RSVP與SSVEP混合腦電信號刺激與多類事件檢測

陳景霞，郝 為 ，張鵬偉，謝 佳

1.陜西科技大學 電子信息與人工智能學院，西安 710021

2.西北工業大學 計算機學院，西安 710072

1 引言

大腦是支配人的思想、情緒、動作等一切行為的中樞，通過神經肌肉調節，對身體發號施令，以此來完成和外界環境的信息交流。伴隨著人工智能、生命科學等學科的興起，以腦電信號（Electroencephalograph，EEG）為基礎，腦-機接口（Brain Computer Interface，BCI）為橋梁的腦科學研究迅速發展。BCI技術旨在搭建一條人腦和外界環境之間的通路，將攜帶著受試者意念、想象、情緒等特定腦電波的特征，轉化為控制命令傳遞到外部設備，以實現人腦和外部環境的交互與控制[1]。

穩態視覺誘發（Steady-State Visually Evoked Potential，SSVEP）[2-3]、快速序列視覺呈現（Rapid Serial Visual Presentation，RSVP）[4-5]、運動想象[6]、表情驅動[7]等是BCI系統中常用的實驗范式。其中，SSVEP范式是指通過一個固定頻率的閃爍視覺刺激，在人的大腦視覺皮層誘發產生一個連續的與刺激頻率（基頻或倍頻處）有關的響應，這個響應被稱為穩態視覺誘發電位，由于其具有高信噪比、信號集中等優點而被廣泛用作BCI系統的基礎輸入信號。RSVP范式則是在連續播放的圖片序列中，采用少量差異性較大的、被試者感興趣的目標圖片作為視覺刺激，來誘發目標事件相關電位（Event Related Potential，ERP）。目前，大多數RSVP目標事件檢測都是針對鎖時性EEG數據，即假設目標圖片刺激出現的時間是已知的，而且假設與目標事件相關的ERP出現的延時是不變的，通常在刺激出現后0.2～1 s。

RSVP常用于偵測被試是否識別到指定目標，Orhan等[8]利用RSVP刺激范式設計了一款基于EEG的鍵盤。Mao等[9]提出了一種基于非鎖時EEG信號的RSVP事件分類算法，用于對腦-機接口中RSVP的目標與非目標事件進行檢測。Chen等[10]提出了一種新的EEG特征組合與分類方法，同時捕獲EEG信號時間與空間上的相關性，有效提高了基于深度CNN模型的RSVP事件檢測的性能。但同該BCI系統一樣，目前RSVP實驗設計多為單目標的分類檢測，并不能滿足生產生活中多目標識別的要求。SSVEP常用于區分不同閃爍頻率的目標，Xie等[11]研發出了基于SSVEP刺激的殘疾輪椅腦電智能導航系統，李翔等[12]通過SSVEP技術實現了電話自動撥號的腦-機接口系統，Chen等[13]設計了一款基于SSVEP刺激的七自由度機器人手臂。但是，基于SSVEP的BCI設計中的一個重要問題是受試者往往會在經歷重復的刺激后產生適應和疲勞，適應后的刺激效果相較于適應前會弱得多。從實際應用角度出發，研究者們提出了基于多種范式相結合的混合型腦-機接口系統，如簡文娟[14]、竇立祥[15]提出將SSVEP與運動想象相結合BCI系統取得了較好的應用效果，Lin等[16]設計的拼寫器結合了SSVEP和肌電信息。混合式BCI系統是未來的發展方向[17]。

本文提出一種SSVEP與RSVP相結合的新型實驗范式，以游戲的方式進行，采集被試游戲時由固定頻率閃爍和小概率目標圖片共同誘發的EEG數據，并對其進行預處理與特征提取。采用自舉聚合決策樹（Bagging Tree，BT）、支持向量機（Supported Vector Machine，SVM）、線性判別分析（Linear Discriminant Analysis，LDA）、貝葉斯線性判別分析（Bayesian Linear Discriminative Analysis，BLDA）等機器學習算法對EEG特征進行目標與非目標二分類實驗，驗證EEG特征針對RSVP事件的可分性。采用上述四種分類器對EEG數據進行目標/非目標與頻率相結合的五分類實驗，驗證組合范式誘發的EEG特征進行多類事件分類與檢測的性能。本文還對比分析了單獨使用四種分類器與結合傳統典型關聯分析（Canonical Correlation Analysis，CCA）算法進行八分類的實驗結果，驗證BT和SVM等機器學習模型對RSVP和SSVEP組合范式誘發的EEG信號進行多類識別的性能優于傳統CCA算法的性能。

2 EEG數據獲取

2.1 實驗準備

本文共采集14名被試者的EEG數據，被試中男女各有7人，平均年齡為24.8歲。被試者身體健康，無神經性疾病，實驗前24 h未引用任何含酒精或咖啡因的飲品。所有被試均可正常集中注意力，無色弱色盲。實驗使用32通道電極帽和Neuroscan系統進行EEG數據的采集與記錄，電極帽的電極分布如圖1所示，符合國際聯合會的10/20電極系統標準。阻抗小于5 kΩ，采樣頻率為500 Hz，參考電極為A1、A2，帶通濾波頻率為0.5～50 Hz，地電極為FP1與FP2之間的G。在Win10操作系統下，使用MATLAB2016b進行EEG特征提取以及分類算法的編寫。

圖1 實驗電極分布圖

2.2 實驗過程

實驗使用Unityengine軟件設計一款電腦游戲進行SSVEP與RSVP組合范式下EEG信號的刺激。實驗過程需要2臺PC，一臺用于被試操作游戲，另一臺用于記錄EEG數據，實驗的體系結構如圖2所示。

圖2 實驗體系結構

每個被試實驗的過程如圖3所示，每人做7組實驗，每組進行32次實驗，每次實驗大概持續20 s，每次實驗結束后休息2 s，每組開始之前休息60 s（30 s睜眼，30 s閉眼），每個被試共進行7×32=224次實驗，總時長約為1.0～1.5 h。每次實驗以游戲的方式進行，包括準備、注視、搜索與刺激四個階段（如圖4所示）。

圖3 單個被試的實驗過程

圖4 每次實驗的過程

被試準備就緒后首先按下鼠標左鍵開始游戲，顯示器屏幕（分辨率為100 Hz）上會出現一個由8種不同彩色寶石圖案（如圖5所示）構成的8×8的圖片矩陣，被試對其放松注視2 s后，圖片矩陣的左上、左下、右上、右下方會隨機出現4個白色邊框選項，被試進入搜索階段，要求從4個選項中搜索出一個唯一正確選項，其橫向或縱向相鄰的兩個圖案必須是相同的（如圖6所示），確保刺激階段在正確選項的位置上總能出現一種圖案使得其橫向或縱向上3個圖案完全相同。

圖5 8種不同的彩色寶石圖案

一旦被試搜索到正確選項，立即單擊鼠標左鍵進入刺激階段：被試需要注視正確選項的位置并保持6 s，在這個位置上將以某一固定頻率快速呈現一個由8種彩色寶石圖案和黑底圖案交替構成的序列，其中與該位置橫向或縱向相鄰兩個圖案相同的那個圖案就是用于RSVP刺激的目標圖案。每次實驗以RSVP范式快速呈現一個圖片序列，該序列快速閃現的頻率從4 Hz、5 Hz、6 Hz或7 Hz中隨機選取一種，用作SSVEP的刺激頻率，每一種SSVEP頻率下每張圖片呈現的時長、5 s內呈現圖片的個數以及呈現彩色圖片的個數如表1所示，序列中奇數序號對應的圖片為8種彩色寶石圖案之一，偶數序號對應的圖片為黑底圖案。

圖6 一個被試正盯著顯示器屏幕上的目標圖案

表1 4種可選SSVEP頻率及其特性（顯示器刷新頻率為100 Hz）

每個序列閃爍持續時長都是6 s，其中包含目標圖片2～3張，圖7為5 Hz閃爍序列0～2 s內的剪輯，每個圖案片段呈現時長為100 ms，2 s內共呈現10個圖案片段，其中藍色三角型寶石為目標圖片。

圖7 一個以5 Hz閃爍的序列0～2 s內的圖片序列

記錄刺激階段被試注視這6 s以穩定頻率呈現目標和非目標圖片序列時誘發的腦電信號及刺激結束后2 s休息時的腦電信號，由于采樣頻率為500 Hz，每次實驗中刺激序列誘發的EEG數據包含500×6=3 000個采樣點，靜息態EEG數據包含500×2=1 000個采樣點。每個被試產生7×32=224條記錄，每條記錄包含每次實驗的序列編號、序列閃爍頻率、目標圖片出現時間點、圖案樣式、EEG數據等信息。

2.3 數據預處理

對采集的原始EEG信號，首先選用A1、A2電極的均值作為參考，將其余30個通道的電位去參考，再采用MATLAB中的detrend函數通過去均值進行低頻基線去除，然后采用均值濾波和高斯濾波組合的空間濾波器對高頻噪聲進行降噪處理，以此降低偽跡和噪聲對實驗數據的影響。大量已有的研究結果表明，RSVP范式下與目標事件相關的ERP通常發生在刺激出現后0.2～1 s內，因此提取每次實驗中目標圖片出現時間點后1 s（500個采樣點）的EEG數據作為RSVP目標圖片誘發的腦電數據，對應的RSVP事件標簽用1表示。為了計算方便，將500個采樣點下采樣至64個，去除A1、A2兩個參考電極，通道數變為30個，則每一個目標圖片誘發的EEG數據樣本的格式為64（time points）×30（channel），每次實驗的序列中大概有2～3個目標圖片，每名被試224次實驗一共提取與目標刺激相關的EEG樣本大概有224 trials×3=672個。

為了確保數據類別的均衡，在每一次實驗中非目標圖片出現的時間段內隨機提取2～3個1 s時長（500個采樣點）的EEG數據，作為非目標刺激相關的EEG樣本，RSVP事件標簽用0表示，采樣頻率同樣下采樣至64，每名被試224次實驗一共提取與非目標刺激相關的EEG樣本約有224 trials×3=672個。所有EEG樣本對應的SSVEP標簽為其誘發序列呈現的實際頻率（4 Hz、5 Hz、6 Hz、7 Hz其中一種）。

為了驗證所提取EEG數據在RSVP與SSVEP上事件的可分性，本文為14名被試分別構建各自的交叉驗證集，進行被試內EEG事件分類與檢測。從每一名被試的目標刺激EEG和非目標刺激EEG樣本中各隨機取出10%作為測試集，余下90%目標和非目標刺激的EEG樣本作為訓練集。每一個交叉驗證集的測試集與訓練集的EEG數據格式均為64（采樣點）×30（通道）×樣本數的格式，記為EEG數據集時域上的raw特征。14名被試各自EEG數據交叉驗證集的詳細信息如表2所示。

表2 數據集樣本數

3 EEG特征提取與分類算法

3.1 歸一化處理與PSD特征提取

為了提升EEG數據事件分類與檢測的精度和收斂速度，本文采用MATLAB中的z-score函數對三維EEG數據的raw特征X進行歸一化處理，使處理后的數據X*符合均值為0，標準差為1的正態分布。首先將三維數據轉化為二維X′（采樣點×通道數，樣本數），隨后按公式（1）中方法進行計算：

其中，二維數據X′按列計算，μ表示每一列數據的均值，σ表示該列的標準差。最后將X*還原為X的格式，歸一化以后的EEG時域上的特征用norm表示，其維度仍然是64（采樣點）×30（通道）×樣本數。

在EEG信號中，與情感信息相關的頻段共有5個，分別是δ（1～4 Hz），θ（4～8 Hz），α（8～13 Hz），β（13～30 Hz）和γ（30～50 Hz）。本文采用快速離散傅里葉變換（Fast Fourier Transformation，FFT）提取EEG數據在1～64 Hz頻段上的功率譜密度（Power Spectral Density，PSD）特征。在時長為1 s的EEG數據中，每個通道都使用無重疊窗長為0.25 s的Hamming窗提取64個PSD特征，該特征用freq表示，其維度為64（PSD特征數）×30（通道）×樣本數。

為了更好地同時捕獲EEG數據在時域和頻域上的事件相關性，將EEG數據的PSD特征分別與原始時域raw特征和歸一化后norm特征在樣本數維度上通過連接操作進行特征組合，得到兩種新的組合特征freq+norm和freq+raw，其維度為64（采樣點）×30（通道數）×2倍樣本數。

3.2 基于CCA算法的SSVEP頻率匹配

典型關聯分析是一種用來測量兩個多維變量之間潛在相關性的統計方法，經常用于SSVEP相關研究中，其基本原理如下。

對于兩組多維變量X和Yfk，X代表二維測試集數據，Yfk（下稱Y）代表第k個刺激頻率對應的一組正余弦信號組構建的二維參考信號，其中fk表示第K個刺激頻率，N表示的是參與構建參考信號的諧波數，實驗中設定為N=5。

X和Y分別尋找兩個線性組合u=aTX和v=bTY，使多維變量X和Y經過此線性組合后相關系數ρ(u,v)最大，其中a和b分別是X和Y的權重向量，u和v為典型變量。

式中Var為方差，Cov為協方差（下面以C代替）以Var(u)推導為例。

求解a和b時，有約束條件：

整理得：

λ即為ρ(u,v)，為求出λ的最大值，對式（6）、（7）進行進一步整理，得：

則特征值λ2與特征向量a和b均可解出。本文通過將EEG數據與所有刺激頻率所構建的參考信號分別做CCA運算，得出EEG數據與各個參考信號之間的相關系數，其中最大相關系數對應的刺激頻率被認為是該EEG數據的預測頻率。預測頻率與實際刺激頻率相一致則視為SSVEP分類預測正確，計算測試集中所有EEG數據預測正確的比例作為SSVEP事件分類預測的準確率。

3.3 基于機器學習的EEG分類算法

本文采用自舉聚合決策樹（BT）、支持向量機（SVM）、線性判別分析（LDA）、貝葉斯線性判別分析（BLDA）等四種目前在EEG分類檢測領域性能較優的機器學習算法進行RSVP與SSVEP相結合的多類事件分類與檢測，以驗證本文提出的兩種范式組合刺激的EEG數據特征的可分析與有效性。其中，BT分類器將多個較弱的決策樹模型組合在一起，形成一個較強的分類模型，從原始訓練數據集中有放回地采樣若干個小集合，在每個小集合上訓練單個決策樹模型，然后對所有單個決策樹模型的輸出取平均或者對其類別進行投票表決。該方法實現簡單、訓練速度快，能夠處理高維數據，并能有效減少過擬合的發生。

SVM分類器的目的是尋找一個最優超平面，使得該超平面中訓練樣本間距最大。本文使用徑向基函數為作為SVM模型的核函數，采用梯度下降算法對SVM模型進行優化。SVM分類器對于高維度、小數量級的樣本分類很有優勢，分類效果卓群，但是對于復雜的數據集卻束手無策。而且其魯棒性不夠突出，對于特殊的離群點沒有好的應對辦法。LDA分類器是經典的分類算法，優點是運算量較小，簡單易懂，適用于樣本較少的分類情況。LDA的基本原理是尋找一個使類間間距最大，類內間距最小的投影。由于LDA計算相對簡單且通常可以提供較好的分類效果，目前已被廣泛應用于各種BCI系統中，然而LDA卻無法有效地分類檢測復雜非線性的EEG數據，且在處理小樣本問題時容易受到維數災難的影響，從而導致分類器泛化性能下降。BLDA分類器則是在線性分析的基礎上融合了貝葉斯思想，由已知的先驗概率估算未知的后驗，通過計算不同樣本的錯判率以及后驗概率，并用最大的后驗概率對樣本進行分類，其目的是為了使期望損失最小。本實驗中，噪聲逆方差、先驗逆方差以及偏差項的先驗逆方差皆忽略不計，迭代次數范圍設置為1～100。

4 EEG事件分類實驗及結果分析

4.1 基于RSVP的2類事件分類

本文首先對RSVP與SSVEP組合范式誘發的EEG數據進行RSVP目標與非目標的被試內二分類實驗，驗證本文采集的EEG數據在RSVP事件上的有效性與可分性。在二分類實驗中，將目標圖片誘發的EEG數據樣本的標簽記為1，非目標圖片誘發的EEG數據樣本的標簽記為0。按3.1節中所述的方法對每個被試所有trials提取的原始EEG時域特征（raw）進行歸一化處理、PSD特征提取以及組合特征提取，得到raw、norm、freq、freq+raw和freq+norm五種特征。并將這五種特征分別輸入3.3節所述的四種分類器進行分類器的訓練與預測。每一名被試在每一種特征上對四種分類器分別進行10折交叉驗證，將每一折驗證的分類準確率的均值作為該被試在某一特征上某一分類器的分類準確率，再對14名被試的分類準確率求均值，作為某一特征上某一分類器的最終分類準確率。

四種分類器在五種EEG特征上進行RSVP目標/非目標兩類事件分類的結果如表3所示。其中，BT分類器在五種特征上的分類準確率最高，均達到了100%。SVM分類器在時域與頻域組合特征上的分類準確率均達到了98.8%，比單個時域特征（raw與norm）上的最好分類性能94.8%高出4%；在時域特征上的分類準確率比頻域PSD特征上的分類準確率高出5.3%。LDA分類器在時域與頻域組合特征上的分類準確率均為78.4%，比單個時域特征（raw與norm）上的最好分類性能77.2%高出1.2%；在時域特征上的分類準確率比頻域PSD特征上的分類準確率高出6.6%。只有BLDA分類器的分類性能較低，在norm時域特征上的分類性能最優，為59.5%。綜合來看，BT、SVM與LDA三種分類器的結果具有一致性而且分類性能較高，表明通過機器學習的方法可以對本文組合范式刺激的EEG數據進行RSVP事件的準確分類。

表3 不同EEG特征上RSVP事件二分類結果

4.2 基于RSVP與SSVEP的5類事件分類

為了驗證本文采集的EEG數據在RSVP與SSVEP組合事件上的多類分類性能，將每個刺激序列中目標圖片誘發的EEG樣本的標簽由1改為4，非目標圖片誘發的EEG樣本的標簽由原來的0拆分成了4類：按照所在序列的呈現頻率進行標記，4 Hz、5 Hz、6 Hz、7 Hz分別對應標簽0、1、2、3，由此得到帶有五類標簽的EEG數據的五種特征，包括raw、norm、freq、freq+norm和freq+raw，按照4.1節所述的交叉驗證的方法分別將每一個被試的五種特征輸入四種分類器中進行分類器的訓練與預測。

四種分類器在不同EEG特征上進行五類事件分類的結果如表4所示。其中，BT分類器在時頻域組合特征freq+raw上取得了最優分類性能92.5%，比單個特征上的最優性能80.6%高出11.9%，在freq+norm組合特征上的分類準確率也達到了92.2%。其次SVM分類器在組合特征freq+norm上取得了最優分類準確率85.7%，比單個特征上的最優準確率74.8%高出10.9%。而BLDA與LDA分類器的多分類性能較低，LDA在freq+norm組合特征上取得最優分類準確率為64.7%，比單個特征上的最優分類準確率44.2%高出20.5%；BLDA在freq+raw組合特征上取得最優分類準確率49.7%，比單個特征上的最優分類準確率48.9%高出0.8%。由此可見，利用BT與SVM分類器在本文采集的EEG數據的時域與頻域組合特征上，可以對RSVP與SSVEP組合事件進行準確的分類預測。同時也說明本文采集的EEG數據具有較高的可分性，本文提出的RSVP與SSVEP相結合的EEG刺激方法具有一定的研究價值與潛力。

表4 RSVP與SSVEP組合事件五分類結果

4.3 基于RSVP與SSVEP的8類事件分類

本文還對采集的EEG數據進行了基于RSVP與SSVEP的8類事件分類，進一步驗證組合范式刺激的EEG數據的多類可分性，同時對機器學習分類器的分類性能同CCA與分類器相結合的分類性能進行對比，以確定哪種分類方法性能較優。8分類時，將每個刺激序列中目標EEG樣本的標簽按照所在序列的頻率進行重新標記：4 Hz、5 Hz、6 Hz、7 Hz分別對應標簽4、5、6、7；非目標EEG樣本的標簽也按照所在序列的頻率進行重新標記：4 Hz、5 Hz、6 Hz、7 Hz分別對應標簽0、1、2、3，由此得到帶有8類標簽的EEG數據的五種特征。按照4.1節所述的交叉驗證的方法分別將每一個被試的五種EEG特征輸入四種分類器中進行各分類器的訓練與預測。

四種分類器的八分類結果如表5所示。其中，BT分類器在freq+norm組合特征上的八分類準確率最高，達到91.6%，比單個特征中freq特征上最好分類性能61%高出30.6%。SVM分類器也在時頻域組合特征上的取得了最優分類準確率87.6%，比單個特征的最優分類準確率69.5%高出了18.1%。LDA分類器同樣在兩種時頻域組合特征上取得最優分類準確率，均為66.8%，比單個特征中raw與norm上的最優分類準確率33.6%高出33.2%。同表4所示的五分類結果類似，BLDA分類器的八分類性能也較差。可見，本文采集的EEG數據在8類組合事件上仍然具有較高的可分性，在其時頻域組合特征上使用BT或SVM分類器，可以進行準確的8類組合事件預測。

表5 RSVP與SSVEP組合事件八分類結果

本文還采用CCA與分類器相結合的方法進行8類事件檢測，以4.1節進行RSVP二分類實驗的raw特征的測試集為例，采用3.2節所述的方法，用每一個EEG樣本信號與四種刺激頻率（4 Hz，5 Hz，6 Hz或7 Hz）所構建的參考信號分別做CCA運算，得出EEG樣本信號與各個參考信號之間的相關系數，其中相關系數最大的參考信號對應的刺激頻率被認為是該EEG信號的預測頻率。若預測頻率與該EEG信號所在誘發序列的實際刺激頻率一致，則視為SSVEP分類正確，計算每一個被試測試集中所有EEG數據預測正確的比例作為SSVEP事件四分類的準確率，預測結果如表6所示。

表6 基于CCA的SSVEP預測結果

將表6中所有被試的預測準確率求平均，作為基于CCA算法進行SSVEP四分類的最終分類準確率。在4.1節中已經得到了四種分類器在raw特征測試集上進行RSVP目標/非目標兩類事件分類的結果（如圖3第1列所示），將其與表6中的平均準確率相乘，得到四種分類器在raw特征上先進行目標/非目標二類預測，再進行每一類下四種頻率預測的8分類準確率，具體結果如表7。

表7 兩種分類方法八分類準確率對比

如表7所示，對于時域上的raw特征而言，兩種分類方法最終結果差異很大，BT分類器上，基于CCA的組合分類方法（下稱方法1）的分類準確率為39.1%，而純機器學習方法（下稱方法2）的分類準確率為60.6%，比方法1高出21.5%；BLDA分類器上方法2的準確率比方法1高出28.3%；LDA分類器上兩種方法的分類準確率較為接近，方法2的準確率比方法1略高3.4%，SVM分類器上方法2的分類準確率比方法1高出32.4%。由此可見，基于CCA的組合分類方法的分類性能不如使用單純機器學習分類器的性能好，在純SSVEP事件檢測上性能顯著的CCA算法并不適用于RSVP與SSVEP組合刺激的EEG多類事件檢測上。

5 結束語

本文提出一種RSVP與SSVEP組合范式的腦電信號刺激與多類事件分類方法。組合的刺激范式結合了RSVP與SSVEP各自的優點，同時規避了各自在BCI系統中的缺陷：RSVP常用于目標/非目標檢測，但無法作用于多目標的識別，通過對快速呈現的圖片序列添加不同的頻率信息，協同SSVEP能夠解決BCI系統中的多目標識別問題；在SSVEP范式中，用戶往往會在經歷重復的視覺刺激后，對刺激感到適應，導致誘發的EEG強度大幅下降，嚴重影響了BCI系統的性能，解決該問題的關鍵在于改變用戶重復的視覺刺激，而RSVP可以很好地完成此項工作。本文通過游戲的模式，讓用戶觀看不同頻率呈現的隨機圖片序列，在游戲中不斷尋找序列中對應的目標圖片，不會對刺激產生適應或感到無聊，從而提高了所誘發EEG信號的質量。

為了驗證組合范式所誘發的EEG數據在RSVP與SSVEP事件上有效性與可分性，本文通過機器學習的方法，為14名被試的五種EEG特征（包括時域上的raw、norm特征、頻域上的PSD特征以及時頻域上的freq+raw和freq+norm組合特征）分別構建各自的交叉驗證集，采用性能較優的BT、LDA、BLDA、SVM四種分類器，進行被試內EEG信號的多類事件分類實驗。在基于RSVP的目標/非目標二分類實驗中，BT分類器在五種特征上的分類準確率最高，均達到了100%，SVM在時頻域組合特征上取得最高分類準確率98.8%，表明通過機器學習的方法可以對組合范式刺激的EEG數據進行RSVP事件的準確分類。在基于RSVP與SSVEP組合事件的5分類實驗中，BT在時頻域組合特征上取得了最優分類性能92.5%；在8分類實驗中，BT和SVM分類器分別在時頻域組合特征上取得了最優分類性能91.6%和87.6%，表明組合范式刺激的EEG信號具有較高的多類可分性，利用該方法能夠很好地解決BCI系統中的多目標識別問題，同時為開發基于RSVP和SSVEP兩種范式的混合型腦-機接口應用提供了一種新的有效途徑，具有一定的研究和應用價值。

最后，采用CCA與分類器相組合的方法進行8類EEG事件檢測，實驗結果表明，基于機器學習的BT和SVM分類器對EEG信號進行多類識別的性能明顯優于基于CCA的組合分類方法，在純SSVEP事件檢測上性能顯著的CCA算法并不適用于RSVP與SSVEP組合刺激的EEG信號的多類事件檢測上。