲音刺激序列。進行4組實驗，把火車鳴笛聲和豎琴聲輪流作為靶刺激進行關注。聽到靶刺激后默念計數，但不要引起肌肉運動。

3.數據處理

首先對腦電信號進行預處理，以達到去除干擾和分段的目的。由于聽覺誘發電位主要是20Hz以下的低頻信號，故本文對原始EEG數據首先進行20 Hz低通濾波。然后以每個靶刺激出現時刻為零點，截取-100～700ms時間段內的腦電信號作為分析對象，并以刺激出現前信號狀態為基準進行基線校正。

首先對所有靶刺激及非靶刺激對應的800ms腦電信號數據段分別進行疊加平均，以此來消除噪聲，提取特征信號。實驗中每位被試者均選取了12個電極位置進行測量，特征信號最明顯的電極位置作為特征電極，筆者采用特征可分性判據r2分析來確定特征電極的所在位置［4］。r2求取表達式如下：

公式中x1是靶刺激特征向量，x2是非靶刺激特征向量，Ex1和Ex2分別為x1和x2的均值，分別為x1和x2的標準差。r2值的大小能夠反映特征成分對分類正確率的貢獻，其數值越大貢獻程度越高。r2的取值范圍處于0～1之間，r2為0時表示該特征是無效的，r2為1時則代表該特征向量和任務種類完全對應。筆者采用基于徑向基核函數的SVM分類器進行二分類。為了進一步縮小數據量，對提取的特征信號進行50 Hz重采樣。對重采樣后的數據進行交叉驗證，從而得到數據分類的正確率。

二、結果及分析

1.特征提取

將6名被試者每一導腦電信號中目標刺激響應和非目標刺激響應分別進行疊加平均，波形如圖1所示。在靶刺激波形中，100～200 ms及300～500 ms間分別出現了明顯的負波N200和正波P300，而在非靶刺激波形中則沒有出現。

對每次刺激出現以后各個電極上的腦電信號進行r2分析，以求取該電極上特定刺激時刻的r2特征向量。將所有刺激出現時r2特征向量平均，得到該電極上的平均r2結果，取平均r2最大的電極位置為特征電極。由于特征成分N200及P300的作用，在r2波形圖中出現了兩個較為明顯的波峰，兩個波峰依次出現在0～300 ms和300～600 ms的時間范圍內。為縮小數據范圍，進一步提取兩個特征信號的時間窗，分別把以上兩個波峰值的60%設為閾值，高于閾值點的特征時間窗內對應的腦電數據可作為反映N200和P300信號的特征值。圖2為在一位被試的特征電極上提取其特征時間窗的示意圖。采用以上分析方法對所有被試進行分析，得到每位被試的特征電極及特征時間窗。

圖1　所有被試所有電極位置疊加平均波形圖

圖2　某位被試的特征時間窗提取圖

2.分類結果

在以往的BCI技術研究中，事件相關電位中的P300信號是得到最多關注的特征信號。筆者通過疊加平均分析，在誘發電位中除了經典特征信號P300以外，還出現了N200成分。嘗試將兩個特征成分相結合參與對靶刺激和非靶刺激的分類預測。通過采用特征可分性判據的分析方法，確定了每位被試的特征電極并確定了特征電極上N200及P300成分所對應的時間窗口。采用SVM對N200和P300相結合的特征成分（記為N200/P300）進行二分類預測，并將該結果與單獨對P300進行分類的結果進行比較，結果如表2所示。通過對比發現，以N200/ P300作為特征的分類正確率要略高于僅采用P300作為特征向量的分類正確率。基于以上結果，可以說明本文設計的聽覺實驗誘發的N200以及P300兩個特征成分可以用于作為特征信號參與特征分類，離線分析的分類正確率能夠達到80%以上。

表1　r2分析方法確定特征電極和特征時間窗結果表

表2　特征成分N200/P300與P300分類正確率對比表

［1］Hinterberger T，Hill J，Birbaumer N.An auditory brain-computer communication device.proceedings of the IEEE International Workshop on Biomedical Circuits&Systems，Singapore F，2004 S3/6-15-18.

［2］Furdea A，Halder S，Krusienski D J.An auditory oddball（P300）spelling system for rain-computer interfaces.Psychophysiology，2009，46（3）：617-625

［3］Guo Jing，Gao Shangkai，Hong Bo.An Auditory Brain-Computer Interface Using Active Mental Response［J］.IEEE Transactions on Neural Systems and Rehabilitation Engineering，2010，18：230-235.

［4］張岐龍，單甘霖，段修生，等.基于特征空間中類別可分性判據的特征選擇［J］.火力與指揮控制，2010，35（6）：118-120.

編輯鄭晶

A Brain-computer Interface Based on Auditory Evoked Potential

GAO Hai-juan，HAN Jin-yu
（Tianjin Sino-German University of Applied Sciences，Tianjin 300350，China）

The Brain-computer interface extracts and discusses electroencephalogram signals and conveys specific signals of brain activities to external devices，which makes people implement the corresponding requirements instead using their bodies.An auditory BCI based on spatial selective attention is proposed，coherent average and relevance analysis are used to extract features from auditory evoked potential and support vector machine（SVM）is used to assess the target classification accuracy which contribute to the good classification results.

Brain-computer Interface（BCI）；Auditory evoked potential；Relevance analysis；support vector machine（SVM）

TP

A

2095-8528（2016）04-035-03

2016-03-17

高海娟（1986），女，河北承德人，碩士，研究方向為信號處理、電磁場。