郭苗苗 徐桂芝 王 磊 王 江

(河北工业大学 电气工程学院 生物医学工程系，天津 300130)

引言

脑机接口(brain computer interface，BCI)是一种不依赖于大脑的正常输出通路(即外围神经和肌肉组织)就可以实现人脑与外界(计算机或其它外部装置)直接通信的系统[1]。这种技术在医疗康复领域有着广泛的应用前景，能够为那些神经肌肉受损，丧失肢体控制能力的闭锁综合症患者提供一种与外界交流的通道，改善其生活质量。国内外研究学者对基于视觉的脑机接口范式作了大量的研究，并在实际中得到了广泛应用[2～4]。然而有很多闭锁综合症患者，其视觉通路存在障碍，这就限制了他们对基于视觉的脑机接口系统的使用，因此，有必要研究依赖于听觉的脑机接口范式。

国际上，Hinterberger等最早进行了基于听觉的脑机接口研究，他们通过听觉或视觉反馈自主控制皮层慢电位的幅值，并以此作为脑电信号的特征，获得了较好效果[5]。Sellers等研究了听觉 odd-ball产生的P300诱发电位，并以此作为特征设计了一个具有 4 个选项“Yes”，“No”，“Pass”，“End”的脑机接口实验。结果表明，不论是健康受试者还是闭锁症患者，听觉P300信号均能被很好的激发，同时具有一定的稳定性[6]。在国内，只有清华大学对听觉脑机接口技术进行了研究，郭静等将主观选择注意融入到听觉脑机接口实验中，使受试者收听中文朗读的1至8这八个数字，受试者根据实验前的约定，选择指定的数字产生特征脑电信号[7]。与之前所述分析P300诱发脑电不同，该实验分析的主要成分为听觉处理产生的N200成分以及后续主观注意所产生的晚期正成分，最终平均分类正确率达到80%以上。然而，闭锁症患者在失去自主肌肉控制的同时，注意广度也有所降低，因此，为了提高脑机接口系统的性能应简化实验范式，缩短实验时间。本研究采用三音odd-ball范式，其中包含两种靶刺激，一种非靶刺激。每组实验只要求被试注意其中一种靶刺激，其余声音均为非靶刺激以诱发听觉P300。通过一维离散小波变换获取单次刺激的特征向量，并采用支持向量机对目标和非目标进行识别，以实现二分类的脑机接口。

1 实验方法

1.1 被试

本实验随机选择5名听觉正常的在校学生作为被试，包括三名男生两名女生，被试年龄在22～26岁之间。每名被试在实验前都能明确实验任务，并在实验结束后给予适当的报酬。

1.2 实验范式

对于闭锁综合症的患者，其注意广度也会有所下降，故所设计声音应该清晰，容易分辨，因此设计了三种纯音刺激构成的语音序列。这三种纯音，频率分别为100 Hz、1000 Hz、4000 Hz，声音幅值均为80 dB，持续时间均为100 ms。选取4000 Hz和100 Hz的纯音作为靶刺激1和靶刺激2，1000 Hz的纯音作为非靶刺激，每个刺激的间隔(inter stimulus interval，ISI)为 250 ms～400 ms。每个实验周期包含7种刺激：靶刺激1、靶刺激2和5次非靶刺激，图1所示为一个实验周期的刺激序列。所有刺激随机排列，20个实验周期构成一组实验。每组实验只要求被试注意其中一种靶刺激，听到时计数。每位被试参与4组实验，交替注意靶刺激1和靶刺激2，实验期间要求被试忽略非目标刺激，并对目标刺激进行计数。

Odd-ball实验理论上认为目标刺激的概率越低，P300电位幅值越高。本研究的范式包含7种刺激，每次被试只要求注意其中一种靶刺激，因此目标刺激出现的概率约为14.3%。有研究表明，当目标概率高至33%，仍能产生P300来进行分类。所以从理论上讲，本实验设计可以诱发出P300电位。

图1 纯音刺激序列中的一个基本实验周期Fig.1 A trial of the three-tone stimulus sequence

1.3 数据采集与预处理

6个银/氯化银电极依国际10～20电极安放系统放置，分别置于 Fz、Cz、Pz、Fcz、Cpz 和 Oz 处，参考电极置于耳后双侧乳突处。实验所用放大器为清华大学研发的16导联USB脑电放大器。采集过程中所有电极阻抗保持在5 kΩ以下，信号采样率为1000 Hz。实验期间被试舒适地坐在有扶手的椅子上并戴上耳机，刺激期间被试可以选择双眼微闭或盯着屏幕中央的固定块，以保证注意力集中。

对采集到的EEG数据首先进行20 Hz的低通滤波，然后截取刺激前200 ms到刺激后800 ms的数据，并对每一通道的数据进行分段，得到1000 ms的数据段并对每段数据进行基线矫正。

1.4 利用小波变换进行特征提取

在odd-ball范式中，通过叠加目标刺激的响应可以有效地提取特征P300。然而，在实时脑机接口通信中，叠加平均法由于所需时间长而不能被采用。本文采用一维离散小波变换对预处理后的信号进行处理，以期可以从单次刺激中提取到听觉诱发电位。小波变换是时间和频率的局部变换，能有效地从信号中提取信息，并通过伸缩和平移等运算功能对信号进行多尺度细化分析，通过将原始信号与小波函数进行积分，把信号分解为位于各个不同频带和时段内的成分[8]。

选取B样条小波函数，将单个目标刺激样本的原始信号分解成6个尺度层，得到7个小波系数序列。每个小波系数序列对应于信号不同频带范围的信息，这些频带范围大致对应于D1：256 Hz～512 Hz;D2：128 Hz～256 Hz;D3：64 Hz～128 Hz;D4：32 Hz～64 Hz;D5：16 Hz～32 Hz;D6：8 Hz～16 Hz;A6：0 Hz～8 Hz。每个尺度层包含小波系数的个数与每个频率范围相应的时间分辨率相对应，高频段小波系数的个数多，低频段小波系数个数少。利用样条函数在小波系数间插零可以得到信号在每个频率带的时间过程，如图2所示。

图2 D1，A6尺度层的小波系数以及相应的插值信号。(a)D1层的小波系数;(b)D1层的插值信号;(c)A6层的小波系数;(d)A6层的插值信号Fig.2 The wavelet coefficients in D1，A6 octaves and the interpolated signals in D1，A6 octaves.(a)the wavelet coefficients in D1 octave;(b)the interpolated signals in D1;(c)the wavelet coefficients in A6 octave;(d)the interpolated signals in A6

由于诱发脑电信号主要集中于低频段，噪声主要集中在高频段和中频段，所以选择频率较低的A6层插值信号进行分析。为了进一步缩小数据量，对重构信号进行50 Hz重采样，选取对应时域上250 ms～550 ms的数据点作为特征进行分类。

1.5 SVM分类

SVM是Vapnik等人根据统计学习理论提出的一种新的机器学习方法，它以结构风险最小化准则为理论基础，是一个具有最优分类能力和推广能力的学习机器。采用基于径向基核函数的SVM分类器进行二分类，将提取的特征向量分成训练集和测试集。训练集中一部分为靶刺激记录，另一部分为非靶刺激记录。每位被试参与4组实验，共80个样本，从中随机抽取一半靶刺激记录和非靶刺激记录作为训练数据集，另一部分为测试集，例如第1次测试取1～20，21～40共40组样本为训练集，其余40组为测试集，总共进行8次交叉测试，对每名被试单个电极进行目标与非目标的分类。

2 结果

通过叠加平均oddball实验中的目标刺激响应，可以在刺激后250～700 ms内获得较大的正波。图3所示为某位被试Cz电极的叠加平均波形，可以明显看出目标刺激响应在300～500 ms间有较大的正向峰，而非目标刺激响应波形中则没有明显的P300。

图3 Cz电极的叠加平均波形Fig.3 Grand average waveform from one subject.Solid curves show averaged waveform at electrode Cz for target stimuli

为了验证小波变换可以单次提取特征信号，文中将目标刺激响应A6层小波插值信号与叠加20次目标刺激所得波形进行了对比，如图4所示。图中实线为单次目标刺激小波A6层 的信号，虚线为叠加平均后的波形。通过比较可以看出经过小波变换，同样在300～600 ms之间有最大的正波峰出现，单次小波变换达到与20次叠加平均相当的效果。采用SVM检验特征提取的有效性，对每名被试单个电极进行目标与非目标的分类结果如表1所示，可见采用SVM进行8次交叉测试所得的平均分类正确率及其标准差，可以看出每位被试某些单个电极的分类正确率已经很高，最高可达80%以上，说明采用SVM分类是可行的，能够达到有效区分目标刺激与非目标刺激的目的。

图4 单次A6层小波系数插值信号(实线)与目标刺激的叠加平均(虚线)的对比Fig.4 The single target interpolated signals in A6 octave(solid line) and the average of original target signals(dashed line)

表1 每名被试单个电极的目标与非目标的分类正确率Tab.1 The classification accuracy of each channel for every subjects

3 讨论和结论

文中设计的三音oddball范式易于掌握，靶刺激与非靶刺激可以清晰地区分，而且靶刺激可以稳定诱发出 P300电位，而非靶刺激则没有，因此这种范式可以用于研究二分类的脑机接口。小波变换单次提取特征向量相当于20次样本叠加平均的结果，说明小波变换可以达到特征提取的目的，而且缩短了实验时间。从表1的结果可以看出，每位被试的最高正确率均超过80%，因此采用SVM分类能有效地区分目标刺激与非目标刺激。不同被试的最高正确率分布于不同的电极，这应该是由个人差异决定的，而且受试者对目标的注意程度以及当时的精神状态都会影响最终的分类正确率，这也说明通道选择对信号提取及分类的影响非常明显，在实际应用中可以仅选择分类正确率高的通道，从而简化BCI系统，本研究结论可以归纳为以下观点。

1)采用叠加平均法和一维离散小波变换对采集到脑电信号进行特征提取，在250～600 ms范围内靶刺激响应可以得到明显的正向峰，非靶刺激响应波形中则没有显著地P300，即三音范式的纯音实验适用于二分类的脑机接口。

2)通过SVM进行目标刺激与非目标刺激的分类，5名被试的单通道分类正确率分别高达87.51% 、91.67% 、89.16% 、86.42% 和 85.71% 。说明采用小波变换进行P300特征信号的单次提取，并采用SVM进行分类是可行的，这也为听觉脑机接口系统的实现打下了基础。

[1]高上凯.神经工程与脑机-接口.生命科学[J].2009，21(2)：177-180.

[2]闫铮，宾光宇，高小榕.基于左右视野双频率刺激的SSVEP脑-机接口.清华大学学报(自然科学版)[J].2009，49(12)：2017-2020.

[3]Townsend G，Lapallo BK.，Boulay CB，et al.A novel P300-based brain-computer interface stimulus presentation paradigm：Moving beyond rows and columns.Clinical Neurophysiology，2010，121：1109-1120.

[4]Martin T，Huxlin KR，Kavcic V.Motion-onset visual evoked potentials predict performance during a global direction discrimination task[J].Neuropsychologia，2010，48(12)：3563-3572.

[5]Pham M，Hinterberger T，Neumann N，et al.An auditory brain-computer interface based on the self-regulation of slow cortical potentials[J].Neurorehabiitition，2005，19：206-218.

[6]Sellers EW，Krusienski DJ，McFarland Dennis J，et al.A P300 event-related potential brain-computer interface(BCI)：Theeffects of matrix size and inter stimulus interval on performance[J].Biological Psychology，2006，73(3)：242-252.

[7]Guo Jing， Gao Shangkai， Hong Bo. An Auditory Brain-Computer Interface Using Active Mental Response[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2010，18：230-235.

[8]Tamer D，Ahmet A，Yorgo I，et al.Wavelet analysis of oddball P300[J].International Journal of Psychophysiology ，2001，39：221-227.