基于瞬态视觉诱发电位的识别算法研究*

吴海静，何庆华，田逢春

(1.重庆大学通信工程学院，重庆400044;2.第三军医大学大坪医院野战外科研究所创伤、烧伤与复合伤国家重点实验室，重庆400042)

0 引言

脑机接口［1］(brain-computer interface，BCI)是一种人机接口方式，目的是建立一种不依赖于脑的正常输出通路(外周神经系统与肌肉组织)的脑—机通信系统，实现人脑与计算机或其他电子设备的通信和控制。BCI可以为那些思维正常，但不能通过说话或肢体运动来表达想法或操作设备的人提供一种新的通信与控制方式。

根据BCI利用的脑电信号和方式的不同，BCI研究方法［2］有以下几类:事件相关电位P3000;视觉诱发电位(video evoked potential，VEP);事件相关同步或去同步(eventrelated synchronizations or desynchronizations，ERS/ERD);皮层慢电位(slow cortical potential，SCP);自发 EEG信号。VEP不需要训练，由于诱发电位出现在特定时间，其信号检测和处理方法较简单，且正确率较高，但需要额外的刺激装置提供刺激，并且依赖于人的视觉。当视觉刺激的频率比较高(大于4 Hz或6 Hz)时，记录到的VEP称为稳态VEP，当视觉刺激频率比较低，刺激的间隔时间大于VEP时程时，记录到的VEP称为瞬态VEP。瞬态反应和刺激之间呈一一对应的因果关系。

鉴于稳态视觉诱发电位在应用中存在一定的局限性，本文选择瞬态视觉诱发电位作为研究对象。

BCI技术研究的关键是如何快速有效地提取诱发电位的特征和提高识别准确率。本文采用累加平均和小波分解对脑电信号做预处理，采用主成分分析(principal component analysis，PCA)法提取视觉诱发电位特征，采用K近邻(K-nearest neighbor，KNN)法进行模式识别。

1 数据的获得

本文数据来源于本课题组构建的脑—机接口系统［3］，受试者头戴电极帽，距屏幕70 cm左右，在刺激界面开始闪烁后注视要选择的目标。测试电极至于枕骨粗隆部位的Oz，参考电极置于头顶Cz，右腿驱动置于耳后。在刺激界面上下左右共有4个刺激模块，刺激方式采用同频次复合刺激，即在单位时间内各个视觉刺激模块闪烁的次数相同，但各个刺激模块闪烁的开始时刻依次错开。每次实验，受试者注视其中一个要选择的目标，4个刺激模块闪烁一轮后，完成一次选择。根据不同刺激模块开始闪烁的时刻不同，将会得到分别与4个刺激模块对应的脑电数据，受试者在实验中注视的刺激模块对应的脑电数据称为目标样本，其他3个刺激模块对应的脑电数据称为非目标样本，这4个样本称为一组样本。

2 特征提取与分类算法

2.1 累加平均和小波滤波

脑电信号十分微弱，幅值约为5～200μV，淹没在很强的背景噪声和干扰中，因此，要想提取出诱发电位，需要首先提高脑电信号的信噪比。本文采用电生理测量中常用的累加平均法［4］与小波分解相结合。

小波分析［5］是将时域和频域结合起来的时频分析方法，小波变换系数能反映信号在时域及频域的局部信息，因此，适合处理视觉诱发脑电信号［6］。采用Mallat正交小波变换快速算法实现信号的小波变换，设原始输入信号为f(x)，则 A0=f(x)，Mallat 算法可以描述为

信号 f(x)在第 j层的分解结果为［Aj，Dj，…，D1］。比如j=3时，分解结构树如图1所示。

图1 多层分解结构树Fig 1 Multi-level decomposition structure tree

由于五阶Daubechies小波是在给定消失矩的条件下具有最小支集的小波，且具有一定的平滑性，与视觉诱发电位较相似，所以，采用db5小波对累加平均后的信号分解。实验研究表明:瞬态视觉诱发电位信号主要集中在中低频段，噪声主要集中在高频段和低频段，故可选取诱发电位比较集中的频段来提取信号。当采样频率为200 Hz时，诱发电位主要集中在小波分解第4～5尺度上的细节分量，对应频段是3.125～12.5 Hz，所以，对脑电信号进行5 尺度小波分解。本文提取D5和D4两层细节系数重构后的波形与累加平均后的信号波形对比图如图2。

图2 重构信号对比Fig 2 Comparison of reconstructed signal

由上图可以看出:D5和D4两层系数包含识别瞬态视觉诱发电位的特征信息，信号的幅度是脑电信号放大后的结果。

2.2 PCA

PCA［7］是一种典型的统计分析方法，该方法将维数较高、彼此间存在一定相关性的原始特征变换成彼此相互独立的但能反映原始特征信息的低维特征，起到数据降维作用，在模式识别中有着广泛的应用。

算法的具体过程如下:

1)样本经过小波滤波后维数从60降到22，作为PCA的输入。设训练样本为T1，T2，T3……TM，其中，M为偶数，序号为1－M/2的样本为目标样本，序号为(1+M/2)－M的样本为非目标样本。在一组样本中有一个目标样本和3个非目标样本，为减少由于训练样本不均衡可能带来的误差，本文将目标样本重复使用3次，以使目标样本与非目标样本数量相等。则协方差矩阵为

协方差矩阵S包含了所有变量之间的相关性度量，对角线上的元素越大，表明变量的重要性越高，越小则表明可能是存在的噪声或是次要变量。

2)接下来寻找一组正交向量，使其可以很好地描述数据的分布，这组向量应满足式(3)和式(4)

其中，λk和uk是协方差矩阵S的特征值和特征向量。

3)将步骤2得到的特征值按照降序排列，取前m个最大的特征值，λ1＞λ2＞…＞λm，特征向量也对应排序，于是得到特征空间［u1，u2，…，um］。ωk=uTk(T－Ψ)即为样本T的第k个主成分。

4)将训练样本和测试样本分别投影到特征空间

图3为取前2个主成分的样本分布图。

图3 主成分分布图Fig 3 Distribution diagram of principal component

为提高识别准确率，本文保留90%的主要成分，样本特征维数降到5～6维，明显小于22，因此，达到降维的目的。相同比例主成分的维数存在细小差别，这是由不同的受试者脑电存在差异导致的。

2.3 KNN 算法

KNN算法［8］是一种非常有效的非参数化分类器，主要思想是训练样本为n维时，每个样本代表n维空间的一个点，所有样本都位于此n维空间中。给定一个未知样本X，在这个n维空间内，找出与X距离最近的k个训练样本作为X的k个近邻，这k个近邻中多数属于哪一类，就把未知样本X归于哪一类。本文中k取7，判断阈值取6，即1个测试样本的7个近邻中有大于等于6个近邻属于目标样本，则判断该测试样本属于目标样本。例如:图3所示情况，测试样本的7个近邻都是目标样本，因此，判断改测试样本为目标样本。

本文的最终目的是从一组样本中识别出受试者的选择，首先对一组中的4个测试样本分别进行提取诱发电位和模式识别，判断是否属于目标样本，如果通过识别只有1个测试样本属于目标样本，则该测试样本对应的刺激模块即为受试者的选择;如果识别出有多个测试样本属于目标样本，则取k个近邻中属于目标样本数最多的测试样本作为最终选择;如果仍有多个测试样本的k个近邻中属于目标样本的数量相同，则取其中与目标训练样本距离最小的测试样本作为最终选择。

3 实验结果

由于每个人的脑电信号都存在着差异，为提高识别率，本文为每个受试者建立一个数据库，训练样本和测试样本均来自各自的数据库。本文取16组脑电数据样本作为训练样本，20组作为测试样本。受试者为三名健康男性，实验结果见表1。

表1 实验结果对比Tab 1 Comparison of experimental results

通过实验结果对比可以验证选用小波分解的必要性，同时也证明了KNN比最近邻效果更好，减少了由单个最近邻点决定结果可能引起的误差。

4 结论

在本文中，小波分解的目的在于提取出可识别的诱发电位信号，而不要求对信号进行精确的重构，因此，小波滤波器的频带设得比较窄，信号存在一定程度的失真，但这种失真不影响对脑电信号的识别。实验结果证明:采用少量次累加平均和小波分解滤波相结合提高信噪比，采用PCA提取诱发电位特征，采用KNN算法进行模式识别，对于识别瞬态视觉诱发电位具有较好的效果。

［1］高上凯.浅谈脑—机接口的发展现状与挑战［J］.中国生物医学工程学报，2007，26(6):801－809.

［2］何庆华.基于视觉诱发电位的脑机接口实验研究［J］.生物医学工程杂志，2004，21(1):93－96.

［3］王 永，何庆华，田逢春，等.基于FPGA的脑机接口实时系统［J］.电子技术应用，2009(4):133－136.

［4］吴宝明，廖维宏.诱发电位检测信号处理技术进展［J］.创伤外科杂志，2001，3(1):67－68.

［5］葛哲学，沙 威.小波分析理论与Matlab R2007实现［M］.北京:电子工业出版社，2007:10.

［6］何庆华，吴宝明，彭承琳，等.基于小波和神经网络的视觉诱发电位识别方法［J］.仪器仪表学报，2007，28(6):1003－1006.

［7］Jin Jing，Wang Xingyu，Wang Bei.Classification of direction perception EEG based on PCA-SVM［J］.Natural Compulation，2007，2:116－120.

［8］边肇祺，张学工.模式识别［M］.2版.北京:清华大学出版社，2000.