SSVEP干电极介绍及其分类算法研究

1 SSVEP干电极背景说明
稳态视觉诱发电位[1-2]是BCI系统[3-4]经常使用的一种信号，它属于被动刺激的一种，也是稳定性和识别率最理想的一种。SSVEP信号是指在人眼受到固定频率超过4Hz的视觉刺激时，大脑皮质活动将被调节，导致类似于刺激的周期性节律，SSVEP主要出现在大脑皮层枕区。目前，基于SSVEP的脑-机接口系统得到广泛关注和研究。目前大部分的SSVEP采集系统是采用湿电极采集，湿电极采集时需要将凝胶注入电极。在记录过程中，凝胶随着时间变干，导电性能会变差，从而采集到的脑电信号会变差。在实验结束后，用户需要洗净用户头发中的凝胶，并且还需要清洁EEG帽。这些过程很耗时，并且会给用户带来不舒服的体验。为了简化湿电极的制备和工艺，已经开发了许多类型的干接触电极。它们可以分为微针，针尖，弹簧针，和软导电聚合物电极。这些类型的电极具有低接触阻抗，高信号质量和舒适的用户体验的优点。
Mihajlovic[5]等人使用8个基于金属针的干电极来获取SSVEP信号，它可以识别4个目标，准确度为63％，ITR为23位/分钟。Chi[6]等人14设计了一个移动BCI系统，其中数据采集模块是一个无线便携式盒子，信号处理在手机上完成。该系统可以从3个弹簧销干电极中识别出12个目标。与传统的快速傅立叶变换（FFT）算法提取SSVEP的特征不同，他们使用规范相关分析（CCA）方法来匹配sin/cos波形模板。平均准确度和ITR为89％和26.5位/分钟。目前在使用干电极的稳态视觉诱发电位研究中，主要集中在两个方面，一是对采集信号段的研究，研发具备低阻抗与高灵敏度的新型电极材料，以提高信息的采集与准确率。如，2019年，韩国首尔国立大学与德克萨斯大学奥斯汀分校团队合作研发的新型梳状电极的头戴式系统[7]，对SSVEP的准确率可以达到95.7%。台湾团队使用有源干电极，基于FPGA实现SSVEP-BCI算法，最终信息传输速率为36.08比特/分钟[8]。清华大学与北京邮电大学合作开发新型银电极，平均准确率达到了82%[9]。意大利那不勒斯费德里科二世大学团队使用单差分通道（最大实时采样率为256 Sa/s），改善电极连接方式，基于Goertzel算法的数据处理，在刺激持续时间为30s的情况下达到90%的平均准确率[10]。中国科学院半导体研究所集成光电国家重点实验室团队自行制作干电极外，使用滤波器组分析(FBA)预处理算法和基于任务相关成分分析(TRCA)的分类算法，11名参与者使用1秒长的SSVEP的平均分类准确率为93.2%，平均信息传输率(ITR)为92.35bit/min[11]。台湾国立交通大学团队使用有源干电极，基于FPGA实现SSVEP-BCI算法，最终信息传输速率为36.08比特/分钟[12-13]。除此之外，韩国团队研究增强脑机接口，使用听觉刺激代替视觉刺激，同时使用二元分类，其平均识别准确率为80%以上[14]。
2 数据说明
数据来自于“第三届中国脑机接口大赛”，干电极通道序号和导联名称如表1所示，具体的电极分布如图1所示。刺激范式包含10个目标（数字0-9，对应结果编号1-10），刺激频率分别9.25~13.75Hz，间隔0.5Hz，每个目标相位相差0.5π，每个目标对应的相位和频率如表2所示。实验数据以block为单位，每个block中均为连续采集EEG数据，其中包含数量不定、次序随机的刺激试次。单一block中，每种刺激试次的出现次数也不固定。整个实验过程中，10个目标均同时闪烁。单个试次持续5s，开始屏幕中会在目标周围出现一个绿块提示框。从提示框出现时刻开始的5s为刺激阶段，刺激过程中，10个目标同时闪烁，每个目标的亮度按照其预定频率呈正弦变化，受试被要求严格注视提示的目标，从而在其EEG信号中产生稳态视觉诱发响应。脑电信号给予刺激采用联合频率-相位调制(Joint frequency-Phase modulation，JFPM)方法，这种方法可以最大程度的区分相近频率的刺激信号，表2是不同的结果对应的频率和相位。



图2 干电极采集帽电极分布图
干电极采集帽电极分布图如图2所示，其中X1,X2,X3无有效信号，CMF(Common Mode Follower)记录common-mode artifacts。那么实际上可用的脑电信号有20个电极。对于SSVEP信号来说，信号是出现在后枕区，实际上可用的电极只有靠近枕区的9个电极。
表2 结果编号与其对应的频率相位

实验数据为采样率300Hz的EEG数据，但并未经过其他滤波处理。由于SSVEP信号产生在枕区，实际做频率分类时，使用P3、Fz、P4、T3、T5、O1、O2、T6和T4共9个导联的数据｡采用50Hz的陷波滤波器被用来去除电源工频噪声干扰。除此之外，还用到了滤波器组分析,所用到的滤波器是Chebyshev I型无限脉冲响应滤波器，使用MATLAB中的filtfilt()函数进行正向和反向滤波,图3是滤波后的SSVEP干电极波形图。

3 CCA算法处理情况简单相关系数描述两组变量的相关关系的缺点:只是孤立考虑单个X与单个Y间的相关，没有考虑X、Y变量组内部各变量间的相关。两组间有许多简单相关系数，使问题显得复杂，难以从整体描述。典型相关是简单相关、多重相关的推广。典型相关是研究两组变量之间相关性的一种统计分析方法，也是一种降维技术。典型相关分析法在脑电信号的特征提取领域也同样有着不可或缺的地位，在对SSVEP信号进行频率检测时，CCA以其高准确率、高抗噪等优点被广泛的应用在脑电信号的研究和分析中。从宏观上讲，典型相关分析法（Canonical Correlation Analysis，CCA）是一种描述两个变量或者两个数据集之间相关性的多元统计分析法。首先，CCA 分析法要从这两个数据集中寻找到一对名为典型变量的线性组合，并且要使得这两个典型变量之间的相关系数是最大的。接着继续寻找第二对典型变量，其中，第二对典型变量与第一对典型变量是不互相关的，同时它是第二个具有最高相关性的线性组合。当典型变量的对数等于原来两个数据集当中较小数据集的变量个数时，这个寻找典型变量的线性组合的过程才结束。这个线性组合的系数可以用来描述这两个数据集之间的相关性。尽管典型相关分析法的计算过程会产生很多个相关系数，这里我们仅仅考虑其中最大的相关系数，因为这个最大的相关系数才具有最好的描述典型变量相关性的能力。CCA是多元统计学的组成部分，是研究两组变量间互相关系的统计分析方法。简单来说，典型相关分析就是寻找两组变量各自的线性组合，然后利用线性组合这两个变量之间的相关关系来反映原来两组变量的关系。首先，寻找到两组变量的线性组合，被称为典型变量，而它们之间的相关性是最大的；然后，再寻找第二对典型变量，使它们之间的相关性是第二大的，以次类推，直到相关性被提取完，即典型变量对的数目等于较短的数据集的变量数目。这样，原本是研究两组变量之间的相关性，现在就转换成研究提取出的这些典型变量之间的相关性，减少了研究变量的个数，大大提升了计算速率，从而被广泛使用。CCA可同时进行多信道分析，包含更多的信道信息，对视觉诱发电位的特征提取更有效。当CCA应用于提取SSVEP响应频率时，两组多变量分别定义为、，其中是EEG的经过多channel信号。式中，channel的下标表示不同信道的编号；是与刺激频率相关的参考信号。

(1)式中，是的谐波个数；中channel的数量也为。假设有i个刺激频率，那么

CCA为两组多维变量和寻找一对向量和，通过和来最大化相关变量和之间的相关性，如式(5)所示：

(3)式(5)得出和之间的相关系数的最大值，选取不同的，计算，则最大对应的频率被认为是SSVEP的响应频率。将SSVEP干电极的数据用CCA进行频率分类，CCA属于无监督学习，可以不需要预先训练就能得到分类结果，分类取得时间分别取1s、2s、3s、4s，可以得到不同的分类图，如图4-7所示。




可以看出，随着时间的增加，分类的准确数一直在增加，但是不同的人分类的准确数差异会非常大，这也是CCA的缺点之一。
[1] Tsuru K , Miura H , Matsui D . A New Stimulation for Steady-State Visually Evoked Potentials Based Brain-Computer Interface Using Semi-transmissive Patterns with Smartglasses[C]// 2015 International Conference on Cyberworlds (CW). IEEE Computer Society, 2015.
[2] Abdulkader S N , Atia A , Mostafa M S M . Brain computer interfacing: Applications and challenges[J]. Egyptian Informatics Journal, 2015, 16(2):213-230.
[3] User-centred design in brain–computer interface research and development[J]. Annals of Physical and Rehabilitation Medicine, 2015, 58(5):S1877065715000767.
[4] Gao S , Wang Y , Gao X , et al. Visual and Auditory Brain-Computer Interfaces[J]. IEEE transactions on bio-medical engineering, 2014, 61(5):1436-1447.
[5] Hsu H T , Lee I , Tsai H T , et al. Evaluate the Feasibility of Using Frontal SSVEP to Implement an SSVEP-Based BCI in Young, Elderly and ALS Groups[J]. IEEE Trans Neural Syst Rehabil Eng, 2016, 24(5):603-615.
[6] Dai Yixiang， Wang Xue， Li Xuanping， et al． Sparse EEG compressive sensing for web － enabled person identification［J］．Measurement， 2015， 74: 11-20．
[7] Das Ｒ， Piciucco E， Maiorana E， et al． Visually evoked potentials for EEG biometrie recognition ［ C］ / /2016 First International Workshop on Sensing， Processing and Learning for Intelligent Machines( SPLINE) ． New York: IEEE， 2016: 1-5．
[8] Tsuru K , Miura H , Matsui D . A New Stimulation for Steady-State Visually Evoked Potentials Based Brain-Computer Interface Using Semi-transmissive Patterns with Smartglasses[C]// 2015 International Conference on Cyberworlds (CW). IEEE Computer Society, 2015.
[9] Abdulkader S N , Atia A , Mostafa M S M . Brain computer interfacing: Applications and challenges[J]. Egyptian Informatics Journal, 2015, 16(2):213-230.
[10] User-centred design in brain–computer interface research and development[J]. Annals of Physical and Rehabilitation Medicine, 2015, 58(5):S1877065715000767.
[11] Gao S , Wang Y , Gao X , et al. Visual and Auditory Brain-Computer Interfaces[J]. IEEE transactions on bio-medical engineering, 2014, 61(5):1436-1447.
[12] Hsu H T , Lee I , Tsai H T , et al. Evaluate the Feasibility of Using Frontal SSVEP to Implement an SSVEP-Based BCI in Young, Elderly and ALS Groups[J]. IEEE Trans Neural Syst Rehabil Eng, 2016, 24(5):603-615.
[13] Dai Yixiang， Wang Xue， Li Xuanping， et al． Sparse EEG compressive sensing for web － enabled person identification［J］．Measurement， 2015， 74: 11-20．
[14] Das Ｒ， Piciucco E， Maiorana E， et al． Visually evoked potentials for EEG biometrie recognition ［ C］ / /2016 First International Workshop on Sensing， Processing and Learning for Intelligent Machines( SPLINE) ． New York: IEEE， 2016: 1-5．