Exd-GCCA的SSVEP信號檢測算法研究

廣東工業(yè)大學(xué) 盧芳安

腦機(jī)接口（BCI）系統(tǒng)旨在大腦和計(jì)算機(jī)之間建立直接連接，這可以幫助重度殘疾人表達(dá)其意圖或控制設(shè)備而無需肌肉運(yùn)動(dòng)，從而摒棄了人類最初的肌肉系統(tǒng)和外周神經(jīng)。常見的腦機(jī)接口系統(tǒng)主要有基于運(yùn)動(dòng)想象（MI）、基于P300以及基于穩(wěn)態(tài)視覺誘發(fā)（SSVEP）。由于SSVEP信號具有較好的信噪比，并且經(jīng)過較少的訓(xùn)練就能很好的進(jìn)行誘發(fā)，同時(shí)還能簡單的從大腦表皮采集到，因此已經(jīng)成為了BCI技術(shù)領(lǐng)域的研究的熱點(diǎn)。因此對SSVEP信號的檢測和分類也成為了研究者們研究的重點(diǎn)。

典型相關(guān)性分析（CCA）算法運(yùn)用到SSVEP信號檢測中，因?yàn)槠溥\(yùn)用到多通道分析，所以效果會(huì)比PSD單通道腦電信號分析有很大的提升。2018年，任務(wù)相關(guān)成分分析（TRCA）在SSVEP分類中的分類效果明顯。該方法是通過TRCA算法求投影濾波矩陣，然后將測試信號進(jìn)行濾波求相關(guān)系數(shù)。最近，基于廣義典型相關(guān)性分析（generalized canonical correlation，GCCA）的潛在共源提?。↙atent common source extraction，LCSE）框架被提出，該方法在分類精度和信息傳輸率上都優(yōu)于TRCA算法。我們在該框架的基礎(chǔ)上提出了一種擴(kuò)展廣義典型相關(guān)性分析（Extended canonical correlation analysis，Exd-GCCA）。Exd-GCCA在分類精度和信息傳輸率較LCSE都有所提升。

1 研究方法

1.1 潛在共源提取框架

LCSE是基于GCCA方法來實(shí)現(xiàn)的一種方法，GCCA基于MAXVAR公式求解模型表示如下：

式中G表示潛在的公共源向量，Wj表示每次試驗(yàn)對應(yīng)的空間濾波器，也是我們所要求的解，Xj表示每次試驗(yàn)得到的SSVEP信號。公式（1）最終的優(yōu)化解為：

其中，G的求解我們可以通過以下的方法求得：

rj I是為在求解過程中防止過擬合而加入的正則化參數(shù)，G的最終可以表示為矩陣M的前幾個(gè)最大特征值對應(yīng)的特征向量構(gòu)成的矩陣。本文中我們采用的是M矩陣的前三個(gè)最大特征值對應(yīng)的三個(gè)特征向量構(gòu)成的矩陣。最終W表示為：

1.2 擴(kuò)展的廣義典型相關(guān)分析

Exd-GCCA是基于LCSE框架進(jìn)行改進(jìn)的方法，主要是將每個(gè)刺激頻率對應(yīng)的參考模板和測試信號經(jīng)過該刺激頻率對應(yīng)的空間濾波器進(jìn)行投影之后求得最大相關(guān)系數(shù)，然后將這些相關(guān)系數(shù)通過公式（5）來求和作為測試信號的分類識別相關(guān)系數(shù)。Exd-GCCA模型的框架如圖1所示。

公式（7）中的使用sign（·）是直接調(diào)用MATLAB中的sign函數(shù)。

圖1 Exd-GCCA模型

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

這項(xiàng)研究是在清華大學(xué)開源SSVEP基準(zhǔn)數(shù)據(jù)集上進(jìn)行的，其中包含35名正常/矯正視力的受試者。數(shù)據(jù)是使用基于指導(dǎo)目標(biāo)選擇的BCI實(shí)驗(yàn)在40個(gè)目標(biāo)上收集的。標(biāo)有8Hz到15.8Hz之間均勻間隔的頻率的目標(biāo)。

每個(gè)受試者的實(shí)驗(yàn)數(shù)據(jù)由六個(gè)block組成，每個(gè)block包含了40次實(shí)驗(yàn)每個(gè)試驗(yàn)總共持續(xù)6s，其中包括視覺提示0.5s和刺激抵消0.5s，然后再進(jìn)行下一個(gè)試驗(yàn)。

2.2 數(shù)據(jù)預(yù)處理

采集到的數(shù)據(jù)最后被處理成mat格式的數(shù)據(jù)集，每個(gè)受試者的數(shù)據(jù)集是一個(gè)4維的數(shù)組（64,1000,40,6），這四維數(shù)組分別代表腦電通道、采樣點(diǎn)、刺激頻率和試驗(yàn)次數(shù)。本文所做實(shí)驗(yàn)的通道是選擇了Pz、PO5、PO3、Poz、PO4、PO6、O1、Oz、O2等9個(gè)通道進(jìn)行分析，采樣頻率為250Hz。在本文的實(shí)驗(yàn)中考慮到視覺潛伏期和分析中使用的EEG數(shù)據(jù)長度l，以間隔[0.14s，(0.14+l)s]提取數(shù)據(jù)。將提取到的實(shí)驗(yàn)數(shù)據(jù)用IIR型帶通濾波器進(jìn)行7-90Hz的帶通濾波。

本文研究還采用了濾波器組分析進(jìn)行預(yù)處理，該方法可以分成兩個(gè)步驟進(jìn)行處理以提高整體性能。在訓(xùn)練數(shù)據(jù)上應(yīng)用濾波器組的第m個(gè)子帶后，測試數(shù)據(jù)在模板中，針對第m個(gè)子帶和第n個(gè)刺激計(jì)算目標(biāo)檢測的相關(guān)特征。所有子帶的相關(guān)特征的加權(quán)平方和用于目標(biāo)分類：

公式（7）中，m是子帶的索引，M是子帶的數(shù)量。為了補(bǔ)償諧波分量隨目標(biāo)頻率的增加而降低的信噪比，將子帶權(quán)重設(shè)置為最后識別的公式為：

其中，T(n)就是公式（5）中求得的相關(guān)系數(shù)經(jīng)過公式（7）的計(jì)算得出來的系數(shù)向量。

2.3 性能評價(jià)

使用分類精度準(zhǔn)確性和ITR來比較本研究中三種方法的性能。分類任務(wù)是通過使用留一法的交叉驗(yàn)證方法進(jìn)行評估的（五次試驗(yàn)用于訓(xùn)練，一次試驗(yàn)用于測試，并且該過程重復(fù)六次）。通過將凝視移動(dòng)時(shí)間設(shè)置為0.5s估算所有受試者的模擬ITR。ITR的求解如公式（9）所示：

其中：P是分類精度，而T是選擇的平均時(shí)間。這項(xiàng)研究使用不同的T（目標(biāo)注視時(shí)間：0.2s至1.4s，間隔為0.2s；注視移位時(shí)間：0.5s）計(jì)算了分類性能。當(dāng)P為1時(shí)，公式（9）中的為0的項(xiàng)可以去掉。

圖2 分類精度和信息傳輸率

2.4 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)使用了TRCA、LSCE兩種方法和Exd-GCCA進(jìn)行了對比。時(shí)間窗口從0.2s取到1.4s，間隔是0.2s，總共取了7個(gè)時(shí)間段的實(shí)驗(yàn)數(shù)據(jù)。對SSVEP基準(zhǔn)數(shù)據(jù)集的35個(gè)受試者都進(jìn)行了實(shí)驗(yàn)，分別計(jì)算他們的分類精度和信息傳輸率。35個(gè)受試者在7個(gè)時(shí)間段的平均分類精度和平均信息傳輸率如圖2所示。

從圖2中可以看到Exd-GCCA方法在分類精度和信息傳輸率上都比其他兩個(gè)方法要好，尤其是我們的方法在時(shí)間窗口較短時(shí)效果更加明顯，在時(shí)間窗口長度較低時(shí)獲得更高的分類精度可以獲得更高的信息傳輸率，我們平均信息傳輸率在0.8s的時(shí)候最高。

當(dāng)提取的數(shù)據(jù)長度較低的時(shí)候，我們所獲得的采樣的數(shù)據(jù)就比較少，這就導(dǎo)致在計(jì)算測試數(shù)據(jù)和參考模板的相關(guān)性時(shí)，兩者的相關(guān)性不強(qiáng)，這可能會(huì)使得最后的分類識別結(jié)果不準(zhǔn)確，從而使得分類精度在時(shí)間窗口長度較低時(shí)分類精度較低。而我們提出的Exd-GCCA方法是把多個(gè)相關(guān)系數(shù)特征結(jié)合起來，這就彌補(bǔ)了時(shí)間窗口較低的時(shí)候，數(shù)據(jù)不足的問題，這也就很好的解釋了我們的方法在時(shí)間窗口較低時(shí)的效果會(huì)比其他兩個(gè)方法要好。而在時(shí)間窗口較長時(shí)，對單個(gè)受試者來說，分類精度已經(jīng)接近了100%，所以提升的不是很多。這也就是圖2中1.4s時(shí)間窗口的平均分類精度提高不多的原因。

結(jié)論：這項(xiàng)研究引入并評估了一種新穎的SSVEP信號識別方法Exd-GCCA，以增強(qiáng)對SSVEP的檢測能力。實(shí)驗(yàn)結(jié)果表明，Exd-GCCA明顯優(yōu)于現(xiàn)有的特定于主題的算法TRCA和LCSE。Exd-GCCA方法是將來自多個(gè)刺激頻率的最大皮爾遜相關(guān)系數(shù)進(jìn)行組合，獲得更多目標(biāo)檢測的信息。同時(shí)也有論文證明了論文中對于GCCA的最大化方差方法用于SSVEP信號檢測中，效果是最佳的。從SSVEP基準(zhǔn)數(shù)據(jù)的評估中獲得的結(jié)果表明，與現(xiàn)有方法相比，該方法在檢測準(zhǔn)確度和ITR方面具有更高的性能。