一種面向嵌入式平臺的腦電信號注意力檢測方法

劉文政，紀(jì)博倫，趙 靖,*，張 偉，吳正平

(1.燕山大學(xué) 電氣工程學(xué)院，河北 秦皇島 066004；2.三江學(xué)院 創(chuàng)新創(chuàng)業(yè)學(xué)院，江蘇 南京 210012)

0 引言

注意力是指人內(nèi)心對某種事物集中能力的描述，它包含信息的獲取、解碼和調(diào)整控制等一系列復(fù)雜的處理過程，是人類進(jìn)行學(xué)習(xí)活動的前提。通過對腦電信號的獲取和解碼實現(xiàn)對注意力水平的檢測，這一技術(shù)在教育和醫(yī)療康復(fù)等領(lǐng)域都有著廣泛的應(yīng)用[1]。在教育領(lǐng)域，檢測多動癥患兒的注意力指數(shù)來進(jìn)行神經(jīng)反饋訓(xùn)練，可以有效改善患兒的注意力水平；在醫(yī)療康復(fù)領(lǐng)域，檢測患者的注意力水平幫助運(yùn)動障礙患者恢復(fù)一定的自主行為能力，提高生活品質(zhì)。

腦機(jī)接口(brain-computer interface,BCI)作為一種不依賴于人的外周神經(jīng)和肌肉直接通過腦電活動來傳遞思維信息的人-機(jī)交互技術(shù)，可以解析出被試者大腦活動信號中攜帶的注意力信息[2]。由于腦電(electroencephalogram,EEG)信號具有非侵入、成本低、方便易用、時間分辨率高的優(yōu)點(diǎn)，因此常被用于注意力檢測的腦機(jī)接口研究[3]。在當(dāng)前研究中，對注意力的檢測通常是通過采集前額葉的EEG信號，提取其中的alpha頻段(8～13 Hz)和beta頻段(13～30 Hz)的能量作為特征進(jìn)行分類[4]。NeuroSky公司開發(fā)了一款高集成度的腦電傳感模塊(TinkGear ASIC Module,TGAM)模塊，其中集成了一種注意力計量算法(Attention Meter Method,AMM)，可以輸出被試者的“eSense專注度”指數(shù)來表征被試者的注意力強(qiáng)度[5]。該模塊基于嵌入式平臺進(jìn)行設(shè)計和實現(xiàn)，具有體積小、功耗低、佩戴方便的優(yōu)點(diǎn)，在娛樂和教育領(lǐng)域的注意力檢測產(chǎn)品中得到了廣泛應(yīng)用[6-8]。但是受到AMM算法檢測精度較低的影響，此類系統(tǒng)容易頻繁輸出錯誤結(jié)果而使被試者產(chǎn)生受挫感，從而降低被試者使用產(chǎn)品的積極性。

為提高注意力的檢測精度，Liu等人[9]提出一種α+β+δ+θ+R算法，通過提取腦電信號中多個頻段的能量特征并進(jìn)行融合分類，提高了對注意力水平的分類精度。本課題組在前期研究中[10]提出了一種優(yōu)化復(fù)雜網(wǎng)絡(luò)算法(Optimized Complex Network Method,OCNM)，通過對單通道腦電數(shù)據(jù)進(jìn)行相空間重構(gòu)，并采用C-C算法[11]和Cao算法[12]優(yōu)化重構(gòu)節(jié)點(diǎn)間的網(wǎng)絡(luò)參數(shù)，得到表征注意力水平的復(fù)雜網(wǎng)絡(luò)模型后，提取該網(wǎng)絡(luò)的平均度和平均聚類系數(shù)進(jìn)行分類。交叉驗證的結(jié)果表明，該算法的分類精度顯著高于AMM算法和α+β+δ+θ+R算法。

OCNM算法雖然能夠取得更高的檢測精度，但是由于對存儲容量和計算資源的需求量大，無法用在資源有限的嵌入式平臺上，這極大地限制了該算法在娛樂和教育類產(chǎn)品中的應(yīng)用潛力[13]。為此，本文針對嵌入式平臺資源有限和OCNM算法計算量大之間的矛盾，從對OCNM算法的范式簡化和參數(shù)優(yōu)選出發(fā)，提出了一種面向嵌入式平臺的改進(jìn)OCNM算法，通過上位機(jī)的離線試驗和STM32平臺的在線試驗，驗證了該算法用于嵌入式平臺注意力檢測的有效性。

1 基于OCNM的注意力檢測方法

1.1 OCNM算法

OCNM算法是在復(fù)雜網(wǎng)絡(luò)分析的基礎(chǔ)上，通過相空間重構(gòu)將單通道腦電信號轉(zhuǎn)換成復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)而提取專注和放松狀態(tài)下的網(wǎng)絡(luò)特征度量，實現(xiàn)對注意力水平的檢測。其中，相空間重構(gòu)部分采用延遲坐標(biāo)嵌入法將一維時間序列通過延遲得到多維時間序列[14]。對一維腦電數(shù)據(jù)x進(jìn)行相空間重構(gòu)，得到如下形式的相空間矢量矩陣

(1)

式中,m為嵌入維數(shù)，τ為延遲時間，M為相空間重構(gòu)后矢量點(diǎn)的個數(shù)。N為有效數(shù)據(jù)的長度，定義N=M+(m-1)τ。將每個相空間矢量Xi(i=1,2,…,M)視為網(wǎng)絡(luò)中的節(jié)點(diǎn)，計算任意兩個相空間矢量之間的歐式距離dij，并根據(jù)如下規(guī)則構(gòu)造復(fù)雜網(wǎng)絡(luò)的鄰接矩陣

(2)

其中，θ為確定兩點(diǎn)之間連接關(guān)系的閾值參數(shù)。對于構(gòu)建好的復(fù)雜網(wǎng)絡(luò)，提取平均度K和平均聚類系數(shù)C作為網(wǎng)絡(luò)的特征，通過線性判別分析(Linear Discriminant Analysis,LDA)分類器進(jìn)行分類。

在OCNM算法中，復(fù)雜網(wǎng)絡(luò)是基于延遲時間τ、嵌入維數(shù)m和閾值θ三個參數(shù)進(jìn)行構(gòu)建的，因此這些參數(shù)的選取對網(wǎng)絡(luò)結(jié)構(gòu)和注意力檢測的精度影響很大。本文分別采用C-C算法和Cao算法來優(yōu)化τ和m，搜索滿足網(wǎng)絡(luò)連通性的最小閾值作為θ。

1.2 基于C-C算法的延遲時間優(yōu)化

延遲時間τ的優(yōu)化能夠有消除相空間重構(gòu)后維與維之間的相關(guān)性。本文使用目前確定延遲時間的常用方法C-C算法來確定最佳延遲時間。C-C算法通過嵌入時間序列的關(guān)聯(lián)積分函數(shù)來確定最佳延遲時間，反映了時間序列相關(guān)性的變化規(guī)律。嵌入時間序列的關(guān)聯(lián)積分函數(shù)為

C(m,N,r,t)=

(3)

式中，M為相空間重構(gòu)后矢量點(diǎn)的個數(shù)，H為階躍函數(shù)，r>0為參考半徑，xi為相空間重構(gòu)后的矢量。將xi分解成τ個互不相關(guān)的時間序列：

S(m,N,r,t)=

(4)

定義S(m,r,t)關(guān)于r的變化量：

ΔS(m,t)=max{S(m,rj,t)}-

min{S(m,rj,t)},

(5)

最優(yōu)延遲時間τ就是S(m,r,N,t)的過零點(diǎn)和ΔS(m,t)的最小值。

1.3 基于Cao法的最小嵌入維數(shù)優(yōu)化

(6)

當(dāng)m→m+1時，

(7)

式中,定義相空間中的點(diǎn)由于維數(shù)增加1而引起的兩個最近鄰向量點(diǎn)間的距離的變化值

(8)

定義gm(i)的均值為

(9)

當(dāng)嵌入維數(shù)從m變化到m+1時，E(m)的變化量為E(m+1)/E(m)。對于有限維系統(tǒng)，E(m)將隨著維數(shù)的增加達(dá)到飽和，即變化量逐漸趨向于1。當(dāng)E(m)的變化穩(wěn)定后，便可以確定一個使相軌跡充分展開的最小的嵌入維數(shù)。

1.4 訓(xùn)練范式

為對OCNM算法進(jìn)行參數(shù)優(yōu)化和分類器訓(xùn)練，需要采集專注和放松兩種狀態(tài)下的多組腦電數(shù)據(jù)，用于估計復(fù)雜網(wǎng)絡(luò)參數(shù)和訓(xùn)練分類器模型，然后提供給在線試驗使用,其訓(xùn)練范式流程如圖1所示。為此，在OCNM方法中采用了如下的訓(xùn)練范式。整個試驗過程在安靜的試驗室中進(jìn)行并由兩部分組成，被試者按要求進(jìn)行專注和放松兩種認(rèn)知任務(wù)：

圖1 OCNM法訓(xùn)練范式流程圖Fig.1 Flowchart of training paradigm for ONCM method

1)放松任務(wù)：被試者背靠在椅子上觀看藍(lán)天白云圖像，從而進(jìn)入放松狀態(tài)。

2)專注任務(wù)：被試者背靠在椅子上，按要求進(jìn)行2位數(shù)乘法的心算任務(wù)，從而進(jìn)入專注狀態(tài)。

被試者需要進(jìn)行40組試驗，每組試驗包括7 s的放松任務(wù)和小于15 s的專注任務(wù)，兩種任務(wù)交替進(jìn)行，共采集40組專注狀態(tài)和40組放松狀態(tài)的腦電數(shù)據(jù)用于參數(shù)訓(xùn)練[15]。

2 面向嵌入式平臺的改進(jìn)OCNM算法

2.1 范式簡化

在注意力檢測參數(shù)的訓(xùn)練過程中，為提取和統(tǒng)計專注和放松兩種狀態(tài)下腦電數(shù)據(jù)的差異性特征，因此需要多次重復(fù)試驗的數(shù)據(jù)支持。為減小多次數(shù)據(jù)采集所需的試驗時間和存儲空間，本文對OCNM算法的試驗范式進(jìn)行了簡化。

在OCNM算法的離線訓(xùn)練中，被試者需要進(jìn)行總計40組試驗，每組試驗包括7 s的放松任務(wù)和小于15 s的專注任務(wù)，因此共需約880 s來采集專注和放松狀態(tài)的訓(xùn)練數(shù)據(jù)，在512 Hz采樣率下的訓(xùn)練數(shù)據(jù)大小為1 760 kB。由于在現(xiàn)有技術(shù)中，對于注意力檢測參數(shù)的訓(xùn)練過程尚未有約定或最優(yōu)的試驗范式，往往是根據(jù)具體的認(rèn)知任務(wù)和應(yīng)用需求進(jìn)行設(shè)計和調(diào)整。為了減少被試者訓(xùn)練所需的任務(wù)時間和訓(xùn)練數(shù)據(jù)量，本文針對專注和放松狀態(tài)腦電信號的緩變特性，在訓(xùn)練范式上進(jìn)行如下改進(jìn)：被試者共開展2次30 s的專注試驗和1次60 s的放松試驗，將采集記錄的連續(xù)數(shù)據(jù)分割為1 s長度的數(shù)據(jù)段，以得到120段腦電數(shù)據(jù)用于參數(shù)訓(xùn)練[16]。范式簡化后的訓(xùn)練試驗的時長總計為132 s，在512 Hz采樣率下的訓(xùn)練數(shù)據(jù)大小為264 kB，在保證訓(xùn)練數(shù)據(jù)足夠的前提下極大地縮短了試驗時間以及減小了數(shù)據(jù)容量。進(jìn)行范式簡化后的訓(xùn)練數(shù)據(jù)采集流程如圖2。

圖2 OCNM法訓(xùn)練分類器流程圖Fig.2 Flowchart of training classifier for ONCM method

首先記錄試驗者專注狀態(tài)下腦電數(shù)據(jù)：試驗者有4 s的休息時間，接著提示試驗者準(zhǔn)備開始專注試驗，有2 s的準(zhǔn)備時間，屏幕上出現(xiàn)三角提示箭頭，2 s之后在箭頭下方出現(xiàn)一道3位數(shù)的乘法運(yùn)算題，試驗者集中注意力計算題目，同時記錄30 s專注狀態(tài)下的試驗數(shù)據(jù)(注：在記錄15 s專注數(shù)據(jù)之后屏幕上的乘法題目會刷新，保證無論試驗者計算速度快慢，試驗者都處于專注狀態(tài)，記錄達(dá)到30 s數(shù)據(jù)之后系統(tǒng)會自動退出)，然后會有4 s的調(diào)整休息時間，此時不記錄試驗數(shù)據(jù)，之后再次開始重復(fù)上一專注試驗過程；總共記錄專注狀態(tài)下2次30 s的腦電數(shù)據(jù)。

然后記錄試驗者放松狀態(tài)下腦電數(shù)據(jù)：試驗者有4 s的休息時間，接著提示試驗者準(zhǔn)備開始放松試驗，有2 s的準(zhǔn)備時間，試驗者按指示注視空白屏幕并進(jìn)入放松狀態(tài)，同時記錄60 s放松狀態(tài)下的試驗數(shù)據(jù)；總共記錄放松狀態(tài)下的1次60 s長度的腦電數(shù)據(jù)。至此采集訓(xùn)練數(shù)據(jù)部分結(jié)束。

2.2 參數(shù)優(yōu)化

在OCNM算法中，需要對嵌入維數(shù)m、延遲時間τ、閾值θ三個參數(shù)進(jìn)行優(yōu)化和估計，所采用的C-C算法、Cao算法以及全連接搜索法的計算量大，運(yùn)算過程復(fù)雜，尚無法在嵌入式平臺上實現(xiàn)。為此，本文對上述參數(shù)對注意力檢測精度的影響進(jìn)行統(tǒng)計分析，通過網(wǎng)格搜索方法選取最優(yōu)經(jīng)驗參數(shù)值來簡化參數(shù)計算的過程。具體實施方法如下：

1)采用簡化后的訓(xùn)練范式，對6名被試者分別采集專注和放松狀態(tài)下的FPz通道腦電數(shù)據(jù)，預(yù)處理后建立離線數(shù)據(jù)集用于參數(shù)的優(yōu)選。

2)在m=6∶1∶10、τ=5∶1∶10、θ=50∶25∶125范圍內(nèi)計算每種參數(shù)組合下的OCNM分類準(zhǔn)確率。理論上參數(shù)選取的范圍是不固定的，采用大范圍隨機(jī)選取參數(shù)組合進(jìn)行準(zhǔn)確率驗證的方法效率極低，而且容易漏掉最優(yōu)參數(shù)組合。在前期研究中發(fā)現(xiàn)，同一被試者的準(zhǔn)確率隨參數(shù)的不同而存在顯著性差異，不同被試者的最優(yōu)參數(shù)存在個體差異性，對多名被試者的統(tǒng)計表明最優(yōu)經(jīng)驗參數(shù)值在這一范圍內(nèi)。

3)分別測試6名被試者在各個參數(shù)組合下的分類準(zhǔn)確率。按照循環(huán)結(jié)構(gòu)依次選取各個參數(shù)，在每個參數(shù)組合下進(jìn)行相空間重構(gòu)、計算特征值、進(jìn)行LDA分類、10×10折交叉驗證計算被試者的分類準(zhǔn)確率數(shù)值，記為Xi(m,τ,θ)∈RNC*NS。其中，NC表示通道，NS表示采樣點(diǎn)，i表示被試者編號。此時為了盡可能地平衡不同被試者之間的個體差異性，選擇出一個符合大多數(shù)被試者的最優(yōu)參數(shù)，利用下式計算這一組參數(shù)值的平均準(zhǔn)確率

(10)

4)通過網(wǎng)格搜索選取平均準(zhǔn)確率最大的參數(shù)組合，作為最優(yōu)經(jīng)驗參數(shù)值以開展后續(xù)的試驗驗證。

3 試驗驗證

3.1 硬件系統(tǒng)

為驗證本文所提出的改進(jìn)OCNM算法，選用Sichiray公司基于TGAM模塊開發(fā)的腦波頭帶設(shè)備采集腦電信號，通過hc-05藍(lán)牙傳輸給搭載STM32F407單片機(jī)的嵌入式平臺進(jìn)行解碼，將改進(jìn)OCNM算法移植到該平臺上進(jìn)行驗證。

1)嵌入式平臺

嵌入式平臺使用STM32F407系列單片機(jī)作為控制芯片。該芯片配備32位高性能的ARM Cortex-M4處理器內(nèi)核，時鐘高達(dá)168 MHz，具有1 024 K的FLASH、192 K的SRAM存儲器容量，提供睡眠、待機(jī)和停止3個低功耗模式，在不需CPU運(yùn)行時節(jié)省功耗。在10×10 mm的封裝內(nèi)，具有114個可耐5 V的IO口，擁有大量通信接口，支持SWD和JTAG調(diào)試。不僅支持浮點(diǎn)運(yùn)算，還具有多種DSP指令集，可以直接使用函數(shù)庫進(jìn)行多種復(fù)雜運(yùn)算，例如求模、濾波和矩陣處理。

該平臺使用14寸TFT-LCD液晶屏幕來顯示被試者的腦電波形，使用hc-05藍(lán)牙來連接腦波頭帶與STM32F407單片機(jī)。提前使用USB轉(zhuǎn)TTL串口把hc-05藍(lán)牙配置成與腦波頭帶相匹配的模式，hc-05作為無線通信模塊插入單片機(jī)IO口，自動搜索并連接Sichiray腦波頭帶實現(xiàn)數(shù)據(jù)傳輸。

2)Sichiray腦波頭帶

Sichiray腦波頭帶使用干電極測量技術(shù)，以512 Hz的采樣率和較高的信噪比采集腦電信號，該設(shè)備在前額正面FPz位置布設(shè)了干電極腦電傳感器，可以采集前額區(qū)域的原始腦電信號并通過藍(lán)牙傳輸?shù)角度胧狡脚_進(jìn)行處理，同時設(shè)備中集成了注意力檢測中常用的AMM算法，方便進(jìn)行兩種算法的對比驗證。

3.2 驗證流程

試驗在無電磁屏蔽的安靜實驗室環(huán)境中進(jìn)行的，共6名被試者參與了本試驗。所有被試者都坐在舒適的扶手椅上，并通過液晶屏幕接受試驗指導(dǎo)。試驗過程分為離線、在線兩個階段[17]。

在離線試驗階段，采集6名被試者腦電數(shù)據(jù)并選取最優(yōu)經(jīng)驗參數(shù)。根據(jù)屏幕提示，被試者分別進(jìn)行相應(yīng)的專注和放松任務(wù)，采集并存儲兩種狀態(tài)下前額FPz通道的腦電數(shù)據(jù)，即作為專注和放松狀態(tài)下兩部分?jǐn)?shù)據(jù)。分別針對各個參數(shù)的選取以及不同的參數(shù)組合，采用10×10折交叉驗證計算系統(tǒng)的分類平均準(zhǔn)確率，分析不同參數(shù)組合對系統(tǒng)分類性能的影響，并為改進(jìn)OCNM算法選取在線參數(shù)。

在在線試驗階段，使用集成了改進(jìn)OCNM算法的嵌入式平臺，對6名被試者的在線分類結(jié)果進(jìn)行測試。在線系統(tǒng)首先采集被試者的訓(xùn)練數(shù)據(jù)，并傳輸?shù)角度胧狡脚_上進(jìn)行分類器的訓(xùn)練；在測試階段實時采集被試者的腦電信號，每隔1 s進(jìn)行一次注意力分類，并將分類結(jié)果顯示在液晶屏上。記專注狀態(tài)為E1，放松狀態(tài)為E2，在線準(zhǔn)確率的統(tǒng)計方法為：試驗過程中由實驗人員給出隨機(jī)口令，當(dāng)隨機(jī)口令為“專注”時，被試者進(jìn)行相應(yīng)的專注任務(wù)如計算三位數(shù)的心算乘法；當(dāng)隨機(jī)口令為“放松”時，被試者進(jìn)入相應(yīng)放松狀態(tài)如觀看空白圖紙。在給出口令后的4 s內(nèi)，若顯示屏上的注意力分類結(jié)果與期望的狀態(tài)變化一致，如E2→E1→E2或E1→E2→E1，則記本次分類結(jié)果正確，否則記本次分類結(jié)果錯誤；被試者 需進(jìn)行30次試驗并統(tǒng)計分類結(jié)果，計算在線分類的平均準(zhǔn)確率。

4 試驗結(jié)果分析

4.1 范式簡化對系統(tǒng)分類性能的影響

考慮到訓(xùn)練數(shù)據(jù)量對分類性能的影響，本文首先對不同訓(xùn)練數(shù)據(jù)量下OCNM算法的分類性能進(jìn)行了離線分析，在10×10折交叉驗證中，對隨機(jī)排序后的72組訓(xùn)練數(shù)據(jù)，分別選取前N組用于OCNM分類器的訓(xùn)練。當(dāng)N取不同值時OCNM算法的分類準(zhǔn)確率如圖3所示。從圖中可知，當(dāng)N=15時，OCNM算法取得最低的平均準(zhǔn)確率66.97%；隨著訓(xùn)練數(shù)據(jù)量的增大，平均準(zhǔn)確率也有所升高，當(dāng)N=65時，取得最高的平均準(zhǔn)確率72.71%；當(dāng)N≥40時，訓(xùn)練數(shù)據(jù)量的增大已經(jīng)不再顯著提高平均準(zhǔn)確率，反而會延長訓(xùn)練時間并增大數(shù)據(jù)存儲負(fù)擔(dān)。

圖3 不同訓(xùn)練數(shù)據(jù)量下的分類準(zhǔn)確率曲線Fig.3 Classification accuracy with different amounts of training data

表1展示了不同訓(xùn)練數(shù)據(jù)量下簡化范式所需的存儲數(shù)據(jù)容量和訓(xùn)練時間。在傳統(tǒng)范式中，每組訓(xùn)練試驗包括7 s的放松任務(wù)和15 s的專注任務(wù)，兩者之間不需要額外的休息時間；在簡化范式中，被試者分別進(jìn)行專注實驗和放松實驗，考慮到被試者注意力的持續(xù)時間有限，每輪專注實驗最多30 s，包含30組訓(xùn)練數(shù)據(jù)，每輪專注實驗之前有6 s時間用于休息和準(zhǔn)備。由表中可知，隨著訓(xùn)練數(shù)據(jù)量的增加，傳統(tǒng)范式和簡化范式所需的存儲容量都隨之增大，但是簡化范式所需的存儲容量和訓(xùn)練時間都要遠(yuǎn)低于傳統(tǒng)范式。

表1 在不同訓(xùn)練數(shù)據(jù)量下的存儲容量和訓(xùn)練時間Tab.1 Storage capacity and training time with different amounts of training data

4.2 參數(shù)的選擇對系統(tǒng)分類性能的影響

在m=6∶1∶10、τ=5∶1∶10、θ=50∶25∶125不同參數(shù)組合下的注意力檢測精度數(shù)據(jù)庫中，按照網(wǎng)格搜索循環(huán)選取一組被試者平均準(zhǔn)確率最高的m,τ,θ的參數(shù)組合值(m=8,τ=10,θ=100)。在已知平均準(zhǔn)確率最高的參數(shù)組合的情況下，依次固定其中兩個參數(shù)值，相應(yīng)改變另一個參數(shù)值，得到6名被試者在相應(yīng)參數(shù)值 變化下的分類準(zhǔn)確率曲線，如圖4所示，其中6名被試者分別編號為Subj1、Subj2、Subj3、Subj4、Subj5、Subj6，average表示6名被試者在相應(yīng)參數(shù)值變化下的分類準(zhǔn)確率。

圖4 參數(shù)變化下的分類準(zhǔn)確率曲線Fig.4 Classification accuracy with parameter changes

m=8、τ=10時，在閾值θ變化的過程中，6名被試者的平均準(zhǔn)確率最高達(dá)到78.75%，最低值是67.92%，平均值達(dá)到72.87%；在所有被試者中，隨著閾值θ的變化，Subj2達(dá)到最高的分類準(zhǔn)確率90.00%，Subj6達(dá)到最低的分類準(zhǔn)確率37.50%。

m=8、θ=100時，在參數(shù)τ變化過程中，6名被試者的平均準(zhǔn)確率最高達(dá)到74.58%，最低值是71.25%，平均值達(dá)到72.64%；在所有被試者中，隨著閾值τ的變化，Subj1達(dá)到最高的分類準(zhǔn)確率85.00%，Subj6達(dá)到最低的分類準(zhǔn)確率52.50%。

τ=10、θ=100時，在參數(shù)m變化過程中，6名被試者的平均準(zhǔn)確率最高達(dá)到76.25%，最低值是70.83%，平均值達(dá)到73.00%；在所有被試者中，隨著閾值m的變化，Subj1達(dá)到最高的分類準(zhǔn)確率87.50%，Subj6達(dá)到最低的分類準(zhǔn)確率55.00%。

分析每個參數(shù)組合的最高和最低準(zhǔn)確率可以得出：不同的參數(shù)會明顯引起分類準(zhǔn)確率差異。

對6名被試者而言，Subj1在m=6、τ=10、θ=100時最高準(zhǔn)確率為87.50%，在m=8、τ=10、θ=200時最低準(zhǔn)確率為75.00%；Subj2在m=8、τ=10、θ=175時最高準(zhǔn)確率為90.00%，在m=8、τ=8、θ=100時最低準(zhǔn)確率為75.00%；Subj3在m=8、τ=10、θ=125時最高準(zhǔn)確率為85.00%，在m=8、τ=10、θ=75時最低準(zhǔn)確率為60.00%；Subj4在m=9、τ=10、θ=100時最高準(zhǔn)確率為80.00%，在m=8、τ=10、θ=250時最低準(zhǔn)確率為70.00%；Subj5在m=8、τ=10、θ=175時最高準(zhǔn)確率為80.00%，在m=8、τ=10、θ=75時最低準(zhǔn)確率為55.00%；Subj6在m=6、τ=10、θ=100時最高準(zhǔn)確率為65.00%，在m=8、τ=10、θ=50時最低準(zhǔn)確率為37.50%。由此可見，不同被試者的最優(yōu)準(zhǔn)確率參數(shù)組合存在差異性。

圖4的試驗結(jié)果顯示，當(dāng)被試者按照傳統(tǒng)OCNM算法選取最優(yōu)參數(shù)后，6名被試者的平均準(zhǔn)確率為75.80%，而采用本文所述的改進(jìn)OCNM算法得到平均準(zhǔn)確率為72.50%，略低于傳統(tǒng)OCNM算法，能夠滿足在線注意力檢測應(yīng)用的需要。但是對于被試者，使用傳統(tǒng)OCNM算法計算一組最優(yōu)參數(shù)大約花費(fèi)10.76 s(驗證平臺為搭載i3-7100處理器的筆記本電腦，主頻3.9 GHz，內(nèi)存4 GB，操作系統(tǒng)64位，參數(shù)計算的時間包括：計算τ平均7.03 s，計算m平均3.39 s，計算θ平均0.34 s)，而改進(jìn)OCNM算法的注意力檢測過程耗時小于1 s，可以有效降低參數(shù)優(yōu)化所需的時間和計算資源。

4.3 參數(shù)的組合對系統(tǒng)分類性能的影響

在已知平均準(zhǔn)確率最高的參數(shù)組合下固定其中一個參數(shù)值，相應(yīng)改變另兩個參數(shù)值，得到6名被試者在相應(yīng)該參數(shù)值變化下的三維分類準(zhǔn)確率曲線，如圖5所示。

由圖5進(jìn)行數(shù)據(jù)分析可以得出：

圖5 不同參數(shù)組合下的分類準(zhǔn)確率曲線圖Fig.5 Classification accuracy with different parameter combinations

當(dāng)τ=10時，在參數(shù)θ和參數(shù)m變化的過程中，在6名被試者中當(dāng)m=8、θ=175時，最高準(zhǔn)確率達(dá)到78.75%，當(dāng)m=10、θ=75時，最低準(zhǔn)確率為66.25%。

當(dāng)m=8時，在參數(shù)θ和參數(shù)τ變化的過程中，在6名被試者中當(dāng)τ=9/10、θ=175時，最高準(zhǔn)確率達(dá)到78.75%，當(dāng)τ=5、θ=75時，最低準(zhǔn)確率為67.08%。

當(dāng)θ=100時，在參數(shù)τ和參數(shù)m變化的過程中，在6名被試者中當(dāng)τ=7、m=6時，最高準(zhǔn)確率達(dá)到77.50%，當(dāng)τ=6、m=10時，最低準(zhǔn)確率為67.08%。

當(dāng)選取最優(yōu)參數(shù)組合m=8、τ=10、θ=100時6名被試者的平均準(zhǔn)確率達(dá)到72.50%，不同參數(shù)組合下系統(tǒng)的平均分類準(zhǔn)確率不同，選取最優(yōu)參數(shù)值組合符合大多數(shù)被試者的分類性能要求，能降低因個體間差異性不同而影響整體準(zhǔn)確率。

4.3 基于嵌入式平臺的在線驗證

表2給出了6名被試者分別使用AMM算法和改進(jìn)OCNM算法取得的在線試驗結(jié)果。結(jié)果顯示在線試驗中改進(jìn)OCNM算法的平均準(zhǔn)確率達(dá)到了77.78%，相比AMM算法提高了7.20%。

表2 在線試驗中不同算法的平均分類準(zhǔn)確率Tab.2 Average classification accuracy of different algorithms in online tests %

對于被試者Subj2，兩種算法取得了相近的平均準(zhǔn)確率(分別為80.00%和80.25%)，而除該被試者外，其余所有被試者使用改進(jìn)OCNM算法都取得的了更高的平均準(zhǔn)確率；尤其對于被試者Subj4和Subj5，改進(jìn)OCNM算法的平均準(zhǔn)確率相比AMM算法分別提高了14.33%和13.58%。

需要注意的是，相比離線試驗中取得72.50%的平均準(zhǔn)確率，改進(jìn)OCNM算法在在線試驗中取得了更高的平均準(zhǔn)確率。一個可能的原因是離線試驗截取的是固定時間窗內(nèi)的腦電數(shù)據(jù)，這段時間內(nèi)被試者如果注意力狀態(tài)出現(xiàn)波動就會輸出錯誤的分類結(jié)果。而在在線試驗中，被試者可以根據(jù)反饋結(jié)果調(diào)整腦電信號的狀態(tài)，只要在給出指令后的4 s內(nèi)輸出所要求的狀態(tài)變化即為分類正確，因而具有更高的平均準(zhǔn)確率。

5 結(jié)論

針對嵌入式平臺存儲空間小、計算資源有限的問題，本文提出了一種面向嵌入式平臺的腦電信號注意力檢測方法，通過范式簡化和參數(shù)優(yōu)選，對前期研究中提出的OCNM算法進(jìn)行了改進(jìn)。離線試驗的結(jié)果表明，改進(jìn)后的OCNM算法將參數(shù)計算所需的時間由10.76 s縮短到1 s以內(nèi)，將被試者的訓(xùn)練時間從880 s縮短到132 s，將訓(xùn)練數(shù)據(jù)大小從1 760 kB減少到264 kB，而平均準(zhǔn)確率相比改進(jìn)前只是略有降低(從75.80%降低到72.50%)，由此可見，改進(jìn)OCNM算法在保持較高準(zhǔn)確率的同時有效降低了對數(shù)據(jù)大小和運(yùn)算時間的要求。本文將該算法在基于STM32F407單片機(jī)的嵌入式平臺上進(jìn)行了實現(xiàn)和驗證，在線試驗的結(jié)果表明，相比于當(dāng)前教育娛樂產(chǎn)品常用的AMM算法，改進(jìn)OCNM算法在6名被試者上取得了更高的平均準(zhǔn)確率。上述試驗驗證了本文提出的改進(jìn)OCNM算法不僅能夠在資源受限的嵌入式平臺上運(yùn)行，而且仍具有較高的注意力檢測精度，故有望用于教育和娛樂領(lǐng)域的相關(guān)產(chǎn)品以提升用戶體驗。