穩態視覺誘發電位信號的預處理濾波設計及實驗評測*

李為龍,張睿芝,高國雅,劉培俊,桂志國,尚禹

(中北大學 省部共建動態測試技術國家重點實驗室, 太原 030051)

0 引言

在現有的腦機接口(brain-computer interface, BCI)范式中,穩定性最高、信息傳輸速率(information transfer rate, ITR)最快的是基于穩態視覺誘發電位(steady-state visual evoked potentials, SSVEP)的腦機接口[1-2]。人的大腦中產生SSVEP信號的最重要區域是枕葉區[3],其作為視覺皮層(visual cortex, V1)中樞主要負責處理視覺信息。人體視野內的每一個點都可以在V1的特定區域中表示[4]。若施加大于6 Hz的周期性持續刺激[5],且刺激間隔短于單個刺激誘發的響應長度,大腦視覺皮層便會對該刺激產生相應的電位活動響應,從而形成SSVEP。

盡管目前SSVEP發展有了長足進步,但針對SSVEP數據預處理方法的研究仍不夠系統、完善。由于腦電采集設備的復雜性與環境空間噪聲的干擾[6],最初采集的腦電數據非常雜亂,特別是濕電極在SSVEP范式中的廣泛應用[7],導致外部噪聲進一步加大。因此,尋求一種處理流程規范、效果出色的全過程預處理方法非常重要。為此,本研究根據SSVEP原始信號中普遍存在的噪聲類型,設計了一種全過程預處理方法。環節包括:去基線漂移、去工頻干擾、頻段選取、頻譜分析,對其中每一環節的具體參數進行詳細說明。

1 材料與方法

1.1 SSVEP信號誘發原理

SSVEP依靠大腦對周期性視覺刺激,產生具有與視覺刺激頻率相同的基頻和倍頻成分[8],能夠與刺激信號保持良好的鎖時、鎖相特性,且信噪比高、頻譜相對穩定。鎖時、鎖相指SSVEP能夠對周期性視覺刺激產生頻率跟隨的特性[9],即視覺皮層中樞對外加周期性刺激的頻率可形成對應、相同的頻率信號,此現象也被稱為視覺皮層的光驅動響應[10]。

現有研究表明,在6～80 Hz頻帶刺激范圍內均能誘發SSVEP[11]。據此,可將SSVEP劃分為三個響應波段:低頻(<12 Hz)、中頻(12～30 Hz)和高頻(>30 Hz)。一般情況下,中低頻段SSVEP信號的振幅高于高頻頻段[12],檢測更容易,信息傳輸速率也更快。本研究采用中低頻刺激誘導的SSVEP作為通訊介質。

1.2 預處理濾波設計流程

本研究主要基于SSVEP中低頻段數據,提出了一種預處理濾波方法。此方法的具體處理順序為:低頻濾波去基線漂移、陷波濾波去工頻干擾、帶通濾波進行頻帶選取、快速傅里葉變換(Fast Fourier Transform, FFT)頻譜分析。

基線漂移主要是由環境、運動及肌電、心電偽跡引入的噪聲[13],去除這類干擾的辦法是減去通過低通濾波器的原始信號。低通濾波器的參數設置包括:濾波器階數和歸一化后的截止角頻率(截止頻率與采樣的奈奎斯特頻率值之比)。

工頻干擾是由電力系統引起的一種干擾。其頻率根據不同國家或地區交流電的工頻頻率而定[14](干擾頻率:國內為50 Hz,國外多為60 Hz)。在SSVEP信號采集時表現為正弦波或其他信號與正弦波的疊加[15],從而形成對原始腦電信號的干擾,需將信號通過陷波濾波器進行去除。濾波器的參數設置包括:采樣頻率、陷波的中心頻率、帶寬、濾波器階數(二階及以上)。

在SSVEP信號處理中,頻帶的選取需要使用帶通濾波進行,以濾除SSVEP基頻和諧波響應外的低頻和高頻信號[16]。帶通濾波器的一般參數設置包括:下限截止頻率、上限截止頻率、采樣率、濾波器階數。其中,濾波器階數選擇依據為在滿足性能指標要求前提下的最小階數。

頻譜分析通過FFT進行,可大幅降低計算量,將SSVEP信號由時域迅速轉換到頻域[17]。假設數據采樣率為fs、點數為N,做信號序列長度為2n>N的FFT補零運算;原始信號的峰值為A,經FFT后,結果中每個點(除第一個直流分量之外)的模值為A的N/2倍,第一個點為直流分量(即0 Hz),其模值是直流分量的N倍。此外,基準頻率fn是信號經過FFT后在頻域中所能分辨的最小頻率,可表示為:

fn=(n-1)×fs/N

(1)

在信號經FFT變換后得到的頻譜圖中,橫坐標是以fn為最小間隔的不同頻率,縱坐標為FFT后的模值A1。因此,fn越小,在頻譜圖中所能分辨的頻率分量越準確。

1.3 網格搜索優化濾波器參數

預處理濾波環節可去除原始SSVEP信號中的噪聲與偽跡。為進一步優化在1.2節中所提到的全過程濾波器參數,本研究使用網格搜索方法來確定各類濾波器的關鍵參數[18]。其中,網格搜索的參數設計為:低通濾波的上限頻率為0～0.3 Hz,步長為0.003 Hz;濾波器階數為1～10,步長為1。陷波濾波的單邊帶寬為0.01～0.1 Hz,步長為0.001 Hz;濾波器階數為2～11,步長為1。帶通濾波的上限頻率為81～90 Hz,步長為0.1 Hz;濾波器階數為1～10,步長為1。

1.4 SSVEP信號頻率識別算法

(2)

其中,ρ為相關系數。使用CCA進行SSVEP的頻率識別,需要設計M個矩陣對應于M個刺激頻率fm(m=1,2,…,M)的SSVEP系統,且每個矩陣(記為Ym)中都包含一系列正弦余弦波,作為第m個刺激頻率及其H次諧波的參考信號(其中I2=2H)。

為更好地整合來自SSVEP信號的基頻和諧波分量信息,本研究使用濾波器組典型相關分析(filter bank canonical correlation analysis,FBCCA)作為SSVEP信號的分類識別算法[20]。濾波器組分析可將SSVEP分解成子帶分量,比標準CCA更有效地提取隱藏在諧波分量中的獨立信息。使用高通零相位巴特沃斯濾波器產生n個子帶,第n個子帶的起始頻率為8×nHz,終止頻率為預處理中帶通濾波的上限截止頻率。在實現帶通濾波時,每個子帶的兩側增加2 Hz的額外帶寬。然后對每一組的n個子波段應用CCA算法,將得到的相關性進行加權合并,見式(3)、(4):

(3)

w(n)=n-a+b,n∈[1,N]

(4)

2 實驗方案

2.1 離線分析驗證

本研究的離線分析驗證采用2021 BCI競賽中包含噪聲與偽跡的原始數據。圖1中,單次刺激塊閃爍實驗的數據長度為2.84 s。包括刺激開始前0.5 s,視覺反應延遲0.14 s,刺激2 s以及刺激后0.2 s。數據的初始采樣率為1 000 Hz,下采樣到250 Hz。

圖1 2021 BCI競賽數據采集流程示意圖

2.2 在線實驗評測

20名視力正?；虺C正至正常的健康受試者(7名女性,年齡18～25歲,平均年齡22歲)參與了本研究。在所有受試者中,有10人已經在之前的實驗中參與過SSVEP的離線測試,另外10人無此項研究的任何經歷。本研究獲得中北大學生物醫學倫理委員會批準。在實驗開始前,每位受試者都被要求閱讀并簽署一份知情同意書。

2.2.1腦電設備與刺激器 本研究使用的腦電圖系統以1 000 Hz的采樣率記錄腦電圖數據,并降采樣到250 Hz?？烧{采樣速率在250～1 000 Hz。記錄時電極阻抗保持在10 kΩ以下。24位ADC,精度可至0.01 μv。采用擴展的10-20導聯系統,由后腦枕葉區附近的8個電極(P3,P4,Pz,PO3,POz,PO4,O1,O2)記錄腦電圖。參考電極Cz放置在頂點[22],以達到最好的視覺采集效果。

2.2.2刺激拼寫器設計 SSVEP的頻率刺激被顯示在一個21.5英寸的LCD屏幕上,分辨率為1 920×1 080像素,刷新率為120 Hz。刺激程序產生事件觸發,并由計算機的并行端口發送到放大器,記錄在與腦電圖數據同步的事件通道上,被呈現為一個包含10個數字、標準26字母鍵盤并帶有‘Space’和‘Back’的38字符拼寫器,圖3(a)為此38字符的刺激器。刺激和字符的大小分別為170×170、120×120像素正方形。

圖2 腦電帽與放大器設備外觀圖

38個字符采用頻率相位聯合調制方法進行編碼[23],各字符的頻率和相位值計算如下:

f(kx,ky)=f0+Δf×[(ky-1)×5+(kx-1)]

φ(kx,ky)=φ0+Δφ×[(ky-1)×5+(kx+1)]

(5)

其中,kx,ky分別代表行索引與列索引;f0、Δf分別為8、0.2 Hz; 38個字符的起始頻率為f0,頻率間隔為Δf,產生的頻率范圍為[8,15.4 Hz]。φ0,Δφ是字符的起始相位與相位間隔,分別為0與0.5π,圖3(b)為刺激器字符頻率與相位的設定。

圖3 38字符刺激拼寫器設計圖

2.2.3實驗流程設計 在線SSVEP實驗依靠自行設計的38字符刺激器,并以受試者自我引導目標選擇任務的方式進行[24]。對于每名受試者,分別將進行不同時間窗(2、3 s)的6次相同實驗,且有效刺激時間為時間窗的兩倍,見圖4。實驗開始前,提前告知受試者本次實驗中刺激塊的觀看順序。受試者按順序進行實驗,在完成當前刺激塊的實驗時,要求受試者盡快將他們的目光轉移到下一次目標上,所有刺激在屏幕上同時閃爍4.14或6.14 s(包含4或6 s的有效刺激時間)時開始。

單次實驗包含6個目標字符的識別,對應所有38個字符的隨機順序。此外,在下一次字符目標開始前,將有0.5 s的注意轉移時間。提醒受試者在整個刺激期間避免眨眼,在兩個連續的實驗之間休息10 min。整個在線過程的刺激時間控制在4.64或6.64 s。此外,由于視覺在不同刺激頻率下存在視覺延遲,在BCI在線實驗設計中,單閃爍塊將增加140 ms的時間延遲[25]。在后續的數據處理中需將此段去除,只保留有效刺激部分。圖5為8通道腦電數據的實時傳輸,利用本研究預處理濾波方法對在線數據進行處理,并使用FBCCA算法識別SSVEP信號頻率。

圖4 不同時間窗下的實驗設計流程圖

圖5 OpenBCI信號實時采集界面圖

2.2.4實驗表現評價指標 基于SSVEP范式腦機接口的表現通常采用準確率與信息傳遞速率(information transfer rate,ITR)來進行評價[26]。在本研究的在線BCI實驗中,定義分類頻率界限如下:

(6)

其中,fr1、fr2、fr3為當前刺激字符的信號處理后所識別出的基頻、二次諧波、三次諧波。ft1、ft2、ft3為當前刺激字符所對應的真實基頻、二次諧波、三次諧波。當單字符刺激滿足上式中的頻率界限時,認為分類正確,即準確率P定義為識別成功字符數與實驗的字符總數之比[27]。

ITR是描述數據傳輸系統的重要技術指標[28],計算如下:

(7)

其中,N代表刺激器中字符個數;P代表平均分類準確率;T代表完成一次字符識別所需要的平均時間。

3 結果

3.1 離線分析結果

3.1.1預處理前后時、頻域數據對比 圖6為原始信號與預處理濾波后信號的時域對比,可見未進行基線漂移去除的腦電信號表現為無規律、幅值高(μV)、基線漂移嚴重,去除后的信號相對穩定,呈現規律性變化。

圖7為原始信號與濾波后信號的頻譜對比。信號經低通濾波后,去除了低頻中的“大漂移”現象,去基效果明顯。陷波濾波器可消除50 Hz左右的工頻干擾。帶通濾波器可有效過濾出SSVEP研究中所需的6～80 Hz頻段。

另外,在當前受試者POz通道中,平均3次單字符(對應10.25 Hz頻率)刺激,頻域中10.25 Hz基頻及諧波頻率(20.50、30.76、41.01 Hz)處出現了明顯的峰值。此外,隨著響應頻率的增大,基頻和諧波分量的峰值急劇下降[29],符合SSVEP信號的基礎理論。

3.1.2預處理濾波器的參數確定 在2021 BCI數據集的2 s刺激時間下,固定分類識別算法與其它參數不變,以35位受試者平均分類準確率作為優化濾波器參數的準則。由圖8可知,低通濾波的最優上限截止頻率為0.21 Hz,濾波器階數為5;陷波濾波的最優頻帶寬度為0.04,這意味著在50 Hz工頻干擾存在的情況下,49.6～50.4 Hz范圍內的陷波效果可以取得最佳的分類準確率,陷波濾波器階數為6;帶通濾波的最優上限截止頻率為88 Hz,濾波器階數為7。如1.3小節所提,通常在預處理的帶通濾波后進行2 Hz的頻帶擴展,因此本研究在實際的預處理帶通濾波中,確定6～90 Hz為最佳頻段。在后續的在線實驗中也將使用本節所確定的最佳濾波器參數,來進行預處理操作。

圖6 原始信號(含噪)與預處理濾波后時域信號對比圖

圖7 原始信號(含噪)與濾波后信號的的頻譜對比圖

3.2 在線實驗結果

3.2.1不同時間窗下預處理前后分類結果差異 根據上述在線實驗的設計流程,圖9(a)—圖9(d)展示了在不同長度的時間窗下,20名受試者預處理前后的平均準確率與ITR?？梢?在使用FBCCA分類識別算法的前提下,經本研究預處理濾波后的信號具有更高的識別準確率與信息傳輸速率。2 s時間窗下預處理前后的平均分類準確率為85.70%±2.72% vs 76.82%±3.28%,ITR為(118.00±4.74)vs(98.41±4.05)bits/min;3 s時間窗下預處理前后的平均分類準確率為89.39%±2.91% vs 82.73%±3.18%,ITR為(84.48±4.24)vs(73.98±3.98)bits/min。驗證了本研究所設計的預處理濾波方法對原始SSVEP信號去噪方面的有效性,預處理后的數據可實現更好的分類識別效果。

另外,通過對結果進行時間窗上的分析顯示,2 s時間窗可以獲得較高的平均ITR,而3 s時間窗獲得較高的平均精度。在實際應用中,平均100 bits/min的ITR可滿足高速BCI的通信和控制需求[5],因此,本研究中2 s時間窗下在線系統的信息傳輸性能良好。

注:黑色圓圈為準確率最大的位置。

圖9 不同時間窗下預處理前后的分類準確率與ITR

3.2.2初試/經驗組結果差異 在實驗結果分析中可見不同受試者的表現有較大差異,因此,本研究將10名初試/經驗組進行劃分,并使用預處理濾波后的數據結果進行對比分析。由圖10(a)可知,初試組在2 s時間窗下的平均準確率為82.51%±3.08%,經驗組為88.89%±2.36%。圖10(b)為在3 s時間窗下,初試組平均準確率為87.10%±3.34%,經驗組為91.67%±3.10%。配對2 s與3 s的單因素方差檢驗(one-way analysis of variance, NOVA),二者在準確率表現上有明顯差異(P2s_acc=0.02,P3s_acc=0.02<0.05)。

3.2.3初試/經驗組預處理前后結果差異 為進一步探究預處理方法對初試/經驗組在分類表現上的影響,本研究探索了在2 s時間窗下(滿足高速BCI需求),兩組受試者預處理前后分類準確率的差異。圖11(a)中,相較于經驗組,初試組在預處理濾波前后的分類表現上差異性更大,平均準確率差異為11.41% vs 6.36%。另外,將初試/經驗組預處理前后的分類準確率分別作差,差值大小見圖11(b),配對ANOVA顯示P=0.009 9<0.01,表明未曾有過SSVEP經驗的受試者,在分類表現中受預處理濾波環節的影響更大。

圖10 初試組/經驗組在不同時間窗下的準確率

圖11 2 s時間窗下初試/經驗組預處理前后的分類表現對比

4 討論

在連續的腦電圖記錄中,根據事件通道中所發生的刺激采集腦電數據是BCI實驗的基礎,隨后進行數據的預處理。盡管不同BCI范式的腦機接口已經被廣泛提到[30],但并未對其中的數據預處理工作進行深入探討,而信號采集的預處理工作是決定腦機接口范式最終呈現效果的最初一步,也是極為重要的一步。

盡管本研究的實驗設計已經對刺激時間以及單次實驗間安排了盡可能長的休息時間,在線BCI實驗的初試組與經驗組的表現中仍存在較大差異。因此,未接觸過SSVEP的個體在使用本研究設計的SSVEP系統前,需要進行適應性訓練,在后續工作中,將盡可能縮短該時間,增強SSVEP-BCI系統的實際應用能力。

除本研究中提出的離線分析與在線驗證外,還應該以不同的方式進一步構造更加豐富的數據集。首先,數據集可以用于針對不同的應用程序設計系統。參數的優化對于實際BCI系統的設計和實現具有重要意義[25]。其次,盡管受試者在兩種時間窗上都能獲得較高的準確度,但3 s時間窗的ITR明顯低于2 s,如何根據更多的數據集來進行最佳時間窗的選擇,將進一步提升在線BCI系統的性能。

除本研究所進行的相關分析外,其他范式的腦機接口可參照本研究所提出的的預處理濾波方法進行探索,有效的噪聲去除和通道選擇方法有助于可穿戴BCI研究。因此,本研究可作為一種在線BCI實驗的基本參考。

5 結論

本研究提出了一種基于SSVEP中低頻段的數據預處理方法。依據2021 BCI競賽中的含噪數據進行了離線分析,預處理濾波前后的時、頻域SSVEP特征對比,證明了該方法的有效性。使用網格搜索方法根據離線分類準確率的大小,進一步優化了預處理濾波各環節的參數設定。在線實驗中,本研究設計了一個完整的SSVEP-BCI系統,通過比較不同刺激時間窗(2 s/3 s)下受試者預處理前后分類準確率與ITR,證明了該預處理濾波方法在分類識別中的有效性。此外,研究了初次進行SSVEP實驗與有經驗的受試者在分類表現上的差異,并證實了未曾有過SSVEP經驗的受試者,在分類表現中受預處理濾波環節的影響更大。