陸竹風， 張小棟,2， 張黎明， 李瀚哲， 李 睿,2

(1.西安交通大學機械工程學院 西安,710049) (2.西安交通大學現代設計及轉子軸承系統教育部重點實驗室 西安,710049)

引 言

自Berger首次使用非植入電極檢測人腦表面腦電信號(electroencephalogram, 簡稱EEG)以來[1]，EEG分析領域迄今已歷經近百年研究。依托EEG分析算法發(fā)展，研究人員將腦機接口(brain control interface，簡稱BCI)技術應用于假肢、輪椅和屏幕打字機等的控制[2]，均取得喜人成果[3]。盡管如此，BCI技術尚停留于實驗室研究階段。由于EEG本身的低信噪比和高個體差異性，作為微弱的人體生物電信號，EEG極易淹沒于眾多偽跡、噪聲之中[4]。為增進BCI技術的實用價值，提高其穩(wěn)定性，EEG去偽跡研究已成為必不可少的趨勢[5]。

穩(wěn)態(tài)視覺誘發(fā)(steady state visual evoked potentials, 簡稱SSVEP)腦機接口因其誘發(fā)機理，在現行BCI范式中具有較高穩(wěn)定性?，F有研究多基于受試者無眨眼動作的注視狀態(tài)開展，自由眨眼動作的引入，造成了SSVEP識別正確率的明顯下降，極大影響其應用價值。由于人眼處于人體頭面部區(qū)域，距EEG采集點距離極近，易對EEG造成明顯影響。眼電偽跡屬于人體自身偽跡信號，易與EEG產生混淆，無法通過簡單濾波處理輕易消除[4]。為增進SSVEP-BCI的實用價值，提高其抗自由眨眼動作下的穩(wěn)定性，如何于包含眼電偽跡的EEG中提取純凈EEG，同時保留SSVEP有效信息、提高識別正確率，成為亟待解決的問題之一。

傳統眼電偽跡消除方法一般基于獨立成分分析完成：通過分離EEG中的獨立成分，參考眼電電極信號確定眼電成分，將其置零重構以恢復純凈EEG。該方法在運算過程中易造成有效信息損失，無法保證BCI穩(wěn)定性的提高。不少市售EEG采集設備缺少眼電電極，無法提供直接的眼電信號參考。

筆者從偽跡干擾下BCI的穩(wěn)定性研究出發(fā)，以自由眨眼動作下的SSVEP-BCI為切入點，進行SSVEP去眼電偽跡研究，提高眼電偽跡干擾下SSVEP-BCI的穩(wěn)定性。提出了一種基于自適應神經模糊推理系統的無參考電極下EEG眼電偽跡自適應消除方法，有效消除了SSVEP中的眼電偽跡，并通過自由眨眼動作下的穩(wěn)態(tài)視覺刺激實驗，驗證該方法的有效性。

1 穩(wěn)態(tài)視覺刺激下眼電偽跡表現

眼電偽跡由眼部活動產生，分為眼球豎直移動、水平移動及眨眼動作[5]。穩(wěn)態(tài)視覺刺激下，由于受試者對視覺刺激源呈現注視狀態(tài)，眼球豎直及水平移動較為細微，故SSVEP中的眼電偽跡主要由眨眼動作造成。

同時采集穩(wěn)態(tài)視覺刺激時自由眨眼動作下前額葉區(qū)及枕葉區(qū)EEG，如圖1所示。其中,虛線標記區(qū)域表現出強烈眼電偽跡特征。對比眼電偽跡區(qū)域內前額葉區(qū)與枕葉區(qū)信號，前額葉區(qū)信號呈上凸現象、枕葉區(qū)信號呈下凹現象，眨眼動作在前額葉區(qū)與枕葉區(qū)呈現相反表現，故眼電信號源在全腦EEG呈線性變換偽跡現象，無法通過濾波器直接消除。包含眼電偽跡與不含眼電偽跡的SSVEP頻譜圖如圖2所示。其中，含眼電偽跡信號頻譜在低頻處存在較大增幅，故眼電偽跡多集中在信號低頻部分。

圖1 穩(wěn)態(tài)視覺刺激時自由眨眼動作下前額葉區(qū)及枕葉區(qū)腦電信號Fig.1 Prefrontal and occipital EEG during steady-state visual stimulation

圖2 含眼電偽跡與無眼電偽跡的穩(wěn)態(tài)視覺誘發(fā)腦電信號頻譜圖Fig.2 Spectrum of SSVEP with and without ocular artefacts

2 基于ANFIS的無眼電電極下腦電信號眼電偽跡的自適應消除方法

眨眼動作對EEG的影響可視為由獨立偽跡信號源經非線性變換后對純凈EEG的噪聲。由于缺失該非線性變換函數，為達到在消除眼電偽跡同時避免有效信息損失的目的，設計自適應噪聲消除器(adaptive noise cancellation, 簡稱ANC)，采用ANFIS自行逼近眼電信號源至眼電偽跡的非線性變換函數,可達到測量信號中消除眼電偽跡的目的，其原理如圖3所示。

圖3 算法原理圖Fig.3 Algorithm schematic diagram

(1)

其中:M(t)為測量信號;E(t)為純凈信號;A(t)為測量信號中的偽跡信號;S(t)為偽跡信號源。

由于市售設備存在眼電電極缺失情況，為獲得有效眼電信號源，設計基于FastICA及相關系數的眼電信號源提取與識別模塊?？紤]到受試者在單次實驗中未眨眼情況，加入基于峰度系數的眨眼動作判斷環(huán)節(jié)。算法整體結構如圖4所示。

2.1 基于FastICA及相關系數的眼電信號源提取與識別方法

單個腦電電極可接受電極點周圍18～32 cm2信號[6]。在眼電電極缺失情況下，選擇位于前額葉區(qū)且不易受面部肌電干擾的F3和F4通道作為眼電信號源的參考通道。由于眼電偽跡屬低頻干擾，為體現眼電信號源特征并避免超低頻雜波，將0.5～15 Hz濾波處理后的F3和F4通道信號作為眼電信號源參考信號，進行FastICA處理[7]，分離兩路獨立成分。

對分離后的兩路獨立成分進行眼電信號源成分的自動識別?？紤]到眼電信號源形態(tài)應與眼電信號源參考信號形態(tài)較為一致，取數學統計量相關系數用于表征兩變量間的線性相關程度。計算各獨立成分與兩路眼電信號源參考信號間的相關系數和，取其大者自動識別為眼電信號源，即

圖4 算法整體結構圖Fig.4 Algorithm structure diagram

Cori=(|r(ICi,xF3)|+|r(ICi,xF4)|)

(i=1,2)

(2)

其中：Cori表示第i個獨立成分的相關系數和；ICi表示第i個獨立成分；xF3，xF4表示F3,F4通道眼電信號源參考信號。

為避免對不存在眼電偽跡的測量信號進行過度處理，加入眨眼動作判斷環(huán)節(jié)。由于眨眼時EEG表現出有別于非眨眼EEG的異常凸起，統計學中可利用峰度系數指標表征統計數據尖端尖翹程度[8]，故針對眼電信號源參考信號進行基于峰度系數指標的閾值判斷，即

(3)

2.2 基于ANFIS的眼電偽跡自適應消除方法

眼電偽跡的自適應消除通過ANC實現：以眼電信號源作為輸入，將輸出與測量信號之差作為反饋，調整內部權值，擬合得到眼電偽跡；將測量信號減去眼電偽跡，得到無眼電偽跡的EEG。

圖5 ANFIS典型結構Fig.5 Typical structure of ANFIS

ANC核心運算部分由ANFIS結構實現。ANFIS是模糊規(guī)則與神經網絡學習規(guī)則結合的自適應系統，是一種宜于表達復雜系統動態(tài)特性的非線性模型。該模糊規(guī)則的推理由網絡結構中若干節(jié)點各自對應規(guī)則完成，ANFIS可分為5層[9]，基本結構如圖5所示。第1層，利用隸屬度函數完成輸入信號模糊化；第2層，選擇與算子完成模糊規(guī)則預演；第3層，計算各節(jié)點各規(guī)則的歸一化可信度；第4層，計算單個節(jié)點輸出；第5層，系統整體輸出。其中:節(jié)點個數由對輸入數據進行減法聚類算法確定；隸屬度函數選擇高斯型隸屬度函數；參數調整由逆向傳遞的最小二乘方誤差方法確定。

考慮到人腦其他區(qū)域較前額葉區(qū)距人眼較遠，故其他區(qū)域眼電偽跡相較前額葉區(qū)域提取的眼電信號源存在輕微延時現象。為提高眼電信號源對大腦其他區(qū)域眼電偽跡的適應性，在ANC前加入抽頭延時(tapped delay line, 簡稱TDL)結構對眼電信號源進行延時處理。

3 實驗研究

3.1 數據采集

圖6 Neuracle腦電信號采集系統及其電極位置Fig.6 Neuracle EEG acquisition and electrode position

為驗證上述算法的有效性，筆者基于穩(wěn)態(tài)視覺刺激實驗，引入受試者在刺激過程中的自由眨眼動作，研究該偽跡消除方法對自由眨眼動作下SSVEP識別準確率的影響。實驗采用中國博瑞康公司(Neuracle)開發(fā)的8通道EEG采集系統，如圖6(a)所示，其采樣頻率為1 000 Hz，通過無線路由與電腦相連；電極分布位置如圖6(b)所示。以AFz和CPz為參考電極，除用于提取眼電信號源參考信號的F3和F4位置外，其余電極均分布在枕葉區(qū)PO3，PO4，Pz，Oz，O1和O2位置用于SSVEP刺激頻率的識別。

本次實驗共有7名受試者(標記為S1～S7，其中2名為女性)，年齡均在22～24歲，無精神疾病史。實驗過程中要求受試者靜坐在穩(wěn)態(tài)視覺刺激屏幕前，注視屏幕上的穩(wěn)態(tài)視覺刺激源，刺激源基于場景動畫的SSVEP范式開發(fā)[10]。刺激源翻轉頻率為60/15 Hz，60/13 Hz，60/11 Hz和60/10 Hz。各頻率完成6組實驗，每組實驗進行5次刺激，共計120次視覺刺激實驗。單次刺激時間為4s，期間受試者可進行自由眨眼動作。實驗場景如圖7所示。

圖7 自由眨眼動作下穩(wěn)態(tài)視覺刺激實驗場景Fig.7 Experimental scene diagram of steady state visual stimulation under random blinking

3.2 參數選擇

3.2.1 FastICA算法二次型函數和優(yōu)化函數選擇

在FastICA算法中，非二次型函數及優(yōu)化函數的選擇直接影響了獨立成分的計算結果[7]。在非二次型函數和優(yōu)化函數選擇方面存在如式(4)所示的4種常見類型，可依次簡易表述為pow3,tanh，gauss和skew型。

(4)

經FastICA處理后的兩路獨立成分呈現出一路眼電信號源成分、一路純EEG成分的強烈差異性，以兩獨立成分間峰度系數差為衡量指標，進行函數組合選擇。FastICA算法4種非二次型函數及4種優(yōu)化函數組合下獨立成分峰度系數差均值及方差如表1所示。其中：第1行表示非二次型函數；第1列表示優(yōu)化函數，數值均保留至小數點后5位。

表1數據顯示，獨立成分峰度系數差均值最大的前3組為pow3 & skew > tanh & gauss > tanh & pow3，表明該3種函數組合在16種函數組合間呈現眼電信號源成分和純EEG成分差異最大化。由于函數組合對所有數據的普適性，增加獨立成分峰態(tài)系數差方差作為評價指標，數據方差較小表明該函數組合對所有數據具有相對一致的效果。以上3種函數組合獨立成分峰態(tài)系數差方差排序為tanh & pow3 < tanh & gauss < pow3 & skew。綜合考慮兩種指標，選擇獨立成分峰度系數差均值大而方差較小的tanh & gauss組合為FastICA運算函數組合。

3.2.2 眼電信號源成分自動識別方法比較

為選擇合適的眼電信號源成分自動識別方法，對基于峰度系數和相關系數的兩種指標進行對比。峰度系數如式(3)所示，相關系數如式(2)所示，均選擇兩獨立成分間指標更大者為眼電信號源。4例峰態(tài)系數法與相關系數法眼電信號源成分識別差異如圖8所示。

在識別有差異的數據組別中，基于相關系數指標識別的眼電信號源成分較基于峰度系數指標識別的眼電信號源成分表現出更為符合眼電信號源的異常凸起特征，因此選擇基于相關系數的指標作為眼電信號源成分自動識別的依據。

3.2.3 TDL延時時間確定

TDL結構因大腦其他區(qū)域較前額葉區(qū)距離人眼較遠而引入，其眼電信號源延時時間通過計算不同延時時間下眼電信號源與枕葉區(qū)6通道SSVEP間的相關系數確定。該相關系數變化曲線如圖9所示，其中:+表示延時,-表示提前。

圖9表明，眼電信號源與SSVEP間的相關系數隨延時時間呈現先增大后減小的關系。峰值數據出現在延時0～20/1 000 s之間，各通道最佳延時時間如虛線框細節(jié)圖所示。由于PO3和PO4通道、Oz和O1通道最佳延時時間相差較近，比較該兩處延時時間下6通道SSVEP與眼電信號源相關系數，取其中較大者確定為延時時間。因此，最終選擇+4/1 000 s，+8/1 000 s，+13/1 000 s，+18/1 000 s 4組延時時間用于眼電信號源TDL設計。

表1 FastICA算法4種非二次型函數及4種優(yōu)化函數組合下獨立成分峰度系數差均值及方差

Tab.1 Mean and variance of independent components′ kurtosis coefficient difference under combination of 4 non-quadratic form functions and 4 optimization functions in FastICA

pow3tanhgaussskewpow34.992 34±9.295 385.006 91±9.106 154.979 10±9.002 854.947 22±9.209 01tanh5.000 71±9.193 905.003 94±9.144 034.984 10±9.000 794.943 11±9.267 99gauss5.006 71±9.145 935.008 3±9.144 024.980 07±9.013 664.960 71±9.258 78skew5.018 37±9.224 034.995 37±9.191 264.984 37±9.053 154.936 03±9.215 48

圖8 峰態(tài)系數法與相關系數法眼電信號源成分識別差異Fig.8 Difference of kurtosis coefficient method vs correlation coefficient method in EOG source component recognition

圖9 不同延時時間下眼電信號源與各通道SSVEP相關系數變化圖Fig.9 Variation of correlation coefficients between SSVEP and EOG source under varying delay time

3.3 結果分析

應用該偽跡消除方法對自由眨眼動作下SSVEP進行處理，60/13 Hz翻轉刺激下O2通道原始信號與經ANFIS偽跡消除處理信號的時域及頻域對比如圖10所示。經該偽跡消除方法處理后，SSVEP中眼電偽跡得到有效消除。為保證以上算法在消除眼電偽跡的同時保留了SSVEP頻率刺激的有效信息，對處理后的SSVEP進行識別正確率計算。同時，選擇經典5～45 Hz帶通濾波方法、傳統ICA方法與筆者提出的方法進行對比，比較各類方法下SSVEP識別正確率的改變，如表2所示。其中，SSVEP刺激頻率識別正確率由CCA算法完成[10]，準則函數為

(5)

其中：X為待識別信號；Y為與刺激頻率相關的參考信號；WX，WY為系數矩陣。

以上3種方法中，基于ANFIS的眼電偽跡自適應消除方法對受試者S1～S7的識別正確率均有提高，達到了在去除眼電偽跡的情況下保留腦電信號有效信息的目的。該ANFIS方法平均識別正確率較經典5～45 Hz帶通濾波方法平均提高3.6%、較傳統ICA方法平均提高4.8%。在7位受試者中，以受試者S2提高最為顯著，經過該ANFIS眼電偽跡自適應消除方法后識別正確率較經典5～45 Hz帶通濾波方法最高提高6.25%,較傳統ICA方法最高提高10%，極大提高了SSVEP-BCI在眼電偽跡干擾下的穩(wěn)定性。

圖10 60/13 Hz翻轉刺激下O2通道原始信號與經ANFIS偽跡消除處理信號的時域及頻域對比Fig.10 Original EEG vs after-ANFIS under 60/13 Hz visual stimulation in O2

表2 經典5～45 Hz帶通濾波方法、傳統ICA方法及ANFIS方法下SSVEP識別正確率Tab.2 SSVEP recognition accuracy rate among classical 5～45 Hz band pass filter vs traditional ICA vs ANFIS %

4 結束語

筆者以偽跡干擾下BCI的穩(wěn)定性為出發(fā)點，將自由眨眼動作下的SSVEP-BCI作為切入點，針對SSVEP中眼電偽跡問題，提出一種基于ANFIS的無眼電電極下EEG眼電偽跡自適應消除方法?；贑CA方法比較了經典濾波、傳統ICA和本研究方法下SSVEP識別正確率的改變。該方法規(guī)避了市售腦電信號采集設備缺乏眼電電極的情況，根據前額葉區(qū)腦電信號替代性提取了眼電信號源，并有效去除了SSVEP信號中的眼電偽跡成分。將該方法與經典濾波、傳統ICA方法處理后的SSVEP進行識別正確率對比，驗證該方法在消除眼電偽跡的同時保留了穩(wěn)態(tài)視覺刺激的有效信息，提高了SSVEP識別正確率，改善了SSVEP-BCI在自由眨眼動作下的穩(wěn)定性。