信息处理与网络安全

“模拟阅读”脑-机接口N2P3成分的自动提取∗

金震官金安赵瑞娟谢国栋

（中南民族大学生物医学工程学院武汉430074）

提出了一种基于ICA和局部能量最大的单次自动提取脑电信号中N2和P3成分的方法。实验采集了七名健康受试者在观察“模拟阅读”刺激界面状态下的32导的脑电信号，利用FastICA算法对单试次脑电信号进行盲源分离，将得到的32个分量用样本方差最大方法，在固定时间段自动提取脑电信号中N2和P3成分。把N2、P3分量直接作为单次提取的特征，利用支持向量机进行分类，同时和最优单通道时域特征的分类进行对比。结果表明：基于ICA方法可以有效地自动提取单次脑电信号中N2和P3成分，且分类效果比最优单通道有显著提高。

模拟阅读；ICA；单次特征；自动提取；SVM

Class NumberTP334.7

1 引言

国外自20世纪70年代起便开始诱发电位单次提取的研究，在这一领域中用过很多种处理方法。随后几年，以各种滤波方法结合自发脑电（EEG）AR模型为主［1］。小波分析［2］、主成分分析［3］、神经网络［4］和奇异值检测相继用于诱发电位的单次提取领域。目前，面向多导联脑电分析的独立分量分析算法（Independent Component Analysis，ICA）提取事相关电位越发引人注目［5］。

对于多导联EEG的ICA处理方法，陈洪波等［6］利用Infomax lCA对脑电信号分解，再用6次叠加平均自动找到P300成分IC，最后重构得到P300成分。张宇等［7］利用Fast ICA算法处理EEG信号，再经较少次叠加平均，达到提取P300目的。万柏坤等［8］利用扩展Infomax ICA对脑电进行分解，重构脑电数据，再用少次叠加平均找到P300成分。

可以发现，利用ICA算法对多导联少试次EEG处理可以等到很好的结果。但是，目前常用的ICA方法是得到解混矩阵，提取有用成分的分量后，把其它噪声分量置零，利用其逆矩阵进行重构并反射到头皮电极处。而且，大多是针对多导联少试次EEG的处理，对单试次EEG的处理也都是需要通过人工方式来选取ERP独立分量。到目前为止，多导联单试次自动提取EEG特征的方法很少，这将影响该方法在提取ERP信号的临床应用［6］。

本文是对单试次使用fastICA分离后的分量，采用固定时间段样本方差最大来自动提取N2和P3成分，把提取的分量直接作为实验刺激诱发的特征进行模式分类。为了验证FastICA算法和自动提取特征特征分量的有效性，选择SVM分类器对特征进行训练和测试，并和直接选取最优单通道特征的模式分类结果进行对比。

2 实验模式

本实验模式为中南民族大学提出的模拟阅读（Imitating-Reading，IR）脑机接口模式［9～13］，该模式能够让受试者在实验中像平常阅读书本文字一样来获得视觉刺激。与通常阅读书本不同的是，实验过程中，受试者的视线相对视觉诱发界面保持静止状态，刺激符号串相对于视线移动，以减少视线移动引起的眼电对脑电信号的污染。在这种刺激方式中，将一个靶标符号（图1（a））随机放到多个相似的非靶标符号（图1（b））中，构成刺激符号串（图1（c））。实验时，符号串匀速移过小视窗的速度是5ms/pixel。一个试次（trial）的运行时间指的是符号串刚开始进入小视窗到符号串全部离开小视窗的时间间隔。图1（d）为一个试次的示意图。一旦靶标通过小视窗就会产生稳定的视觉诱发电位［8］。其中，靶标符号、非靶标符号和小视窗的尺寸都是30*30像素，靶标符号和非靶标符号具有相同的结构，两种符号的差别在于中间竖线是否被染成红色，靶标符号的中间竖线被染成红色，非靶标符号则没有。

实验采集装置为Biosemi Active Two多导生理信号采集装置，采样频率为2048Hz。实验采集了七名健康受试者在观察刺激符号串状态下的脑电信号，分别编号S1，S2，S3，S4，S5，S6，S7。一个数据集是由160试次靶刺激信号和160试次的非靶刺激信号组成。在截取数据时分别选取600ms非靶刺激数据和600ms的靶刺激数据，共截取1.2s的数据作为后续的分析。数据的存储格式为：通道数×通道的采样点数×实验的试次数。

图1 “模拟自然阅读”模式下的诱发字符串

为了解ERP的波形特征，选择受试者S3的PO3通道的数据进行观察。图2是该通道160试次的ERP波形，图中的零时刻的左边是600ms的非靶刺激信号，右边是600ms的靶刺激信号。可以看出，模拟阅读实验模式下，受试者确实成功诱发ERP，主要成分为N2-P3复合波［13］。

图2 受试者PO3处叠加平均图

3 基于FastICA的脑电信号盲源分离

3.1独立分量分析（Independent Component

Analysis，ICA）原理［14］

独立分量分析是近年发展起来的一种盲源分离方法（Blind Source Speparation，BSS）［9］。ICA分离算法的关键在于如何度量分离结果的独立性，以随机变量的非高斯性和相互独立为分析目标，最终是为了从多通道观测数据中分离出相互独立的信号源。不仅可以消除噪声，而且可有效分离出相应的特征信号。ICA算法的数学模型为

ICA模型如图3所示。

图3 ICA模型

3.2负熵非高斯性极大判据FastICA算法［9］

FastICA算法（以下简称ICA）是一种最小化估计分量互信息的定点迭代优化算法，当非高斯性度量最大时，则完成独立分量的分离。根据信息论，熵可用来度量非高斯性。用“负熵”来描述随机变量X的非高斯性程度，其定义如下：

式中：pG(x)是和p(x)具有相同方差的高斯随机分布，HG(x)和H(x)是对应随机变量的信息熵。由式（4）可知，负熵值总是非负的，且在等方差下，随机变量X的非高斯性越强，其负熵值越大［4］。因此，负熵可以作为独立分量提取的目标函数。

在实际应用中，负熵常用的近似公式形式如式（5）：

式中：E表示期望；g()为合理选择的非线性函数，参照x4的波形和变化趋势进行选择，要求所选的是下凸的偶对称函数，且比x4函数的增长速率慢，本文选取的是g(x)=tan(ax);1≤a≤2；v是标准的高斯随机变量，可保证x为高斯分布时，负熵的估计值为零。

为使观测信号符合ICA模型要求，先要对观测信号进行预处理。一般分为两步：第一步是对观测数据去均值；第二步是对去均值的观测数据进行白化处理，“白化”就是寻找一个线性变换矩阵，使变换后向量的自相关矩阵为单位矩阵，即E{=。图4为观测信号解混过程，最终分离出分量。

图4 解混过程

根据式（4）可知，分离的目标是使负熵最大化，通过负熵的最大近似值E{g(Z)}优化所得［10］。

图5 ICA算法流程图

再根据Newton迭代法的思想，简化可得迭代公式：

综上所述，具体算法总结如图5所示。

4 实验过程

4.1脑电信号预处理

脑电信号具有非平稳性，并极易受到噪声干扰，如工频干扰和肌电干扰，因此要对采集到的脑电信号进行预处理，减少噪声干扰，提高信噪比。本实验预处理操作［15］：1）去除均值；2）20 Hz的低通滤波；3）下4采样。

4.2脑电特征分析

多导联的脑电数据包含的信息十分复杂，夹杂着各种噪声，且ERP在大脑每个功能区的活动情况不一样，图6是S1和S2两位受试者的脑电地形图。

图6 S1和S2受试者的脑电地形图

从各时段主要EEG特征可以看出，不同受试者的诱发电位的通道位置并不完全一致，这给提取事件相关电位特征带来困难。本文把采集到的多导联脑电信号经过FastICA盲源分离，找到每个受试者的最能表示诱发ERP的独立成分分量，使之能够最佳的刻画诱发脑电的特征，为后续的模式分类提供方便。

4.3多导联单试次进行ICA分离

本文对每个试次的脑电数据进行ICA分离，图7所示是S1的某一试次的信号，经过ICA分离后的前5个独立分量。

图7 分离后的独立分量

可以看出IC1和IC2有明显的P3成分分量，IC3有明显的N2成分分量，说明FastICA在单试次进行盲源分离时能够分离出代表N2成分的分量和代表P3成分的分量。

4.4固定时间段样本方差最大方法提取N2和P3成分

经ICA分离后，可以看出分离出N2成分和P3成分，但是N2和P3成分要人手工挑选，不适合在线实时场合应用，因此本文采用固定时间段样本方差最大，自动挑选N2成分和P3成分所在的分量，其定义如式（10）：

式中：S2为样本方差，xi(i=1,2,…,n)为固定时间段信号的幅度，n为固定时间段数据点数，xˉ为均值。

P3的提取是自动查询300ms±50ms的样本方差的最大的分量号，然后把这个分量提出来，但是ICA分离有时候会造成波形倒相，所以要进行极性调整。具体做法是：在挑选好的分量的数据后，对固定时间段300ms±50ms的数据取均值，如果均值小于零，则进行倒相，否则不变。图8是自动挑选的P3成分经过倒相之后的图，可以看出提取出P3。

图8 提取的P3成分

同样的方法，N2的提取是自动查询200ms± 50ms的样本方差的最大的分量号，然后进行极性调整，图9为提取的N2成分。

图9 提取的N2成分

5 特征向量模式识别

支持向量机方法是以统计学理论为基础，在有限的样本条件下，寻求模型的复杂和学习能力之间的最佳折中，从而获得好的泛化能力。SVM实现的思想是通过某种事先选择的非线性映射（内核函数）将输入向量映射到一个高维特征空间，然后在这个空间中构造最优分类超平面［16］。SVM的目标是找到一个超平面，使它能够尽可能多地将两类数据点正确地分开，同时使分开的两类数据点距离分类面最远。因此，本文选取SVM对模拟阅读脑-机接口实验数据进行分类识别。

核函数的选取对分类准确率很重要，由于径向基核函数具有参数少、模型复杂度低等特点，有利于训练时参数的确定。本文选取的是径向基核函数，模型的训练采用网格搜索法，交叉验证进行参数寻优。

6 结果对比与分析

本实验共取七名受试者采集的脑电数据。为验证ICA分离后单个分量的特征提取的有效性，本文使用单个通道150ms～450ms的数据特征提取分类与之进行对比，最后提取的特征都采用SVM进行分类。由于采用的是32导联的脑电数据，在这里进行对比的时候只记录了最优通道的分类识别率，使用最高分类准确率的通道和ICA自动提取的N2成分和P3成分分类结果进行对比。如表1所示。

表1 不同方法下的分类正确率（%）

由表1分类结果可以看出，不同受试者的最优ERP特征集中在不同的脑活动功能区，并且单通道数据分类结果并不尽如人意。本文对导联数据经过ICA盲源分离，分离出ERP成分，并且自动挑选N2和P3分量之后的数据进行分类，其结果明显看出，能够达到很好的分类准确率。

7 结语

本文利用FastICA算法对单试次脑电数据进行独立分量分析，通过“固定时间段样本方差最大”自动选取N2和P3成分，并进行极性自动矫正，以此为特征进行靶与非靶刺激的分类。相较采用最佳单通道时域段EEG原始信号为特征的分类，提高了正确率，尤其是那些单通道ERP电位活动不特别明显的受试者，效果尤为显著。

［1］Arnold N，Tapios S.Estimation of parameters and eigen2 modes of multivariate autoregressive models［J］.ACM Trans2 actions on Mat hematical Software，2001，27（1）：27257.

［2］罗志增，李文国.基于小波变换和盲信号分离的多通道肌电信号处理方法［J］.电子学报，2009，37（4）：823-827.LUO Zhizeng，LI Wenguo.A Method of MuIti-ChanneI EMG DisposaI Based On Wavelet Transform and BIind SignaI Separation［J］.Chinese Journal of electronics，2009，37（4）：823-827.

［3］Aviyente S，Bernat E M，Malone S M，et al.Time-Frequen⁃cy Data Reduction for Event Related Potentials：Combin⁃ing Principal Component Analysis and Matching Pursuit［J］.Eurasip Journal on Advances in Signal Processing，2010（1）：1-13.

［4］Feng Z.Intelligent diagnosis on ERP performance by us⁃ing classified wavelet neural network［J］.Computer Engi⁃neering&Applications，2010.

［5］Hironaga N，Ioannides A A.Localization of individual area neuronal activity［J］.Neuroimage，2007，34（4）：1519-34.

［6］陈洪波，李蓓蕾，陈真诚.基于ICA的脑电信号P300少次自动提取［J］.电子学报，2012，40（6）：1257-1262.

CHEN Hongbo，LI Beilei，CHEN Zhencheng.Automatical⁃ly Extract P300 Within Several Trials from EEG Based on ICA［J］.Chinese Journal of electronics，2012，40（6）：1257-1262.

［7］张宇，张建华，王行愚，等.基于FastICA的P300电位快速提取方法［J］.华东理工大学学报：自然科学版，2009，35（5）：750-755.

ZHANG Yu，ZHANG Jianhua，WANG Xingyu，et al.A Fas⁃tICA-based Approach to Extracting P300 Potential［J］. Journal of East China University of Science and Technolo⁃gy（Natural Science Edition），2009，35（5）：750-755.

［8］万柏坤，杨建刚，綦宏志，等.基于扩展Infomax ICA的ERP少次提取方法研究［J］.北京生物医学工程，2005，24（4）：241-245.

WAN Baikun，YANG Jiangang，QI Hongzhi，et al.Study on the Several Trials Extraction of ERP Based on Extend⁃ed-lnfomax ICA［J］.Beijing Biomedical Engineering，2005，24（4）：241-245.

［9］官金安.脑—机接口及其信号的单次提取［D］.武汉：华中科技大学，2005.

GUAN Jinan.Brain-Computer Interface and the Sin⁃gle-Trial Estimaion of its communication Carriers［D］.Wu⁃han：Huazhong University of Science and Technology， 2005.

［10］官金安，陈亚光.脑控双页虚拟键盘的设计与性能分析［J］.中国临床康复，2006，10（9）：124-126.

GUAN Jinan，CHEN Yaguang.Design and performance analysis of mental controlled dual virtual keyboard［J］. Chinese Journal of Clinical Rehabilitaion，2006，10（9）：124-126.

［11］谢水清，杨阳，杨仲乐.脑-机接口中高性能虚拟键盘的实现［J］.中南民族大学学报：自然科学版，2004，23（2）：38-40.

XIE Shuiqing，YANG Yang，YANG Zhongle.Implemen⁃tation of Virtual Keyboard in Brain-Computer Interface with DirectX［J］.Journal of South-Central University for Nationalities（Natural Science Edition），2004，23：38-40.

［12］GAO W，GUAN J A，GAO J，et al.Multi-ganglion ANN based feature learning with application to P300-BCI sig⁃nal classification［J］.Biomedical Signal Processing& Control，2015，18：127-137.

［13］贾贝.在线IR_BCI系统软件设计［D］.武汉：中南民族大学，2015.

JIA Bei.The Software Design of Online IR_BCI System［D］.Wuhan：South-central University For Nationalities，2015.

［14］吴小培，冯焕清，周荷琴，等.独立分量分析及其在脑电信号预处理中的应用［J］.北京生物医学工程，2001，20（1）：35-37.

WU Xiaopei，FENG Huanqing，ZHOU Heqin，et al.D In⁃dependent Component Analysis and Its Application for Preprocessing EEG［J］.Beijing Biomedical Engineering，2001，20（1）：35-37.

［15］李梅.模拟阅读BCI信号空时特征提取与模式识别［D］.武汉：中南民族大学，2013.

LI Mei.EEG Spatial-temperal feature extraction and classification for Imitating Reading based BCI［D］.Wu⁃han：South-central University For Nationalities，2013.

［16］Sitaram R，Zhang H，Guan C，et al.Temporal classifica⁃tion of multichannel near-infrared spectroscopy signals of motor imagery for developing a brain-computer inter⁃face［J］.Neuroimage，2007，34（4）：1416-27.

Automatic Extraction of N2 and P3 in Imitating-Reading BCI

JIN ZhenGUAN Jin'anZHAO RuijuanXIE Guodong
（School of Biomedical Engineering，South-Central University for Nationalities，Wuhan430074）

This paper introduces a method of single automatically extract EEG of N2 and P3 component based on ICA and big⁃gest local energy.Experiment collectes seven healthy people 32 lead EEG in the state of observed at“Imitating-Reading”stimula⁃tion interface.Firstly，single trial EEG is taken into blind source separation using the FastICA algorithm to 32 component result.Sec⁃ondly，automatic extraction N2 and P3 components in the 32 component result at the fixed time period，using maximum sample vari⁃ance method.The N2，P3 component directly are as a single extraction feature and SVM classification method is used to classify，at the same time compared with the classification that using characteristics parameters of best single-channel in the time-domain.The results indicate that using automatic extraction of a single EEG N2 and P3 component based on ICA method is effective and classifi⁃cation results has risen considerably than the best single channel.

imitating-reading，ICA，single feature，automatic extraction，SVM

TP334.7

10.3969/j.issn.1672-9722.2017.05.028

2016年11月2日，

2016年12月12日

国家自然科学基金资助项目（编号：91120017，81271659）；中央高校基本科研业务费资助项目（编号：CZY13031）资助。

金震，男，硕士研究生，研究方向：生物医学信号检测与处理、脑-计算机接口。官金安，男，教授，硕士生导师，研究方向：生物医学信号检测与处理、脑-计算机接口。赵瑞娟，女，硕士研究生，研究方向：生物医学信号检测与处理、脑-计算机接口。谢国栋，男，硕士研究生，研究方向：生物医学信号检测与处理、脑-计算机接口。