新穎的穩(wěn)態(tài)視覺誘發(fā)電位腦機(jī)接口系統(tǒng)

喬 敏，張德雨，劉思宇，閆天翼，相 潔

1.太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院，太原030600

2.北京理工大學(xué) 機(jī)電學(xué)院，北京100081

3.北京理工大學(xué) 生命學(xué)院，北京100081

腦機(jī)接口（Brain-Computer Interface，BCI）可以自動(dòng)識(shí)別人的意圖，利用的是大腦的信號(hào)，能不依賴于神經(jīng)系統(tǒng)和肌肉去控制外部設(shè)備，進(jìn)而與外界交流互動(dòng)。該技術(shù)廣泛用于術(shù)后康復(fù)訓(xùn)練、重癥及殘障人士的護(hù)理、智能假肢以至機(jī)械設(shè)備控制等方面[1-3]。與其他方法相比，SSVEP需要記錄的腦電數(shù)據(jù)通道少，無需訓(xùn)練，還可以獲得較高的識(shí)別度。然而，目前研究通常采用在一塊靜態(tài)背景的不同位置上輸出不同頻率閃爍，每一個(gè)閃爍對(duì)應(yīng)一種固定頻率，同時(shí)對(duì)應(yīng)著某個(gè)固定的指令，如用于腦控輪椅的方向信息，用于腦控打字的字母信息等。例如，Omid及其團(tuán)隊(duì)[4]就在黑色屏幕背景的上、下、左、右四個(gè)方向上分別施加不同頻率的閃爍刺激，實(shí)現(xiàn)了重癥病人的醫(yī)護(hù)人員召喚及食物請(qǐng)求等不同需求。國內(nèi)清華大學(xué)高上凱教授團(tuán)隊(duì)的陳小剛博士[5]實(shí)現(xiàn)了利用SSVEP腦控打字，可以輸出26個(gè)英文字母、10個(gè)數(shù)字以及部分功能按鍵等，在他們的研究中，字母、數(shù)字等以陣列閃爍的形式存在，使用者依次注視不同的字母，即可實(shí)現(xiàn)字符的輸入與輸出。

這些范式主要是在靜態(tài)背景下輸出刺激閃爍，被試無法直觀地獲取被腦電控制物體的實(shí)時(shí)狀態(tài)，而且可能更容易導(dǎo)致視覺疲勞。所以近期部分研究者提出了基于增強(qiáng)現(xiàn)實(shí)的SSVEP研究。例如：Si-Mohammed及其團(tuán)隊(duì)[6]在2018 年使用基于增強(qiáng)現(xiàn)實(shí)的SSVEP 實(shí)現(xiàn)了腦電對(duì)智能車的控制，研究者們使用固定攝像機(jī)的采集圖像，而非純色背景，在增強(qiáng)現(xiàn)實(shí)背景上疊加SSVEP閃爍刺激，分別對(duì)應(yīng)前進(jìn)、左轉(zhuǎn)、右轉(zhuǎn)，并以此控制車按指定路線前進(jìn)。Yang Chenguang及其團(tuán)隊(duì)于2018年基于物體追蹤實(shí)現(xiàn)了增強(qiáng)現(xiàn)實(shí)背景與增強(qiáng)現(xiàn)實(shí)刺激的腦控機(jī)械臂系統(tǒng)，并以腦電控制機(jī)械臂直接抓取物體。然而，對(duì)于當(dāng)前基于增強(qiáng)現(xiàn)實(shí)（AR）的SSVEP 研究存在以下問題：（1）其刺激方式為閃爍的黑白塊，固定在某些位置，而實(shí)際應(yīng)用中所識(shí)別的目標(biāo)物體大多是動(dòng)態(tài)的。（2）當(dāng)前研究中，由于SSVEP 需要快速的閃爍，使得其對(duì)物體識(shí)別的速率要求極高，所以在識(shí)別增強(qiáng)現(xiàn)實(shí)SSVEP 腦電信號(hào)時(shí)引入了濾波器組相關(guān)分析方法（FBCCA）[7]。（3）當(dāng)前研究中，增強(qiáng)現(xiàn)實(shí)SSVEP對(duì)腦電影響的分析較少，因此限制了其在增強(qiáng)現(xiàn)實(shí)SSVEP 系統(tǒng)的優(yōu)化空間。

1 系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)框架

增強(qiáng)現(xiàn)實(shí)腦機(jī)接口系統(tǒng)由以下幾個(gè)部分構(gòu)成，系統(tǒng)框架結(jié)構(gòu)如圖1所示：（1）增強(qiáng)現(xiàn)實(shí)刺激模塊，采用基于視覺與多線程異步運(yùn)行的方法，向使用者輸出場(chǎng)景感知與追蹤指定物體的視覺刺激。（2）腦電采集模塊，在研究的系統(tǒng)結(jié)構(gòu)中，腦電采集設(shè)備通過LSL（Lab Streaming Layer）[8]進(jìn)行數(shù)據(jù)傳輸，所以增強(qiáng)現(xiàn)實(shí)腦機(jī)接口可支持多種腦電采集設(shè)備。（3）腦電分析模塊，采用濾波器組典型相關(guān)分析（FBCCA）[7]方式實(shí)現(xiàn)對(duì)人腦意圖的分類。（4）機(jī)械臂控制模塊，外部設(shè)備根據(jù)實(shí)時(shí)分析出來的結(jié)果，通過TCP/IP協(xié)議傳輸?shù)綑C(jī)械臂控制系統(tǒng)，完成相應(yīng)動(dòng)作，實(shí)現(xiàn)使用者的操作意圖。

圖1 增強(qiáng)現(xiàn)實(shí)腦機(jī)接口系統(tǒng)框架

當(dāng)系統(tǒng)開機(jī)以后，增強(qiáng)現(xiàn)實(shí)刺激模塊通過預(yù)設(shè)的模型庫匹配場(chǎng)景中的指定物體，將物體以一定的頻率標(biāo)記，作為刺激顯示呈現(xiàn)給被試。

1.2 腦電分析模塊

實(shí)驗(yàn)采用德國Brain Products公司的放大器和腦電采集設(shè)備，利用公司自帶的BrainVision Recorder 記錄軟件記錄并保存數(shù)據(jù)，在線實(shí)驗(yàn)中該軟件可以作為服務(wù)器通過LSL 協(xié)議傳輸數(shù)據(jù)，實(shí)驗(yàn)記錄數(shù)據(jù)時(shí)設(shè)置0.5～48 Hz的帶通濾波。

目前SSVEP腦機(jī)接口系統(tǒng)的腦電在線分類有兩種代表性思路，第一種先對(duì)信號(hào)先進(jìn)行頻域變換，然后使用機(jī)器學(xué)習(xí)算法進(jìn)行分類；第二種是對(duì)時(shí)域信號(hào)使用相關(guān)性算法進(jìn)行分類，其中具有代表性的算法就是CCA（Canonical Correlation Analysis，典型相關(guān)分析算法）[9-11]。第一種思路需要對(duì)被試首先采集一段腦電數(shù)據(jù)，然后訓(xùn)練模型，最后進(jìn)行在線分類；而第二種思路具有不需訓(xùn)練、能夠直接進(jìn)行在線分類的優(yōu)勢(shì)。因此，在系統(tǒng)設(shè)計(jì)中，采用濾波器組典型相關(guān)分析方法（FBCCA）[7]，對(duì)傳統(tǒng)的CCA方法進(jìn)行了改進(jìn)。在SSVEP范式中，CCA方法經(jīng)常被用到，該方法用來量化兩個(gè)多維變量之間的相關(guān)性。而本研究采用的濾波器組典型相關(guān)分析方法，是利用SSVEP 信號(hào)中的諧波信號(hào)提高頻率識(shí)別準(zhǔn)確率。FBCCA 的基本思想是SSVEP 電位中，基頻信號(hào)的幅度常常會(huì)大于諧波信號(hào)，并且諧波信號(hào)會(huì)隨著諧波數(shù)增加而減弱，但對(duì)應(yīng)的信噪比卻減弱得很小，這表明諧波信號(hào)相對(duì)于周圍的噪聲信號(hào)仍具有很強(qiáng)的辨識(shí)性。圖2是該算法的流程框圖。

圖2 FBCCA算法框圖

FBCCA基本流程：

步驟1 濾波器組分析。

首先，濾波器組分析用多個(gè)具有不同帶通的濾波器進(jìn)行子帶分解。帶通濾波提取EEG 信號(hào)中的子帶成分，濾波使用IIR濾波器。濾波分析后，各子帶分量分別進(jìn)行標(biāo)準(zhǔn)CCA，得到子帶分量和預(yù)定參考信號(hào)（與刺激頻率相一致的頻率）的相關(guān)值。其中第k個(gè)信號(hào)的向量ρk包含n個(gè)相關(guān)值，定義如下：

其中，ρ(x,y)表示x和y之間的相關(guān)系數(shù)。目標(biāo)識(shí)別特征是由一個(gè)相關(guān)值的平方加權(quán)和計(jì)算得到，對(duì)應(yīng)所有子帶成分（如ρ1k）。

其中，n是子帶的索引。根據(jù)研究發(fā)現(xiàn)，SSVEP 諧波的SNR隨著響應(yīng)頻率的增加而降低，子帶分量的權(quán)重定義如下：

其中，a和b是使分類器性能最大化的常數(shù)，可以使用離線分析的網(wǎng)格搜索方法確定a和b。公式等號(hào)左邊ρ用來確定SSVEP頻率，對(duì)應(yīng)所有刺激頻率。其中，ρ的最大值所對(duì)應(yīng)的參考信號(hào)的頻率就被確定為SSVEP的頻率。

步驟2 穩(wěn)態(tài)視覺誘發(fā)電位腦電信號(hào)的子帶成分與參考信號(hào)計(jì)算CCA。

構(gòu)造腦電信號(hào)模板。由于10 Hz 的SSVEP 刺激信號(hào)會(huì)在10 Hz及倍頻（如20 Hz、30 Hz等）處產(chǎn)生誘發(fā)腦電，同時(shí)考慮到較高倍頻處誘發(fā)的SSVEP信號(hào)較弱，因此在本研究中只分析10 Hz與20 Hz處的誘發(fā)腦電。構(gòu)造模板信號(hào)X,X維度為12×N（其中N為分析信號(hào)點(diǎn)數(shù)，N=f×T,f為信號(hào)頻率，T為分析信號(hào)時(shí)間長度）。X的前六行為頻率10 Hz，相位間隔為60°的正弦波；后六行為頻率20 Hz，相位間隔為60°的正弦波。同理，也可以將8 Hz、10 Hz、15 Hz的腦電模板構(gòu)造出來。

數(shù)據(jù)標(biāo)準(zhǔn)化。實(shí)驗(yàn)中獲取一段時(shí)間的腦電信號(hào)Y,Y維度為C×N（其中C為通道數(shù)；N為分析信號(hào)點(diǎn)數(shù)，N=f×T,f為信號(hào)頻率，T為分析信號(hào)時(shí)間長度）。為了便于計(jì)算，第一步需要對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，得到均值是0方差是1的數(shù)據(jù)。這里，默許X、Y都是標(biāo)準(zhǔn)化后的數(shù)據(jù)。

CCA 求解問題簡化。分別線性表示這兩個(gè)矩陣，投影到一維空間，對(duì)應(yīng)的投影向量命名為a、b。因此，

算出最大化后對(duì)應(yīng)的投影向量a、b是典型關(guān)聯(lián)分析的思路，即：

同時(shí)：

由于X,Y均值為0：

令SXY=cov(X,Y)，則優(yōu)化目標(biāo)轉(zhuǎn)化為：

固定分母，優(yōu)化分析，優(yōu)化目標(biāo)在此可以轉(zhuǎn)化為：

其中，aTSKXa=1,bTSYYb=1。

步驟3 CCA 算法的SVD 求解。令，可以得到：

優(yōu)化目標(biāo)轉(zhuǎn)化為：

其中，uTu=1,vTv=1。

在這里，可以將u和v視作矩陣的某一個(gè)奇異值對(duì)應(yīng)的左右奇異值向量。利用奇異值分解，可以得到M=UΣVT，其中M與V為M的左右奇異向量矩陣，Σ為M的奇異值構(gòu)成的對(duì)角矩陣。因此可以得到：

這樣，目標(biāo)接下來就是M的最大奇異值。接下來，利用左右奇異變量u與v可以求出X與Y的投影矩陣a與b（在本研究中只需要求出最大相關(guān)系數(shù)即可）。在以上的步驟中，可以分別求解出腦電信號(hào)Y與四種刺激頻率（8 Hz，10 Hz，12 Hz 和15 Hz）下參考信號(hào)X的最大相關(guān)系數(shù)。

步驟4 目標(biāo)識(shí)別。

相關(guān)系數(shù)ρ的最大值所對(duì)應(yīng)的參考信號(hào)的頻率就是受試者當(dāng)時(shí)所看到的刺激目標(biāo)頻率，也就是SSVEP的頻率。

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 被試者

北京理工大學(xué)研究生，共8人，年齡23～30歲，實(shí)驗(yàn)前均表示無疾病，視力正?；蛘呓?jīng)過矯正后正常。受試者均有過做腦電實(shí)驗(yàn)的經(jīng)歷，在本項(xiàng)實(shí)驗(yàn)前保證了充足的睡眠時(shí)間，并將頭發(fā)洗干凈。離線數(shù)據(jù)采集和在線實(shí)驗(yàn)均在正常環(huán)境中進(jìn)行，沒有屏蔽外界的電磁干擾和周圍同學(xué)走動(dòng)的干擾等。

2.2 實(shí)驗(yàn)范式設(shè)計(jì)

為模擬真實(shí)的腦機(jī)接口應(yīng)用場(chǎng)景，實(shí)驗(yàn)數(shù)據(jù)采集時(shí)未在屏蔽室進(jìn)行，而是在日常的實(shí)驗(yàn)室環(huán)境下，所以周圍會(huì)有人員走動(dòng)的干擾和環(huán)境中的其他干擾。視覺刺激顯示在27 英寸的LED 屏幕上，屏幕幀速率為60 Hz，最高亮度為600 nit。受試者坐在離屏幕60 cm[12]的地方。采用干電極（O1，O2，Oz，P3）對(duì)被試者的腦電進(jìn)行采集，電極位置分布采用10-20 國際標(biāo)準(zhǔn)放置法[13]，放大器中記錄腦電圖（EEG），電極以（Cz）作為參考，以前額為地。這樣的電極配置可以覆蓋視覺皮層。使用ActiCHamp-32 放大器（BrainProduct，德國）以500 Hz的頻率記錄腦電圖數(shù)據(jù)，使用工作站（Intel 8700K CPU、16 GB-DDR5 RAM、Nvidia GTX1060 圖形卡）做刺激呈現(xiàn)以及數(shù)據(jù)分析。圖3 顯示了實(shí)驗(yàn)的環(huán)境配置及電極位置。

圖3 實(shí)驗(yàn)環(huán)境配置及電極位置

當(dāng)被試者被告知實(shí)驗(yàn)方案，并完全同意后，他們按上述方案佩戴腦電采集設(shè)備，并完成4組SSVEP數(shù)據(jù)采集實(shí)驗(yàn)。每組實(shí)驗(yàn)由20 個(gè)Block 組成。在每個(gè)Block中，都有4 個(gè)目標(biāo)以不同頻率閃爍，參與者按照提示注視某一目標(biāo)。每一個(gè)Block 持續(xù)12 s，包括6 s 的刺激，以及6 s 的休息時(shí)間。在第一組實(shí)驗(yàn)中，靜態(tài)背景下呈現(xiàn)4個(gè)固定目標(biāo)（分別以8、10、12、15 Hz頻率閃爍）。被試在每個(gè)Block中被提示隨機(jī)注視其中的一個(gè)目標(biāo)。第二組實(shí)驗(yàn)中，閃爍塊以1 000 px/s的速度左右移動(dòng)，閃爍塊的大小與第一組實(shí)驗(yàn)中的一致，同樣的，實(shí)驗(yàn)進(jìn)行4組，每組20個(gè)block。在線實(shí)驗(yàn)中，利用一個(gè)實(shí)時(shí)高速攝像頭，被試可以直觀感受到外部環(huán)境，攝像頭置于機(jī)器人頭部，置物架以預(yù)先設(shè)定好的采用機(jī)器視覺追蹤并以特定頻率閃爍塊標(biāo)記物體（如圖4（c）中橙子的標(biāo)記是12 Hz閃爍塊），機(jī)器視覺追蹤采用深度學(xué)習(xí)方法追蹤目標(biāo)，實(shí)時(shí)獲取目標(biāo)坐標(biāo)位置信息并進(jìn)行頻率標(biāo)記。系統(tǒng)語音提示受試者需注視目標(biāo)后，被標(biāo)記的物體開始閃爍，系統(tǒng)分析1 s 后給出分類結(jié)果，機(jī)械臂進(jìn)行抓取動(dòng)作（比如分類結(jié)果是12 Hz，機(jī)械臂執(zhí)行抓取橙子動(dòng)作）。此組在線實(shí)驗(yàn)系統(tǒng)提示受試者0.25 s，采集1 s，休息0.25 s。

圖4 AR-SSVEP實(shí)驗(yàn)設(shè)計(jì)

2.3 目標(biāo)檢測(cè)及跟蹤

在目標(biāo)檢測(cè)中，使用遷移學(xué)習(xí)方法，對(duì)計(jì)算機(jī)視覺領(lǐng)域前沿算法模型進(jìn)行再訓(xùn)練。本系統(tǒng)采用TinyYOLOv3模型，首先，下載已有的YOLOv3 模型[14]；第二步，獲取200 張要追蹤的物體照片；第三步，劃分訓(xùn)練集與驗(yàn)證集（此處，使用對(duì)數(shù)據(jù)集使用了樣本增強(qiáng)辦法，擴(kuò)充到了2 000 個(gè)樣本）；第四步，與YOLOv3 論文中進(jìn)行相同的參數(shù)設(shè)置，單獨(dú)修改模型最后一層，凍結(jié)前面的模型層，使用實(shí)驗(yàn)室的GPU 進(jìn)行訓(xùn)練；第五步，使用驗(yàn)證集對(duì)模型進(jìn)行評(píng)估，同時(shí)在真實(shí)場(chǎng)景下對(duì)模型識(shí)別率進(jìn)行測(cè)試。然后，將遷移學(xué)習(xí)得到的模型用于實(shí)時(shí)物體檢測(cè)當(dāng)中，可以實(shí)時(shí)輸出每一幀中的檢測(cè)目標(biāo)（多個(gè)）的Bounding Box（矩形框的四個(gè)點(diǎn)坐標(biāo)）。

接下來，使用密度直方圖估計(jì)方法，對(duì)前后兩幀中識(shí)別的多個(gè)檢測(cè)目標(biāo)進(jìn)行匹配。從而實(shí)現(xiàn)物體追蹤。

具體實(shí)現(xiàn)過程如下：對(duì)攝像頭第n幀采集的畫面進(jìn)行物體檢測(cè)，檢測(cè)出m個(gè)動(dòng)態(tài)物體，計(jì)算出m個(gè)物體所在的區(qū)域（Bounding Box）密度直方圖。之后，將第n+1 幀畫面中的計(jì)算結(jié)果與第n幀畫面中的計(jì)算結(jié)果進(jìn)行匹配。以此類推，實(shí)現(xiàn)了整個(gè)物體的追蹤過程。

3 實(shí)驗(yàn)與結(jié)果

3.1 靜態(tài)刺激下實(shí)驗(yàn)數(shù)據(jù)分析

時(shí)間窗口長度（Time Window Length，TWL）[15-16]是在穩(wěn)態(tài)視覺誘發(fā)電位范式中頻率識(shí)別正確率的影響因素，是指算法每次進(jìn)行頻率識(shí)別所利用的信號(hào)時(shí)間長度，它等于信號(hào)長度與采樣率的比值[15-17]。

離線數(shù)據(jù)分類利用FBCCA 算法對(duì)SSVEP 信號(hào)進(jìn)行頻率識(shí)別，分別在時(shí)間窗口長度為0.5 s、1 s、1.5 s、2 s、2.5 s、3 s、3.5 s 時(shí)，對(duì)8 名受試者腦電信號(hào)進(jìn)行頻率識(shí)別。圖5 所示為不同時(shí)間窗口下各個(gè)受試者信號(hào)分類準(zhǔn)確率。由圖可知：隨時(shí)間窗口長度增加，信號(hào)的分類準(zhǔn)確率逐漸增大。這是因?yàn)闀r(shí)間窗口長度越大，選取不同的刺激頻率，由通道信號(hào)和參考信號(hào)得到的相關(guān)值ρ越精確，此時(shí)ρk對(duì)應(yīng)的參考信號(hào)的頻率就是SSVEP 的刺激頻率。

圖5 靜態(tài)刺激信號(hào)分類準(zhǔn)確率（0.5～3.5 s，步長0.5 s）

3.2 動(dòng)態(tài)刺激下實(shí)驗(yàn)數(shù)據(jù)分析

在第二組實(shí)驗(yàn)中，把動(dòng)態(tài)刺激作為在增強(qiáng)現(xiàn)實(shí)和SSVEP 結(jié)合下的模擬實(shí)驗(yàn)，分析在真實(shí)背景下，大腦視覺區(qū)域?qū)σ苿?dòng)刺激的反應(yīng)。實(shí)驗(yàn)結(jié)果表明，除受試者S5 外，其余受試者在動(dòng)態(tài)刺激下的目標(biāo)識(shí)別準(zhǔn)確率均高于靜態(tài)刺激，如圖6 所示，這表明增強(qiáng)現(xiàn)實(shí)和SSVEP結(jié)合更夠有效提高準(zhǔn)確率，進(jìn)一步提高人機(jī)互動(dòng)性，為以后的腦機(jī)接口研究發(fā)展提供新思路。

圖6 動(dòng)態(tài)刺激信號(hào)分類準(zhǔn)確率（0.5～3.5 s，步長0.5 s）

在腦機(jī)接口系統(tǒng)中，時(shí)間窗口長度會(huì)影響系統(tǒng)通信速率。通信速率可以通過信息傳輸速率（Information Transmission Rate，ITR）[15，18]來表示，其計(jì)算公式如下：

其中，T為時(shí)間窗口長度（TWL），N為實(shí)驗(yàn)中閃爍塊頻率個(gè)數(shù)，P為準(zhǔn)確率，ITR單位是bit/min。在線系統(tǒng)中TWL的選擇需考慮到其對(duì)分類正確率以及系統(tǒng)通信速率的影響。TWL包括目標(biāo)的刺激時(shí)間和兩次目標(biāo)之間的停頓時(shí)間，不同時(shí)間窗口下對(duì)應(yīng)的ITR 顯然不同，表1 列出了不同的SSVEP 刺激方式下，8 個(gè)受試者的平均準(zhǔn)確率對(duì)應(yīng)的ITR。

表1 靜態(tài)和動(dòng)態(tài)SSVEP下不同時(shí)間窗對(duì)應(yīng)的ITR bit/min

由此可以得到，增強(qiáng)現(xiàn)實(shí)和SSVEP 相結(jié)合的這種動(dòng)態(tài)刺激方式下，腦機(jī)接口系統(tǒng)的性能高于傳統(tǒng)的靜態(tài)刺激。同時(shí)，在這兩種情況中，信息傳輸速率隨著時(shí)間窗口的增大先變大后減小，在1 s時(shí)得到最大ITR，分別為70.31 bit/min 和74.27 bit/min。當(dāng)然，在動(dòng)態(tài)刺激下，刺激模塊移動(dòng)的速度和方向可能也會(huì)對(duì)結(jié)果產(chǎn)生影響，本實(shí)驗(yàn)中刺激模塊的移動(dòng)速度設(shè)置為每秒1 000 像素點(diǎn)，是人眼可以輕松跟隨的速度。采用極限思維思考，移動(dòng)速度達(dá)到最快，人眼無法識(shí)別和追蹤，那自然SSVEP 無法誘發(fā)。關(guān)于這些因素的影響也是之后需要研究的一個(gè)內(nèi)容。

不同受試者在這兩種刺激下的準(zhǔn)確率和ITR 有所不同，圖7就是不同受試者在兩種范式下的準(zhǔn)確率比較。

在以上研究的基礎(chǔ)上，讓同一批受試者進(jìn)行在線實(shí)現(xiàn)，實(shí)驗(yàn)場(chǎng)景如圖4（c）所示，繼續(xù)以8、10、12、15 Hz 頻率閃爍標(biāo)記不同實(shí)物。然后分析1 s內(nèi)識(shí)別的平均準(zhǔn)確率，并計(jì)算相應(yīng)ITR。實(shí)驗(yàn)結(jié)果如表2 所示，結(jié)果表明，所有受試者在在線實(shí)驗(yàn)中均取得了較高的正確率，平均正確率為87.66%，平均ITR為50.69 bit/min，達(dá)到了較好的分類效果。系統(tǒng)的在線實(shí)驗(yàn)結(jié)果表明將增強(qiáng)現(xiàn)實(shí)和SSVEP結(jié)合研發(fā)的動(dòng)態(tài)SSVEP腦機(jī)接口系統(tǒng)的可行性。

4 總結(jié)

圖7 受試者在兩組實(shí)驗(yàn)中準(zhǔn)確率隨TWL的變化及兩組的平均

表2 在線實(shí)驗(yàn)中的分類準(zhǔn)確率和ITR

本文研究增強(qiáng)現(xiàn)實(shí)和SSVEP 結(jié)合的腦機(jī)接口系統(tǒng)，利用機(jī)器視覺算法實(shí)現(xiàn)目標(biāo)追蹤，設(shè)計(jì)了一個(gè)動(dòng)態(tài)視覺誘發(fā)電位的BCI系統(tǒng)。離線數(shù)據(jù)分析中利用FBCCA算法對(duì)SSVEP信號(hào)分類，證明了FBCCA算法對(duì)所采集的腦電數(shù)據(jù)分類的有效性，并對(duì)在線系統(tǒng)中的參數(shù)的選擇進(jìn)行了分析和說明。在線系統(tǒng)中，八名受試者通過動(dòng)態(tài)視覺誘發(fā)電位BCI系統(tǒng)控制機(jī)器人抓取，四類任務(wù)下取得了87.66%的平均準(zhǔn)確率。相對(duì)目前大多數(shù)腦機(jī)接口研究只進(jìn)行離線數(shù)據(jù)分析的研究，本文設(shè)計(jì)實(shí)現(xiàn)了增強(qiáng)現(xiàn)實(shí)和SSVEP 相結(jié)合的腦機(jī)接口系統(tǒng)，設(shè)計(jì)了動(dòng)態(tài)視覺誘發(fā)電位的離線和在線實(shí)驗(yàn)，驗(yàn)證了人腦電信號(hào)處理算法在外部設(shè)備控制中的有效性，為將未來的腦控機(jī)器人用于軍事、安防、醫(yī)療護(hù)理、教育、智能家居提供了新思路。