關于穩態視覺誘發電位S S V E P信號的B C I關鍵技術研究

劉文倩，張莉

（重慶大學輸配電裝備及系統安全與新技術國家重點實驗室，重慶 40004）

關于穩態視覺誘發電位S S V E P信號的B C I關鍵技術研究

劉文倩，張莉

（重慶大學輸配電裝備及系統安全與新技術國家重點實驗室，重慶 40004）

腦機接口系統將大腦意識轉化為控制外部設備的指令，涉及神經科學、計算機科學、控制理論和許多其他技術。其中，穩態視覺誘發電位信號作為一種腦電信號，通過外部視覺刺激，可以產生明顯的大腦皮層節律性信號特征，具有一定的穩定性和連續性，它已經廣泛的在B C I系統中得到應用。然而，目前低頻穩態視覺誘發電位的腦機系統存在刺激時間長、易誘發疲勞和癲癇等不足導致的系統穩定性不高、信息傳輸率低問題；而且B C I對于S S V E P信號分析的精度、實時以及穩定性要求較高，所以，本次提出改進的希爾伯特-黃變換的變頻腦電信號特征提取與局部頻譜極值目標識別方法，提高了目標信號的辨識效率，從而提升通訊傳輸速率和可靠性。

腦機接口；穩態視覺誘發電位；視覺刺激；刺激頻率；關鍵技術

1 腦機接口(B C I)系統概述

腦機接口（B C I）的研究目標是如何準確地識別大腦意圖，再借助于外部計算機設備實時控制，經過對腦電圖（E E G）信號的采集、分類、識別，再轉出到外部設備。因此可知，腦機接口系統無法離開腦電信號E E G的采集，從形式產生可以將腦電信號分成自發和誘發兩種，前者指的是大腦皮層的固有電位活動；后者則是受到特定的刺激下而產生的電位活動。自發腦電信因為思維過程的靈活性和隨意性，有效采集難度大；誘發腦電信號可以通過在線B C I提取，能夠廣泛應用于實驗室之中。目前，實驗室中常通過聽覺和視覺刺激信號以促使大腦活動，采用的視覺信號刺激所形成的腦電信號就叫視覺誘發電位。

按照刺激信號的頻率，視覺誘發電位可以分成穩態視覺誘發電位S S V E P和瞬態視覺誘發電位T S V E P；前者指的是采用小于2 Hz頻率的視覺刺激方式；后者采用的視覺刺激頻率高于4 Hz。而且，瞬態視覺刺激時間短，穩態視覺刺激能夠持續形成，時間節點上具有規律性。采用穩態視覺誘發電位方式可以刺激實驗者產生的信號具有周期性，通過發現信號特征和刺激，最終確定信號之間的對應關系，可以測試實驗者注意的目標。因穩態視覺誘發電位S S V E P信號具有穩定性和連續性，便于收集和分析，它被廣泛應用于腦機接口的實驗研究之中。該系統的主要結構包括視覺刺激儀、腦電信號分析裝置、反饋裝置，如下圖1所示。

2 穩態視覺誘發電位S S V E P信號的產生

圖1 穩態視覺誘發電位腦機接口結構圖

穩態視覺誘發電位信號的原理為分布于人腦中的神經網絡具有各自的固有頻率，因此，彼此之間并不同步，屬于自發腦電信號；通過外界施加的恒定刺激頻率可以使得同頻率的神經網絡同步諧振，從而大腦電位產生顯著變化，即S S V E P信號。人的大腦結構比較復雜，大腦皮層不同分區負責不同任務，且彼此相互分離，但能夠相互協作，如圖2所示。腦機接口系統通過對視覺刺激信號進行檢測，判斷人腦思維的活動，主要方式是視覺細胞將外界光線接收后轉變為神經信號，然后傳送到大腦皮層形成視覺誘發電位，再收集該信號并進行分析。

視覺刺激裝置是B C I系統的重要組成部分之一，以穩定可靠的視覺刺激誘發人類大腦產生穩態視覺誘發電位；但是需要注意的是實驗者如果長時間盯著閃爍的燈光或圖像會引起眼睛疲勞，從而對實驗結果造成干擾，需要選擇柔和的顏色作為刺激信號。

目前，主要的視覺刺激裝置主要由發光二極管或者陰極射線管顯示器或液晶顯示器實現。但是，采用發光二極管雖然能夠使得刺激頻率更穩定、準確，但是對實驗者進行刺激的模式比較固定，需要采用額外控制設備予以輔助； 而陰極射線管顯示器刷新頻率不夠持續穩定，而且產生很大的輻射，對實驗者的干擾較大，且設備體積較大不便攜帶；液晶顯示器目前的信號刺激頻率準確性略有瑕疵，但是隨著科技的發展進步其信號響應時間小于5 ms，完全可以滿足視覺刺激裝置的需求，且具有很大的靈活性使用方便。基于上述分析，可以采用液晶顯示器作為實驗者的視覺刺激裝置，利用程序控制圖形或視頻生成刺激信號，而且便于修改和替換，而且，如采用閃爍與空屏時間間隔為2 s，能夠將實驗組注視閃爍屏幕的視覺疲勞盡可能予以降低。

3 穩態視覺誘發電位的腦機接口刺激頻率的選擇

圖2 大腦皮層功能分布示意圖

腦機接口作為人腦和外部設備之間的信息的連通，近年來得到了快速的發展，廣泛應用于生物醫學、虛擬游戲、航空軍事等等一些前沿領域；而且還可以將該技術應用于癱瘓患者智能輪椅方面，使其能夠不依靠肢體而采用腦電信號控制運動。腦機接口技術中穩態視覺誘發電位能夠持續響應外部視覺刺激，其操作方式簡便，需要的訓練時間也很短，且具有信息傳輸速率快以及抗干擾能力強的優點。

目前，傳統的穩態視覺誘發電位腦機接口所采用的視覺刺激頻率在6～25 Hz頻率范圍段，以單頻率任務模式的范式呈現，而且在頻率區域、分辨率和響應幅度等幾個方面都存在一定的限制，只能使用有限的頻譜去完成任務目標，且目標數目也受到一定的限制。除此以外，穩態視覺誘發電位的低頻段頻帶與腦電信號中的α波重疊，易導致假陽性錯誤。在實際應用中，低頻穩態視覺誘發電位閃爍造成實驗者視力疲勞，嚴重者甚至可能誘發實驗者出現癲癇病，可以說，采用低頻段的刺激信號致使系統的有效性以及舒適性無法得以保障。

現如今，腦機接口中使用高頻率S S V E P已經成為研究前沿，其刺激頻率范圍可達30～60 Hz甚至以上。不同于低頻視覺刺激信號，采用高頻率的刺激信號具有一種融合效果，實驗者在視覺感受中已經感受不到信號的閃爍，然而卻可以在腦電信號中檢測出響應的S S V E P，因此其可以大大降低實驗者視覺疲勞的可能性以及誘發癲癇的概率。現在所研究的S S V E P高頻信號其振幅較低，相對應的人腦自發腦電信號幅度也低，所以依然具有一定的信噪比，可以保證信號的識別精度。當然，高頻率S S V E P仍處于研究階段，但高頻率S S V E P可以大大降低視覺疲勞的特性以及提高信號的正確識別這是毋庸置疑的，雖然存在無法增大呈現目標數量以及存在難以處理微弱信號的問題，但高頻S S V E P優良的特性和無損刺激的能力，在腦機接口中必然會得到進一步發展。

綜上所述，傳統腦機接口技術范式簡單，且呈現目標數少，傳輸速率也低，而且更加嚴重的是長時間的采用低頻S S V E P刺激實驗者，容易誘發疲勞或癲癇等癥狀，弊端較多；而使用高頻率S S V E P可以突出刺激反應的優勢，筆者在下文中采用高頻S S V E P，并基于Hi l b e r t Hu a n g變換的算法，通過高頻電刺激單元可以提高呈現任務目標的數量，形成一種新的穩態視覺誘發電位腦機接口范式，達到高效、無損性能的一體化目標，具有操作簡單、高傳輸速率的優勢，而且還能夠有效減少對實驗者造成的視覺疲勞以及避免癲癇病癥的出現。

4 穩態視覺誘發電位S S V E P信號系統技術思路與范式設計

4.1 穩態視覺誘發電位S S V E P信號系統技術思路

腦機接口B C I系統的性能最常用的評價指標就是信息傳輸速率I T R，其采用在單位時間內所傳輸的信息量進行表示，即為b i t s/mi n；對于具有N個命令是腦機接口B C I系統中，令傳輸率為s，正確率為p，B表示平均命令傳輸信息量，則有以下信息傳輸定義公式：

對上述公式分析可知，在正確率p值固定的前提下，N的增加會使得信息傳輸速率增加；當目標命令數N固定時，伴隨正確率p值的增加，信息傳輸速率也隨之增加。基于此，在腦機接口技術中使用穩態視覺誘發電位S S V E P刺激信號，需要提高人機交互通信的效率；與此同時，還需要避免信號閃爍造成實驗者的視覺疲勞和其它如癲癇在內的其它意外的疾病，即實現系統對人無害。為達成這兩個目標，一方面可以增加目標數N；另一方面還可以提高識別率；與此同時，使用高頻刺激信號替代低頻信號。因此，通過在前文分析的實際低頻與高頻穩態視覺誘發電位的對比，提出了如下圖3所示的技術思路。

通過使用多個穩態高頻電刺激的設計思路，可以解決單一頻率限制目標數量和視覺疲勞問題；與此同時，采用I HHT算法實現對目標特征的組合頻率與瞬時頻率的提取，從而能夠提高識別正確率。這樣，可以實現高頻穩態視覺誘發電位的腦機接口系統的識別的精度，并提高傳輸效率和傳輸速率，且不會對人體造成負面傷害。

圖3 穩態視覺誘發電位S S V E P信號系統技術思路

4.2 穩態視覺誘發電位S S V E P信號系統范式設計

基于高頻穩態視覺誘發電位B C I系統的設計思路，通過一些穩定的高頻刺激可以解決單一頻率目標數量受限的問題；高頻S S V E P閃爍融合效果能夠提高實驗者的舒適度，減少視覺疲勞和誘發癲癇的可能性。圖4 為高頻穩態視覺誘發電位S S V E P范式圖。

圖4 高頻穩態視覺誘發電位S S V E P范式

高頻穩態視覺誘發電位閃爍頻率高于25 Hz，選擇N個刺激頻率（N為大于1的正整數），并通過L C D屏幕結合排成NN序列的神經網絡呈現給實驗者，由20個周期性的亮、滅信號按照時間排列組合成刺激序列，其中刺激序列包含多個時間序列的刺激頻率。在NN個任務目標中，一次目標中呈現10種刺激序列，在實驗中可以令N＝3，這樣就形成了27個不同的刺激序列，也就是說對應27個呈現目標。

5 穩態視覺誘發電位S S V E P腦電信號特征提取

5.1 希爾伯特—黃變換算法

高頻率的刺激序列由刺激反應形成，為變頻腦電信號，存在腦電信號的幅度干擾，所以需要確定的頻率和振幅的非線性信號，其為一種典型的非平穩信號，采用希爾伯特—黃變換HHT能夠有效的提取腦電信號特征。

HHT是一種自適應的信號處理方法，非常適合于處理非線性和非平穩信號，它廣泛應用于機械信號處理。該方法由經驗模態分解E MD和希爾伯特變換兩個過程組成，其中最關鍵的部分是經驗模態分解方法。基于信號局部特征時間尺度的E MD方法能夠將復雜信號分解成固有模態函數I MF，I MF的頻率分量不僅與頻率分析有關，而且隨著信號本身變化而變化。采用I HHT算法對腦電信號特征的提取以及主要辨識過程具體如下：將采集到的腦電信號疊加之后取平均值，從而能夠提高信噪比，得到初步預處理的腦電信號；對該腦電數據進行帶通濾波操作，得到濾波后的腦電數據；采用E MD方法分解上述腦電信號數據；根據經驗模態分解結果，選擇目標頻帶的I MF重建數據；計算重構數據的瞬時頻率；得到Hi l b e r t時頻圖；進行局部極值目標識別（圖5）。

圖5 流程示意圖

在該算法的實現中，需要優化關鍵算法以保證有效地提取腦電信號的頻率特征，方法如下：經驗模態分解E MD中，端點預測方法者優先，通過曲線擬合得到上、下包絡線的極值，再求其平均值。運用邊界預測法如下圖6所示，以1階近似點為端點，通過理論分析和實際數據擬合，擬合曲線達到最小波動。因此，邊界預測方法擬合曲線端點波動小。邊界預測法確定的極值公式：

E MD 算法是一個篩選的過程，計算公式如下：

其中， ()x t表示的是帶分解信號；ic表示的是第i次經驗模態分解后的固有模態函數；mij則表示經i次篩選得到的第j個平均值曲線；k i表示的是第i次篩選。

經驗模態分解E MD算法應用中的另一個關鍵問題是如何選擇每個濾波器的端部停止條件，理論分析表明E MD為二進制的半帶濾波器，為了確保在幅值與頻率方面所選擇的固有模態函數有物理意義，通過對k值的限制使得相鄰的I MF比例接近2。因此，本文中采用固定篩選次數滿足E MD的停止準則要求，K i-1 = K i= 10，使彼此鄰近的I MF比例接近2。這樣E MD為一個半帶濾波器組能夠使得信號保持其物理特性；元素C的分解結果的數量是有限的，c≤l b N。希爾伯特變換得到有意義的瞬時頻率條件如下：數據必須是固有模態函數I MF，且受到B e d r o s i a n理論限制變化幅值要在一定范圍內，所以，可以以廣義過零點G Z C算法針對腦電信號以計算瞬時頻率，G Z C算法屬于平均思想，相對穩定、準確，適用于頻率波動幅度不大的情況，計算公式如下：

圖6 邊界預測法

其中：

對于頻譜的局部極值的目標識別方法中，固有模態函數I MF數據被分成3部分，計算其F F T頻譜、頻譜極值，最終實現局部光譜定量識別率，計算公式如下：

P=n/N。

5.2 刺激頻率的差異組合優化

本文中選擇三個高于20 Hz的視覺刺激頻率，分別為25赫茲、33.33赫茲、40赫茲，并進行1、2和3的編號，單個序列刺激時長在1.9 ～ 2.4 s，能夠實現的最大目標數為27，基于I HHT對疊加次數區別對27段響應信號進行特征提取與局部極值譜識別，統計結果表明不同疊加層次存在不同的識別率，如下圖7所示。

通過對270段數據的測試，在10次疊加平均后，正確率識別率也只有77.78%，這明顯無法實現預期的目標，通過對270段不同時間段的測試數據進行疊加的結果進行分析，可知對于3刺激識別單元，并不是所有組合方式的識別率都一致，存在一定的差異性。從結果表明，刺激頻率采用差異性組合方式能夠有效提高正確識別率，因為與單一頻率相比而言，差異化組合頻率能夠更加適合實驗者的視覺感知，組合高頻率的刺激信號具有一種融合效果，實驗者在視覺感受中已經感受不到信號的閃爍，從而提高了對腦電信號的正確識別率。基于此，將1、2、3三個編號分別賦給25 Hz、33.33 Hz、40 Hz，一一對應，從形成的33種排布中選擇差異化組合序列，則可以形成這樣的序列排布方式：123、132、213、231、312、321，在采用T HHT范式的腦電信號的特征識別與處理后，基于差異化組合的單一的刺激響應信號的希爾伯特譜識別率為100%，效果優異，如下圖8所示。

6 高頻與低頻穩態視覺誘發電位SSVEP信號的BCI系統對比研究

為實現基于穩態視覺誘發電位SSVEP信號的在線BCI系統，在對實驗者進行實驗時，通過分析、處理腦電圖（EEG）信號以完成實驗。具體過程為：在實驗者頭部枕區放置測量電極，參考電極放置在頭部耳垂位置，地電級則置于實驗者前額位置處，腦機信號放大器端與三電極接連在一起，再連接到計算機系統，即可完成人腦電信號的采集。本次參與實驗的6名實驗者皆是年齡在20～30歲之間的自愿參與的健康成年人；實驗環境為屏蔽電磁的腦電信號實驗室，在一米距離處向實驗者呈現刺激范式。（圖9）

為了比較高頻與低頻穩態視覺誘發電位SSVEP信號兩者之間的差異，高頻采用差異組合的高頻段視覺刺激頻率，采用編號為1、2、3的25 Hz、33.33 Hz、40 Hz這三個刺激頻率，分別組成如前文所述的差異化組合序列，排布方式：123、132、213、231、312、321，如圖8所示；低頻采用的是傳統的12 Hz, 12.5 Hz, 15 Hz三個視覺刺激頻率，如圖10所示。

對實驗者分別進行高頻與低頻視覺信號刺激，做三組及以上的重復實驗，記錄每次實驗的刺激時間、疲勞程度以及信息傳輸率和正確識別率，再取平均值作為實驗的最終結果，如表1所示。

從上表1對比效果可知，在腦機接口技術中采用高頻穩態視覺誘發電位SSVEP，其不僅信息傳輸率比低頻快得多；對實驗者的刺激時間要比低頻短的多，分別是19s和5.7s；且導致實驗者達到疲勞的時間長達8個小時，而后者僅僅為2個小時；而正確識別率達到了95%，亦比低頻效果好得多。綜述，筆者在本文中通過對腦機接口系統高頻穩態視覺誘發電位SSVEP信號的研究，運用希爾伯特-黃變換算法與差異化組合方式提取腦電信號特征，從而通過高低頻SSVEP對比研究，得出結論。

圖9 高頻差異組合刺激6方塊圖

圖10 低頻組合刺激3方塊圖

[1]T. Oesterlein,R. Scherer,G. Müller-Putz. Monocular Head-Mounted SSVEP based Brain-Computer Interface to Retain Situational Awareness[J]. Biomedical Engineering/Biomedizinische Technik,2012.

[2]M. Byczuk,P. Poryza?a,A. Materka. On diversity within operators’ EEG responses to LED-produced alternate stimulus in SSVEP BCI[J]. Bulletin of the Polish Academy of Sciences：Technical Sciences,2012,60(3).

[3]Zimu Zhang,Zhidong Deng.An Automatic SSVEP Component Selection Measure for High-Performance Brain-Computer Interface[M].Springer Berlin Heidelberg：2014.

[4]Zhenghua Wu,Sheng Su.Detection Accuracy Comparison Between the High Frequency and Low Frequency SSVEP-Based BCIs[M].Springer International Publishing：2014.

表1 高低頻穩態視覺誘發電位SSVEP效果對比表

[5]龔華云,魏慶國,李茂全. 一個基于穩態視覺誘發電位的兩步腦拼寫系統的設計與實現[J]. 南昌大學學報(理科版 ),2015,39(06)：544-551.

[6]張黎明,張小棟,陸竹風,李睿. 用于SSVEP特征頻率提取的同步壓縮短時傅里葉變換方法[J/OL]. 西安交通大學學報 ,2017,(02)：1-6.

[7]魏春惠. 我國正常人穩態圖形視覺誘發電位隨刺激頻率變化的特性[J]. 南京鐵道醫學院學報,1996,(04)：64-65.

[8]潘潔,高小榕,高上凱. 穩態視覺誘發電位頻率與相位特性的腦電研究[J]. 清華大學學報(自然科學版),2011,51(02)：250-254.[9]鄭軍. 基于穩態視覺誘發電位的腦-機接口研究[J]. 科學技術與工程,2011,11(33)：8149-8154.

[10]Brendan Z.Allison,Jing Jin,Yu Zhang,Xingyu Wang. A fourchoice hybrid P300/SSVEP BCI for improved accuracy[J]. Brain-Computer Interfaces,2014,1(1).

[11]徐光華,張鋒,謝俊,李葉平,韓丞丞,李黎黎. 穩態視覺誘發電位的腦機接口范式及其信號處理方法研究[J/OL]. 西安交通大學學報,2015,49(06)：1-7+108.

[12]黃漫玲,吳平東,殷罡,劉瑩. 基于穩態視覺誘發電位的腦-機接口實驗研究[J]. 北京理工大學學報,2008,(11)：957-961.

[13]董恩增,郭光瑞,陳超. 基于穩態視覺誘發電位的在線腦機接口研究[J/OL]. 計算機工程與應用,2017,53(03)：154-159.

[14]趙麗,邢瀟,郭旭宏,劉澤華,何洋. 基于穩態視覺誘發電位的腦-機接口無線智能家居系統研究[J]. 生物醫學工程學雜志 ,2014,31(05)：967-970.

[15]Hisaya Tanaka,Hiromi Sakata. Measurement of the Characteristics for BCI by SSVEP[M].Springer Berlin Heidelberg：2013.

[16]Ivan Volosyak,Felix Gembler,Piotr Stawicki. Age-related differences in SSVEP-based BCI performance[J]. Neurocomputing,2016,.

[17]Yangsong Zhang,Daqing Guo,Dezhong Yao,Peng Xu. The Extension of Multivariate Synchronization Index Method for SSVEP-based BCI[J]. Neurocomputing,2017.

R 318.0

：A

：1671-0711（2017）12（下）-0114-06