李明愛 張方堃 劉 雷 郝冬梅

1(北京工業(yè)大學(xué)人工智能與機(jī)器人研究所，北京 100124)2(北京工業(yè)大學(xué)生命科學(xué)與生物醫(yī)學(xué)工程學(xué)院，北京 100124)

基于B樣條小波變換的視覺誘發(fā)電位的識別方法

李明愛1*張方堃1劉 雷1郝冬梅2

1(北京工業(yè)大學(xué)人工智能與機(jī)器人研究所，北京 100124)2(北京工業(yè)大學(xué)生命科學(xué)與生物醫(yī)學(xué)工程學(xué)院，北京 100124)

針對已知的視覺誘發(fā)電位信號處理及特征提取存在的抗干擾能力差及識別率低的問題，提出一種基于B樣條小波變換與BP神經(jīng)網(wǎng)絡(luò)的視覺誘發(fā)電位(VEP)的特征提取及識別方法。首先，對VEP進(jìn)行少次平均預(yù)處理，以增強信號的信噪比;其次，基于B樣條小波變換對VEP進(jìn)行特征選取，并通過BP神經(jīng)網(wǎng)絡(luò)分類器對特征進(jìn)行分類。與現(xiàn)有方法相比，所提出的方法能夠較好地提取視覺誘發(fā)電位特征，對于含噪聲的信號具有較好的抗干擾能力和識別能力。實驗結(jié)果表明，采用B樣條小波變換結(jié)合BP神經(jīng)網(wǎng)絡(luò)的方法，對視覺誘發(fā)電位的平均識別率為90.4%，優(yōu)于其他方法，驗證了所提出方法的正確性和有效性。

腦機(jī)接口;視覺誘發(fā);識別;小波變換;神經(jīng)網(wǎng)絡(luò)

引言

腦機(jī)接口(brain computer interface，BCI)是不依賴于腦的正常輸出通路(外周神經(jīng)系統(tǒng)及肌肉組織)的腦—計算機(jī)(或其他裝置)通訊系統(tǒng)。作為一種新穎的人機(jī)接口方式，BCI已在生物醫(yī)學(xué)、軍事、娛樂特別是康復(fù)工程等領(lǐng)域顯示出很好的應(yīng)用前景和研究價值。要實現(xiàn)這樣一種人機(jī)交互方式，實時或短時對腦電信號進(jìn)行提取和分類是關(guān)鍵。

視覺誘發(fā)電位(Visual Evoked Potential，VEP)是神經(jīng)系統(tǒng)接受視覺刺激(如圖形或閃光刺激)所產(chǎn)生的特定腦電活動，是一種特殊的事件相關(guān)電位(Event Related Potential，ERP)，具有與目標(biāo)刺激或任務(wù)存在鎖時關(guān)系的特性，并且波形較為穩(wěn)定。從時間分布上看，視覺誘發(fā)電位特征主要集中在刺激出現(xiàn)100 ms后的波形上，頻率范圍為1～30 Hz，主要由P100、N200和P300成分組成。筆者將重點研究特定視覺刺激下視覺誘發(fā)電位的特征提取與識別問題。

目前，視覺誘發(fā)腦電信號處理及特征提取方法主要有以下幾種:1)累加平均法。該方法是電生理測量中提高信噪比最常用的方法，但進(jìn)行信號累加計算所需的時間太長，實時性較差。2)維納濾波法。該方法適用于信號與噪聲的頻率成分互不交疊的情況，但對于非平穩(wěn)且時變的誘發(fā)電位信號卻難以取得好的效果。3)參數(shù)模型法(adaptive auto regression，AAR)。該方法把待研究信號看成是由某一輸入信號激勵某一系統(tǒng)所產(chǎn)生的，要求該系統(tǒng)的輸出與待研究的信號具有相似的性質(zhì)。但在誘發(fā)腦電信號的處理中，由于信號和噪聲具有非平穩(wěn)性，刺激前記錄到的噪聲可能與檢測到的實際噪聲差別較大，采用參數(shù)模型法會導(dǎo)致較大誤差。4)頻譜分析法。該方法采用快速傅立葉變換(FFT)對視覺誘發(fā)腦電信號進(jìn)行頻譜分析，具有算法簡單、比較容易實現(xiàn)的優(yōu)點，缺點是對誘發(fā)電位特征提取的運算時間較長，且僅適用于穩(wěn)態(tài)視覺誘發(fā)電位。5)獨立分量分析法(Independent Component Analysis，ICA)。訪方法用統(tǒng)計學(xué)方法把觀測到的多導(dǎo)隨機(jī)信號變換成為統(tǒng)計意義上盡可能獨立的成分，但由于腦電信號的非平穩(wěn)性，靜態(tài)ICA算法對腦電數(shù)據(jù)的獨立分量提取往往難以得到有效的結(jié)果。

根據(jù)誘發(fā)電位和背景噪聲的時頻特性，嘗試?yán)眯〔ㄗ儞Q的多分辨率分解特性，對視覺誘發(fā)腦電信號進(jìn)行處理。小波變換所采用的基波具有不同的時間和頻率分辨率，采用小波來提取誘發(fā)電位，在減少刺激次數(shù)、提高信噪比方面有著明顯的效果。因此，選取 BP神經(jīng)網(wǎng)絡(luò)為分類器對特征樣本進(jìn)行分類，取得了良好的識別效果。

1 實驗設(shè)計與數(shù)據(jù)預(yù)處理

1.1 實驗設(shè)計與數(shù)據(jù)采集

視覺誘發(fā)腦電信號采集實驗，主要包括視覺刺激器設(shè)計與腦電信號實時采集兩大部分。其中，視覺刺激器的設(shè)計是在Windows環(huán)境下參考美國Illinois大學(xué)Oddball實驗范例自行設(shè)計的。該刺激器具有圖1所示的3種棋盤格式界面，利用閃爍翻轉(zhuǎn)棋盤格對受試對象以偽隨機(jī)的順序施加兩種不同的視覺刺激，75%的刺激為由圖1(a)轉(zhuǎn)換至圖1(b)的非目標(biāo)刺激(Not Goal Stimulus，棋盤格顏色全部翻轉(zhuǎn))，25%的刺激為由圖1(a)轉(zhuǎn)換至圖1(c)的目標(biāo)刺激(Goal stimulus，棋盤格顏色翻轉(zhuǎn)一半)。為了防止受試者對視覺刺激產(chǎn)生適應(yīng)性從而降低目標(biāo)刺激的腦電信號強度，兩種刺激方式分別在2.5 s～3.5 s之間隨機(jī)改變，刺激頻率約為6 Hz。腦電信號采集設(shè)備為便攜式數(shù)字腦電圖儀(NT9200，北京中科新拓儀器有限公司，中國)。該儀器采用22導(dǎo)USB接口全數(shù)字腦電放大器，腦電信號的采集由左枕骨區(qū)(O1)通道獲得，以耳垂為參考點記錄電極，采樣頻率為256 Hz。

圖1 棋盤刺激器界面。(a)刺激器起始狀態(tài);(b)非靶刺激圖像;(c)靶刺激圖像Fig.1 Chessboard stimulating interface. (a)original state; (b) non-goal stimulus; (c)goal stimulus

選取5名年齡在22～27歲的受試者進(jìn)行實驗，他們均知情同意。受試者均無精神病史，實驗前經(jīng)過充分休息。對每個受試者重復(fù)200次實驗，以提取視覺誘發(fā)電位的數(shù)據(jù)，剔除外部環(huán)境干擾所致的無效實驗，平均每個受試者選取150～170組有效刺激數(shù)據(jù)，其中120～130組為訓(xùn)練樣本集，其余為測試樣本集。

1.2 腦電信號的預(yù)處理

在腦機(jī)接口實驗中，單次記錄信號的信噪比低，誘發(fā)電位信號的單次提取很困難，為此，對誘發(fā)腦電信號進(jìn)行少量次累加平均的預(yù)處理，以提高其信噪比和信號識別率。由于視覺誘發(fā)腦電信號主要集中在低頻段，故而設(shè)計0.1～70 Hz的帶通濾波器，記錄并保存靶刺激發(fā)生前后約2 s數(shù)據(jù)，包括256個刺激前數(shù)據(jù)和256個刺激后數(shù)據(jù)。

設(shè)TO表示腦電信號Oi的N次實驗的平均瞬時功率，并定義

式中，Oi為第i次實驗所測的誘發(fā)腦電信號。

圖2為含噪聲的3組誘發(fā)腦電信號波形，圖3是經(jīng)過3次累加平均濾波后的信號波形?？梢姡旁氡鹊玫斤@著提高，誘發(fā)腦電信號特征更加明顯。這樣通過累加平均處理后的腦電數(shù)據(jù)表示出了目標(biāo)刺激出現(xiàn)之前與之后各1 s的 VEP均值數(shù)據(jù)共512個。

圖2 含噪聲的3組誘發(fā)腦電信號波形Fig.2 3 Groups of VEPs with noises

圖3 3次累加平均濾波后的腦電波形Fig.3 VEPs after 3 times progressive average

2 基于B樣條小波變換腦電信號的特征提取方法

2.1 視覺誘發(fā)響應(yīng)及其特點

視覺誘發(fā)電位的特征主要由 P100、N200和P300成分組成。P100和N200分別是刺激出現(xiàn)后誘發(fā)電位中大約在100 ms之后出現(xiàn)的正的波峰和200 ms之后出現(xiàn)的負(fù)的波谷;而P300峰值則出現(xiàn)在目標(biāo)刺激發(fā)生后的300 ms，非目標(biāo)刺激則不會產(chǎn)生P300波形，這是誘發(fā)電位的一項重要特征。

P300誘發(fā)響應(yīng)是在目標(biāo)刺激出現(xiàn)大約300 ms以后出現(xiàn)的一個正的波峰，它是誘發(fā)電位的主要成分之一，在頂骨中心位置最為明顯。實驗研究表明P300成分與認(rèn)知過程有關(guān)，因此P300特征量可以作為BCI系統(tǒng)的控制信號。BCI系統(tǒng)的信號處理目的就是要保證所識別的信號是真正所需的EEG信號，而不是其他一些偽跡，因此 BCI信號處理技術(shù)直接決定了BCI系統(tǒng)的速度和準(zhǔn)確率。

從圖3可以看到經(jīng)累加平均濾波后的腦電波形可在目標(biāo)刺激出現(xiàn)后大約100 ms處，即第280個數(shù)據(jù)點附近，有一個正的波峰 P100;在200 ms處，即第305個數(shù)據(jù)點附近，有一個負(fù)的波谷N200;在400～500 ms處，即第360個數(shù)據(jù)點到385個數(shù)據(jù)點，有一個最大的正波峰 P300，而且，VEP的能量主要集中在刺激出現(xiàn)后的100～600 ms時間段。這個特點為視覺誘發(fā)電位的特征提取提供了生理學(xué)依據(jù)。

2.2 基于B樣條小波變換的信號重構(gòu)

選用Bior小波作為基本小波，對腦電信號f(t)進(jìn)行有限層分解，即

式中，L為分解層數(shù)，AL為低通逼近分量，Di為不同尺度下的細(xì)節(jié)分量。

信號的整個頻帶劃分為多個子頻帶，設(shè)信號f(t) 的采樣頻率為 fS，則 AL，DL，DL－1，…，D1各量所對應(yīng)的子頻帶依次為

若選用Bior小波對信號進(jìn)行5層分解，即f(t)=A5+D5+…+D1，則各分量所對應(yīng)的子頻帶依次為 0 ～4、4 ～8、8 ～16、16 ～32、32 ～64、64 ～128 Hz。尺度層的大小，直接決定了低頻部分劃分的精細(xì)程度。圖4是VEP原始信號和各頻段的信號分解圖，可見，當(dāng)尺度層數(shù)為5時，誘發(fā)電位的低頻部分細(xì)節(jié)已經(jīng)能夠在尺度圖上得到很好的表現(xiàn)，故將分解的尺度層數(shù)選為5。

圖4清楚地表明，D1、D2頻段上沒有出現(xiàn)明顯的波形波動，而在 A5、D5、D4、D3頻段的 P300時間段上波形有明顯的幅值變化。由于視覺誘發(fā)電位VEP主要體現(xiàn)在P300上，所以該頻段必須能很好地體現(xiàn)P300的特征，從而確定要剔除的是只與自發(fā)腦電背景噪聲相關(guān)的小波系數(shù)，以及需保留的與P300密切相關(guān)的小波系數(shù)。

圖5為小波分解系數(shù)的選擇，圖6為原始VEP波形及經(jīng)Bior小波分解并按圖5進(jìn)行小波系數(shù)選擇重構(gòu)后的波形。可見，A5、D3、D4、D5頻段包含了明顯的P300信號特征，重構(gòu)后的信號為

圖4 VEP信號及其各頻段的信號分解Fig.4 The VEP signal and its frequency decomposition

圖5 小波分解系數(shù)選擇Fig.5 Choice of wavelet decomposition coefficients

圖6 VEP波形。(a)原始VEP波形;(b)重構(gòu)波形Fig.6 VEP waveform(a)original VEP waveform;(b)VEP after reconstruction

式中，S(t)為原始信號經(jīng)Bior小波變換后的重構(gòu)信號，A5、D5、D4、D3分別為 A5、D5、D4、D3 各頻段上的細(xì)節(jié)分量。

2.3 特征向量的選取

利用VEP信號的時 －頻特性，并根據(jù) VEP各組成成分與刺激時間的鎖時關(guān)系，進(jìn)行VEP信號的特征向量選取。從以上實驗設(shè)計及分析可知，0 s～1 s的數(shù)據(jù)是刺激前的自發(fā)腦電數(shù)據(jù)，不包含視覺誘發(fā)特征信息，因此對前256個測試數(shù)據(jù)不予考慮。誘發(fā)電位的能量主要分布在刺激出現(xiàn)后600 ms的時間區(qū)間內(nèi)，而且其頻率低于40 Hz，故將D1、D2及600 ms以后的小波系數(shù)都置為零，并結(jié)合腦電信號的時頻特性，只需選取 A5、D3、D4及 D5四個頻段上小波系數(shù)的后一半為有效特征參數(shù)，即選取A5層［9，15］范圍內(nèi)的小波系數(shù)、D3 層［34，38］范圍內(nèi)的小波系數(shù)、D4［17，23］范圍內(nèi)的小波系數(shù)及 D5層［8，12］范圍內(nèi)的小波系數(shù)構(gòu)成特征向量，其維數(shù)為24。

3 腦電信號分類方法

BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)功能、泛化功能以及很強的容錯能力，本研究選用BP神經(jīng)網(wǎng)絡(luò)作為腦電數(shù)據(jù)樣本分類器。由于選取的特征量包含24個小波系數(shù)，因此神經(jīng)網(wǎng)絡(luò)輸入層選用24個神經(jīng)元，輸出層為一個神經(jīng)元。隱含層神經(jīng)元個數(shù)的選擇，先根據(jù)經(jīng)驗確定大致范圍，再通過對不同神經(jīng)元數(shù)進(jìn)行訓(xùn)練對比，觀察實際訓(xùn)練效果后再微調(diào)予以確定。通過對受試者的訓(xùn)練樣本集進(jìn)行訓(xùn)練的識別率考察，最終確定隱含層神經(jīng)元個數(shù)為9個。

4 結(jié)果

表1為5名受試者檢測樣本數(shù)據(jù)的識別率。由其可知，除1名女性受試者可能受環(huán)境等因素影響導(dǎo)致識別率較低外，其余受試者的識別率均達(dá)到了較好的實驗效果。

表1 檢測樣本識別率Recognition rate of tested samples

圖7為某受試者視覺誘發(fā)電位數(shù)據(jù)基于BP神經(jīng)網(wǎng)絡(luò)的分類結(jié)果，共有檢測樣本36組，橫坐標(biāo)為檢測樣本序號。其中1表示分類正確，－1為分類錯誤，分類正確率達(dá)到93%以上。

圖7 基于BP神經(jīng)網(wǎng)絡(luò)的分類結(jié)果Fig.7 The classification results based on BP neural network

為驗證本研究方法的有效性，將所提出的基于B樣條小波變換和BP神經(jīng)網(wǎng)絡(luò)的VEP識別方法與參數(shù)模型法(AAR)、快速傅里葉變換法(FFT)、獨立分量分析法(ICA)進(jìn)行了比對實驗。圖8為每種方法的識別率比較，充分說明了所提出的方法準(zhǔn)確率較高。

圖8 4種方法識別率比較Fig.8 Comparison of recognition rate of four methods

5 分析與結(jié)論

由圖8可以看出，基于AAR的參數(shù)模型法的識別率最低，主要是由于該方法適用于平穩(wěn)信號的分析，而對于包含大量非平穩(wěn)信號的視覺誘發(fā)電位則略顯“力不從心”。采用快速傅里葉變換法(FFT)較為簡單，但運算處理時間過長，且識別率并不出眾。相對前兩種方法，獨立分量分析法(ICA)識別率有所提高，但同樣該算法只適于平穩(wěn)信號的處理，抗干擾能力不強，對于未經(jīng)過濾波去噪的腦電信號識別率較低。針對視覺誘發(fā)電位 VEP，提出了一種基于B樣條小波分析提取腦電特征及BP神經(jīng)網(wǎng)絡(luò)分類的方法。該方法通過少樣本平均來提高信號的質(zhì)量，應(yīng)用B樣條小波變換提取VEP特征向量，以BP神經(jīng)網(wǎng)絡(luò)為分類器對VEP識別問題進(jìn)行了研究，并以實測的實驗數(shù)據(jù)進(jìn)行了仿真研究，獲得了較好的識別效果。

實驗驗證了本方法對于視覺誘發(fā)電位識別的有效性，為BCI系統(tǒng)應(yīng)用于目標(biāo)選擇系統(tǒng)提供了新的思路。同時可以看到，本研究的識別方法是離線進(jìn)行的，還不具備實時識別的能力。因此，下一步將主要針對實時提取與識別視覺誘發(fā)電位的信號進(jìn)行研究。

［1］ 葛哲學(xué)，沙威.小波分析理論與 MatlabR2007實現(xiàn)［M］.北京:電子工業(yè)出版社，2007.

［2］ Liu WQ.Fast tracking of evoked potential variations using correlated scale function designed by multiresolution analysis［D］.Hong Kong:The University of Hong Kong，1998.

［3］ Bayliss Jessica D.A flexible brain-computer interface［D］.Rochester:New York:University of Rochester，2001.

［4］ 王兆源，周龍旗.腦電信號的分析方法［J］.第一軍醫(yī)大學(xué)學(xué)報，2000，20(2):73 －80.

［5］ 李勇，高小榕，高上凱.誘發(fā)腦電的時間－空間分析［J］.生物醫(yī)學(xué)工程學(xué)雜志，2002，19(1):158－161.

［6］ 季忠，秦樹人，彭麗玲.腦電信號的現(xiàn)代分析方法［J］.重慶大學(xué)學(xué)報，2002，25(9):108 －111.

［7］ Cilliers Pierre J.A system for vep detection and stimulus phase discrimination［D］.South Africa:University of Pretoria，1996.

［8］ 侯媛彬，杜京義，汪梅，神經(jīng)網(wǎng)絡(luò)［M］.西安:西安電子科技大學(xué)出版社，2007.

［9］ 龔茜玲，錢梓文.生理學(xué)(第二版)［M］.上海:上海醫(yī)科大學(xué)出版社，1992，215 －216.

［10］ 周元慶.利用小波變換少樣本均值提取視覺誘發(fā)電位［D］.武漢:華中科技大學(xué)，2000.

［11］ 何慶華，彭承琳，吳寶明.腦機(jī)接口技術(shù)研究方法［J］.重慶大學(xué)學(xué)報，2002，25(12):106 －109.

［12］ 何慶華.基于視覺誘發(fā)電位的腦機(jī)接口實驗研究［D］.重慶:重慶大學(xué)，2003.

［13］ 何慶華，彭承琳，吳寶明，等.基于視覺誘發(fā)電位的腦機(jī)接口實驗研究［J］.生物醫(yī)學(xué)工程學(xué)雜志，2004，21(1):93－96.

［14］ 張繼武，鄭崇勛，耿中行.用奇異性檢測技術(shù)提取誘發(fā)電位［J］. 中國生物醫(yī)學(xué)工程學(xué)報，1999，18(3):295－303.

The Recognition of Visual Evoked Potential with B-spline Wavelet Transform

LI Ming-Ai1*ZHANG Fang-Kun1LIU Lei1HAO Dong-Mei2
1(Institution of Artificial Intelligence and Robot，Beijing University of Technology，Beijing 1000124，China)
2(Life Science and Institute of Biomedical Engineering，Beijing University of Technology，Beijing 100124，China)

With the aim to solve the problems such as weak anti-disturbances and low recognition rate in signal processing and feature extraction of visual evoked potential(VEP)，a method based on the B-spline wavelet transform and BP neural network was proposed to extract and recognize the features of VEP.VEP was preprocessed by a few times of average to enhance the signal-noise ratio;Then based on the B-spline wavelet transform，features were extracted and classified with BP neural network classifier.Compared with existing methods，the experimental results showed that the proposed method could accurately extract the features of VEP，and display betterperformance on anti-disturbancesand classification. The experimentresults demonstrated that the method based on B-spline wavelet transform combined with BP neural network had an average recognition rate of 90.4%，displaying the feasibility and the effectiveness of the proposed method.

brain-computer interface;VEP;recognition;wavelet transform;neural network

R318.08

A

0258-8021(2010)03-0353-05

10.3969/j.issn.0258-8021.2010.03.006

2009-09-08，

2010-03-03

國家自然科學(xué)基金資助項目(30670543);北京市委組織部優(yōu)秀人才培養(yǎng)項目(20071B0501500198)

*通訊作者。 E-mail:limingai@bjut.edu.cn