王忠民，馮 璁，賀 炎

(1.西安郵電大學(xué) 計(jì)算機(jī)學(xué)院，陜西 西安 710121；2.西安郵電大學(xué) 陜西省網(wǎng)絡(luò)數(shù)據(jù)分析與智能處理重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710121)

0 引 言

腦機(jī)接口(brain-computer interface，BCI)技術(shù)是一種利用在大腦內(nèi)部、皮質(zhì)表面、頭皮檢測(cè)到的生物電信號(hào)實(shí)現(xiàn)人類(lèi)大腦與計(jì)算機(jī)或其它電子設(shè)備相互交流、通訊，從而允許使用者在沒(méi)有外圍神經(jīng)系統(tǒng)和肌肉組織參與的情況下進(jìn)行有效通信的技術(shù)[1]。腦電信號(hào)(electroencephalogram，EEG)因其非侵入性、采集便捷、高時(shí)間分辨率等特性被廣泛用作腦機(jī)接口的源信號(hào)[2]。隨著科學(xué)技術(shù)的發(fā)展以及科研水平的不斷提高，研究者通過(guò)使用盡可能多的通道采集腦電信號(hào)，以提高情感識(shí)別精度、獲得較為準(zhǔn)確的監(jiān)測(cè)效果。但是，使用較多的通道信號(hào)會(huì)產(chǎn)生降低可穿戴設(shè)備使用者的舒適度，增加信號(hào)處理過(guò)程中的計(jì)算負(fù)荷、成本等負(fù)面影響。為解決上述問(wèn)題，通道選擇技術(shù)應(yīng)運(yùn)而生，該技術(shù)通過(guò)結(jié)合實(shí)際應(yīng)用場(chǎng)景，去除與任務(wù)不相關(guān)的通道以簡(jiǎn)化系統(tǒng)，提高計(jì)算效率。

目前，在基于腦電信號(hào)的情感識(shí)別領(lǐng)域，研究者們提出了多種不同的通道選擇方法。Wu等[3]依據(jù)情感與大腦“前額葉區(qū)域腦電活動(dòng)不對(duì)稱(chēng)”這一特點(diǎn)之間的相關(guān)性，將國(guó)際10-20系統(tǒng)中Fp1和Fp2通道采集的數(shù)據(jù)作為腦電信號(hào)分析的輸入。Peng等[4]從多位被試的腦電信號(hào)中提取香農(nóng)熵、差分熵、第一差分等特征，通過(guò)Mean-ReliefF算法實(shí)現(xiàn)特征選擇，并依據(jù)特征權(quán)重進(jìn)行通道排序，最終選擇較優(yōu)的通道子集。現(xiàn)有的大多數(shù)通道選擇方法主要從已有的腦區(qū)功能劃分、特征選擇等角度進(jìn)行研究分析，存在實(shí)驗(yàn)結(jié)果依賴(lài)于前期特征提取是否合理、計(jì)算復(fù)雜度高等不足。為此，本文提出一種以腦電信號(hào)產(chǎn)生機(jī)制為理論基礎(chǔ)的通道選擇方法。

1 通道選擇方法

通過(guò)任意位于大腦皮層通道測(cè)得的被觀(guān)測(cè)腦電信號(hào)由多個(gè)象征不同精神活動(dòng)誘發(fā)、不同腦部區(qū)域產(chǎn)生的相互獨(dú)立的腦電源成分疊加而成[5]。因此，本文對(duì)多通道腦電信號(hào)進(jìn)行腦電源成分定量分析，選擇與情感誘發(fā)相關(guān)度較高的腦電源成分，最終通過(guò)反投影實(shí)現(xiàn)通道選擇。

如圖1所示，定量分析腦電源成分的通道選擇方法包括腦電源成分提取、腦電源成分定量分析、腦電源成分反投影3部分。

圖1 定量評(píng)估腦電源成分的通道選擇方法框

1.1 腦電源成分提取

通常，腦電信號(hào)是由固定在頭皮上的采集通道感應(yīng)到大腦活動(dòng)過(guò)程中微弱的電壓變化，通過(guò)差分放大、濾波、數(shù)模轉(zhuǎn)換等一系列手段獲得的一種非平穩(wěn)隨機(jī)信號(hào)，是腦神經(jīng)細(xì)胞在自發(fā)狀態(tài)或不同事件誘發(fā)下的電生理活動(dòng)在大腦皮層或頭皮表面的總體反映。實(shí)際上，每個(gè)通道采集到的腦電信號(hào)都是大腦內(nèi)部多個(gè)活動(dòng)源產(chǎn)生的電生理信號(hào)的疊加，是一種易受干擾的混合信號(hào)。把這些活動(dòng)源產(chǎn)生的電生理信號(hào)從腦電信號(hào)中分離出來(lái)，對(duì)腦部疾病的臨床診斷、大腦認(rèn)知功能研究、情感產(chǎn)生及傳導(dǎo)機(jī)理研究等具有重要意義。

腦電信號(hào)用矩陣形式可表示為X={x1(t),x2(t),x3(t),…,xn(t)}T，n表示采集腦電信號(hào)的通道數(shù)量,T為X的轉(zhuǎn)置表示。X由m個(gè)相互獨(dú)立的腦電源成分向量S={s1(t),s2(t),s3(t),…,sm(t)}T經(jīng)過(guò)矩陣W混合而成

X=WS

(1)

在上述模型中，通過(guò)腦電信號(hào)數(shù)據(jù)矩陣X得到源成分向量和混合矩陣，即

U=W-1X

(2)

其中，W-1被稱(chēng)為解混矩陣，是混合矩陣W的逆矩陣，定義Wm=(w1m,w2m,…,wnm)T為矩陣W-1的列向量。

本文通過(guò)基于信息傳輸最大原則(information maximization，Infomax)算法[6]提取多個(gè)腦電源成分，即當(dāng)輸入的腦電信號(hào)與輸出的多個(gè)腦電源成分的互信息越大，輸出的各腦電源成分間的冗余信息越小。由式(2)可知，各通道的腦電信號(hào)是各個(gè)腦電源成分與其對(duì)應(yīng)的wnm(m=1～n)線(xiàn)性加權(quán)的結(jié)果，因此，腦電源成分sm(t)對(duì)應(yīng)采集的腦電信號(hào)xn(t)中的變量wnm稱(chēng)為sm(t)對(duì)xn(t)的權(quán)重，若權(quán)重越大，則代表該腦電源成分sm(t)在腦電信號(hào)xn(t)的所占比重就越大。因此，由矩陣W-1的列向量可以得知各個(gè)腦電源成分在腦電信號(hào)采集通道的分布情況。

1.2 腦電源成分定量分析

Infomax算法得到的多個(gè)腦電源成分不僅包括與給予特定刺激相關(guān)的大腦活動(dòng)信號(hào)，而且摻雜外界環(huán)境、其它生理電信號(hào)等引起的干擾信號(hào)。在本文中，為去除與情感識(shí)別任務(wù)不相關(guān)的腦電源成分，多個(gè)相互獨(dú)立的源成分經(jīng)維格納分布變換后得到相應(yīng)的時(shí)頻圖，使用盒計(jì)數(shù)法作為時(shí)頻圖所含信息的量化指標(biāo)，從而優(yōu)選出與情感識(shí)別密切相關(guān)的腦電源成分。

1.2.1 維格納分布

時(shí)頻分析旨在將一維非平穩(wěn)信號(hào)通過(guò)二維的時(shí)間-頻率密度函數(shù)表示，以揭示包含在非平穩(wěn)信號(hào)中的頻率分量及其隨時(shí)間的變化規(guī)律。與傳統(tǒng)短時(shí)傅里葉變換相比，維格納分布是一種雙線(xiàn)性時(shí)頻分析方法，處理非平穩(wěn)連續(xù)信號(hào)時(shí)具有時(shí)間-頻率邊緣特性、能量集中性、高分辨率等特點(diǎn)[7]。因此，本文采用維格納分布對(duì)多個(gè)腦電源成分進(jìn)行時(shí)頻分析，且任意腦電源成分S均為連續(xù)時(shí)間信號(hào)

(3)

通過(guò)式(3)，任意腦電源成分均使用時(shí)-頻域表示，并以時(shí)頻圖形式輸出，以便通過(guò)盒計(jì)數(shù)法衡量腦電源成分的信息量。

1.2.2 盒計(jì)數(shù)法

分形維數(shù)技術(shù)是提取圖像隱藏特征較為有效的方法之一，運(yùn)用分形維數(shù)不僅可以表征圖像的粗糙程度，而且可以表征其復(fù)雜程度。盒計(jì)數(shù)方法[8]是計(jì)算圖像分形維數(shù)的常用方法之一，本文將其作為多個(gè)腦電源成分的時(shí)頻圖所含信息的量化指標(biāo)，從而優(yōu)選出與情感識(shí)別任務(wù)密切相關(guān)的腦電源成分。在應(yīng)用盒計(jì)數(shù)方法之前，需要先將灰度時(shí)頻圖轉(zhuǎn)換為二值圖像

TFI(pix(k))>thrd→1，TFI(pix(k))

(4)

TFI表示任意腦電源成分的時(shí)頻圖，pix(k)表示第k個(gè)像素，thrd表示閾值。若像素值小于或等于閾值，則將該像素設(shè)置為0，否則為1。

進(jìn)行二值化處理后的時(shí)頻圖表示為F,其分形維數(shù)計(jì)算如式(5)所示

(5)

Dα為F的分形維數(shù)值，Nr(F)表示覆蓋F所需盒子的數(shù)目，r即為盒子的邊長(zhǎng)。

1.3 腦電源成分反投影

本文采用分形維數(shù)量化各腦電源成分與情感識(shí)別任務(wù)的相關(guān)性后，使用反投影技術(shù)推導(dǎo)各腦電源成分在多通道腦電信號(hào)的強(qiáng)度、位置等信息，進(jìn)而判斷其在大腦皮層所激活的區(qū)域，從而將篩選出來(lái)的與情感識(shí)別任務(wù)相關(guān)的腦電源成分映射到相應(yīng)的腦電信號(hào)通道。

腦電研究主要由腦電模型、腦電正問(wèn)題、腦電逆問(wèn)題3部分組成。腦電源成分反投影技術(shù)屬于腦電逆問(wèn)題研究范疇，是指根據(jù)頭皮觀(guān)測(cè)到的電位來(lái)信號(hào)反演腦電活動(dòng)源的信息。腦電逆問(wèn)題研究方法主要包括基于邊界元、有限元等的腦電皮層電位成像技術(shù)和等價(jià)偶極子定位技術(shù)。使用偶極子解決腦電逆問(wèn)題首先需要分別假設(shè)頭模型和源模型。通常，源模型包括單偶極子源、多偶極子源，頭模型包括球模型、橢球模型、真實(shí)頭模型。本文使用等價(jià)偶極子分析方法[9]實(shí)現(xiàn)腦電源成分反投影將任意腦電源成分視為一個(gè)電流偶極子，使用最小化殘余誤差確定電流偶極子的位置和強(qiáng)度等信息，如式(6)所示

(6)

其中，j為躍遷偶極矩，Z為導(dǎo)聯(lián)場(chǎng)矩陣。

2 數(shù)據(jù)集及實(shí)驗(yàn)設(shè)置

2.1 DEAP公共情感數(shù)據(jù)集

本文基于DEAP公共情感數(shù)據(jù)集[10]驗(yàn)證該通道選擇方法的可行性與有效性。DEAP數(shù)據(jù)集共32位被試，每位被試在觀(guān)看40段用于誘發(fā)情感狀態(tài)的音樂(lè)視頻的同時(shí)，被要求記錄其腦電信號(hào)、眼電信號(hào)、皮膚溫度等生理信號(hào)，其中22位被試被額外記錄了觀(guān)看視頻時(shí)的面部表情。觀(guān)看音樂(lè)視頻后，每位被試通過(guò)Arousal、Valance、likedislike、Dominance and Familiarity這4個(gè)維度對(duì)音樂(lè)視頻進(jìn)行評(píng)價(jià)。由此可知，DEAP數(shù)據(jù)集是一個(gè)可用于分析人類(lèi)情感狀態(tài)變化的多模態(tài)數(shù)據(jù)集。在本文實(shí)驗(yàn)中，僅使用DEAP數(shù)據(jù)集中32位被試的32通道腦電信號(hào)，以及Arousal、Valance兩個(gè)維度的情感空間模型。

DEAP數(shù)據(jù)集中32位被試的32通道腦電信號(hào)已進(jìn)行去噪處理，主要包括下采樣至256 Hz、使用腦電信號(hào)Lab工具箱以2 Hz截止頻率進(jìn)行高通濾波，以及應(yīng)用盲源分離算法去除眼部偽影等。預(yù)處理后的32通道腦電信號(hào)被用于對(duì)4類(lèi)情感狀態(tài)(high arousal-positive(HA-P)、low arou-sal-positive(LA-P)、high arousal-negative (HA-N)、low arousal-negative(LA-N))進(jìn)行分類(lèi)。

為增加訓(xùn)練樣本數(shù)量，每個(gè)60 s實(shí)驗(yàn)樣本被分為15個(gè)不重疊的4 s樣本，即每位被試共有600個(gè)樣本數(shù)據(jù)。每位被試的實(shí)驗(yàn)數(shù)據(jù)均包含數(shù)據(jù)和標(biāo)簽兩個(gè)數(shù)組。標(biāo)簽數(shù)組表示每位被試對(duì)觀(guān)看的每個(gè)音樂(lè)視頻的評(píng)價(jià)級(jí)別，代表從1至9連續(xù)范圍內(nèi)的Arousal、Valance兩個(gè)維度的等級(jí)。每個(gè)維度取5為閾值，若視頻對(duì)應(yīng)標(biāo)簽的評(píng)價(jià)級(jí)別大于或等于5，被認(rèn)為是高級(jí)別，否則相反。

2.2 1-D卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)概念的提出來(lái)源于生物學(xué)理論中的感受野機(jī)制。感受野是指大腦中的神經(jīng)只接受特定刺激區(qū)域內(nèi)的生理信號(hào)。目前的卷積神經(jīng)網(wǎng)絡(luò)主要是一種由輸入層、若干卷積層和池化層交叉堆疊而成的深層前饋神經(jīng)網(wǎng)絡(luò)，通常使用多個(gè)反向傳播(back propagation，BP)算法進(jìn)行訓(xùn)練，使之以最高速度執(zhí)行分類(lèi)任務(wù)。其中，卷積操作部分由多個(gè)濾波器完成，產(chǎn)生輸入數(shù)據(jù)的相應(yīng)特征；池化層主要實(shí)現(xiàn)特征降維任務(wù)。根據(jù)輸入數(shù)據(jù)的不同，卷積神經(jīng)網(wǎng)絡(luò)通?？煞譃?-D、2-D、3-D卷積神經(jīng)網(wǎng)絡(luò)，2-D卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于圖像識(shí)別領(lǐng)域，3-D卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于視頻流處理、行為識(shí)別領(lǐng)域。本文使用的1-D卷積神經(jīng)網(wǎng)絡(luò)通常被用于信號(hào)處理中，腦電信號(hào)正是通過(guò)位于頭皮通道采集的一維信號(hào)，符合1-D卷積神經(jīng)網(wǎng)絡(luò)的輸入要求。將32通道腦電信號(hào)作為1-D卷積神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)適當(dāng)?shù)赜?xùn)練1-D卷積神經(jīng)網(wǎng)絡(luò)以學(xué)習(xí)、提取不同情感狀態(tài)的特定特征，分類(lèi)任務(wù)由Softmax回歸模型完成，最終達(dá)到情感識(shí)別的目的。

通常，在使用深度學(xué)習(xí)模型進(jìn)行數(shù)據(jù)訓(xùn)練時(shí)，需進(jìn)行參數(shù)設(shè)置。在本文中，1-D卷積神經(jīng)網(wǎng)絡(luò)交替使用兩個(gè)雙卷積層和池化層，雙卷積層由兩個(gè)卷積層疊加構(gòu)成。卷積核的大小為3，池化層濾波器大小為2。4個(gè)卷積通道的大小分別為64、64、128、128。為防止過(guò)擬合，第二層池化層后使用Dropout層，其參數(shù)設(shè)置為0.6。Dropout層后使用全連接層，并在輸出層選擇Softmax激活函數(shù)，用于對(duì)腦電信號(hào)實(shí)現(xiàn)四分類(lèi)。

2.3 評(píng)價(jià)函數(shù)

本文采用準(zhǔn)確度(Accuracy)、特異度(Specificity)、敏感度(Sensitivity)這3個(gè)參數(shù)作為1-D卷積神經(jīng)網(wǎng)絡(luò)的分類(lèi)性能衡量指標(biāo)，計(jì)算公式分別如式(7)、式(8)、式(9)所示

(7)

(8)

(9)

其中，TP、TN、FP、FN均通過(guò)混淆矩陣來(lái)定義，見(jiàn)表 1。

表1 混淆矩陣

3 通道選擇結(jié)果及分析

本文通過(guò)Infomax算法提取被觀(guān)測(cè)腦電信號(hào)的多個(gè)腦電源成分，采用維格納分布、盒計(jì)數(shù)法對(duì)腦電源成分進(jìn)行量化評(píng)估，將含有與特定誘發(fā)刺激相關(guān)度較高的腦電源成分進(jìn)行反投影以實(shí)現(xiàn)通道選擇?；贒EAP情感數(shù)據(jù)集，使用1-D卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)情感識(shí)別任務(wù)，并通過(guò)情感識(shí)別準(zhǔn)確率驗(yàn)證本文提出的通道選擇方法的有效性。首先，將通道依照所含信息量從大到小依次作為1-D卷積神經(jīng)網(wǎng)絡(luò)的輸入，依據(jù)分類(lèi)誤差率的變化確定最佳通道的數(shù)目。其次，將選出的通道子集與全通道、其它文獻(xiàn)方法的分類(lèi)性能進(jìn)行比較。最終，計(jì)算采用不同通道數(shù)量時(shí)時(shí)間復(fù)雜度的變化情況，驗(yàn)證該通道選擇方法可以在基本不損失情感識(shí)別準(zhǔn)確率的情況下，有效減少腦電信號(hào)處理的數(shù)據(jù)量。

具體實(shí)驗(yàn)操作流程為：

(1)在Python3.5環(huán)境下，完成多通道腦電信號(hào)的腦電源成分提取和定量分析。其中，腦電源成分提取采用Infomax算法，定量分析采用維格納時(shí)頻分布、盒計(jì)數(shù)法完成。

(2)在Matlab環(huán)境下，使用EEGLAB工具箱完成腦電源成分投影。其中，使用BEM作為頭部模型，通過(guò)DIPFIT2.2插件計(jì)算各個(gè)腦電源成分對(duì)應(yīng)的電流偶極子。

(3)通過(guò)步驟(1)、步驟(2)，多通道腦電信號(hào)依據(jù)與情感的相關(guān)性由高到低進(jìn)行排序；隨后，依次添加各通道腦電信號(hào)作為1-D卷積神經(jīng)網(wǎng)絡(luò)的輸入，完成情感識(shí)別任務(wù)。其中，1-D卷積神經(jīng)網(wǎng)絡(luò)在Python3.5環(huán)境下的Keras平臺(tái)實(shí)現(xiàn)。

3.1 選擇的最佳通道分布

DEAP數(shù)據(jù)集中32位被試的32通道腦電信號(hào)進(jìn)行預(yù)處理之后，執(zhí)行Infomax算法，首先進(jìn)行去中心、白化等預(yù)處理，目的在于去除各通道信號(hào)之間的關(guān)聯(lián)性、增強(qiáng)Infomax算法的收斂性。其次，分離出腦電源成分并且結(jié)合大腦地形圖分析各腦電源成分在腦部區(qū)域的活躍程度。如圖2所示，可知32位被試的32通道腦電信號(hào)依據(jù)Infomax算法可分離出32個(gè)腦電源成分，同時(shí)每個(gè)腦電源成分在各通道的權(quán)重即為腦電源成分在大腦皮層的空間分布情況(大腦地形圖)。大腦地形圖中不同的顏色深度代表某腦電源成分在不同腦部區(qū)域的活躍程度，顏色越深代表活躍程度越強(qiáng)。

圖2 32個(gè)腦電源成分地形

為衡量任意腦電源成分所含信息量，使用維格納分布將32個(gè)腦電源成分信號(hào)變換為時(shí)間-頻率圖像，并進(jìn)一步轉(zhuǎn)換為二進(jìn)制形式。將基于盒計(jì)數(shù)方法的分形維數(shù)應(yīng)用于每個(gè)時(shí)頻圖，32個(gè)腦電源成分對(duì)應(yīng)分形維數(shù)值見(jiàn)表2。

由表2知，任一腦電源成分的時(shí)頻圖包含的信息量不同，因此將32個(gè)腦電源成分根據(jù)所含信息量由大到小進(jìn)行排序，繼而反投影實(shí)現(xiàn)通道選擇。實(shí)現(xiàn)反投影后依據(jù)所含信息量由高到低的前16個(gè)通道依次排序?yàn)椋篎p1、PO3、F7、O1、FC2、F3、Pz、P3、FC5、AF3、C4、P7、CP5、CP6、AF4、FC6。如圖3所示，分類(lèi)精度曲線(xiàn)是依據(jù)各通道在定量評(píng)估中所含信息量的權(quán)重進(jìn)行依次添加得到的，首先添加所含信息量較大的通道。當(dāng)通道數(shù)目低于8時(shí)，隨著通道數(shù)目的增加，分類(lèi)誤差率迅速降低；當(dāng)通道數(shù)目增至8以上，分類(lèi)誤差率降低較為緩慢。

表2 腦電源成分的分形維數(shù)值

圖3 分類(lèi)誤差率隨通道數(shù)目的變化情況

選擇Fp1、PO3、F7、O1、FC2、F3、Pz、P3通道的腦電信號(hào)作為1-D卷積神經(jīng)網(wǎng)絡(luò)的輸入，從而在使用較少通道的情況下達(dá)到較低的分類(lèi)誤差率。其8通道的腦區(qū)分布如圖4所示。

圖4 最佳通道分布

3.2 最佳通道的表現(xiàn)性能

為驗(yàn)證該通道選擇方法的可靠性，本文對(duì)比了采用兩種不同通道集進(jìn)行情感識(shí)別的結(jié)果：①利用本文提出的通道選擇方法選擇的通道子集；②全通道，即不進(jìn)行通道選擇。

如圖5所示，使用本文提出的通道選擇方法所選通道子集采集的信號(hào)作為1-D卷積神經(jīng)網(wǎng)絡(luò)的輸入，其準(zhǔn)確度、特異度、敏感度3個(gè)指標(biāo)分別為67.2%，69.5%，71.4%。另一方面，不進(jìn)行通道選擇而直接使用32通道腦電信號(hào)作為1-D卷積神經(jīng)網(wǎng)絡(luò)的輸入，其準(zhǔn)確度、特異度、敏感度3個(gè)指標(biāo)分別為70.4%，61.9%，74.1%。由此可知，與全通道的實(shí)驗(yàn)結(jié)果相比，8通道采集的信號(hào)實(shí)現(xiàn)情感四分類(lèi)僅犧牲較低的分類(lèi)性能。

圖5 不同通道集合的分類(lèi)性能比較

表3將本文通道選擇取得的分類(lèi)結(jié)果與其它研究情感四分類(lèi)的通道選擇文獻(xiàn)[12,13]的結(jié)果進(jìn)行比較。現(xiàn)有文獻(xiàn)提出的方法取得了65.04%、58.16%的平均準(zhǔn)確度，均低于本文所用框架的結(jié)果。

上述實(shí)驗(yàn)分別將所選通道的表現(xiàn)性能與全通道、其它相關(guān)文獻(xiàn)的結(jié)論進(jìn)行比較，驗(yàn)證了本文提出的方法在基于腦電信號(hào)通道選擇的情感識(shí)別中可獲得較高的識(shí)別準(zhǔn)確率。

表3 與現(xiàn)有通道選擇文獻(xiàn)的性能比較

3.3 通道選擇結(jié)果的論證

通道選擇旨在通過(guò)對(duì)各通道的腦電信號(hào)進(jìn)行定量評(píng)估，去除冗余通道，提高可穿戴設(shè)備的使用便捷性、簡(jiǎn)化后續(xù)的信號(hào)處理。在這一過(guò)程中，尋找與特定刺激相關(guān)的腦部區(qū)域?qū)τ诮⒁粋€(gè)高精度的腦機(jī)接口應(yīng)用系統(tǒng)至關(guān)重要。大腦主要由額葉區(qū)、頂葉區(qū)、枕葉區(qū)、顳葉區(qū)、中央5個(gè)區(qū)域構(gòu)成，不同區(qū)域負(fù)責(zé)不同的腦部活動(dòng)，如：額葉區(qū)負(fù)責(zé)有意識(shí)地思考、顳葉區(qū)負(fù)責(zé)嗅覺(jué)與聽(tīng)覺(jué)、頂葉區(qū)負(fù)責(zé)整合來(lái)自多個(gè)感官的感知信息、枕葉區(qū)負(fù)責(zé)視覺(jué)。

Soraia M等[14]提出在情感誘發(fā)過(guò)程中，與情感最相關(guān)的腦部區(qū)域主要是額葉和頂葉位置。如表4所示，DEAP數(shù)據(jù)集采集腦電信號(hào)的通道共32個(gè)，每個(gè)腦部區(qū)域分布不同數(shù)量的腦電信號(hào)通道。在情感識(shí)別研究中，通過(guò)本文提出的通道選擇方法選擇的Fp1、PO3、F7、O1、FC2、F3、Pz、P3通道主要位于額葉區(qū)域與頂葉區(qū)域，與上述理論研究相一致，驗(yàn)證了選出的通道子集的合理性。

表4 DEAP公共情感數(shù)據(jù)集通道位置與腦部區(qū)域?qū)?yīng)

為驗(yàn)證通道選擇的必要性，本文分別從通道數(shù)目與分類(lèi)準(zhǔn)確度、后續(xù)腦電信號(hào)處理時(shí)間變化兩個(gè)角度進(jìn)行分析。從分類(lèi)準(zhǔn)確度進(jìn)行分析，使用全通道腦電信號(hào)、8通道腦電信號(hào)實(shí)現(xiàn)情感識(shí)別的準(zhǔn)確度分別為70.4%、67.2%，即使用本文提出的通道選擇方法進(jìn)行通道選擇可將通道數(shù)目由32降到8，分類(lèi)準(zhǔn)確度僅降低3.2%。從后續(xù)腦電信號(hào)處理時(shí)間變化角度分析，通道數(shù)目的增加伴隨著計(jì)算時(shí)間的急劇提高。如圖6所示，當(dāng)通道數(shù)目從32降至8時(shí)，1-D卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間可以節(jié)省1/4，大大降低計(jì)算復(fù)雜度。為通過(guò)可穿戴設(shè)備采集的數(shù)據(jù)實(shí)行實(shí)時(shí)性處理提供有效的參考價(jià)值。

圖6 計(jì)算時(shí)間隨通道數(shù)目的變化情況

如表5所示，分別示例5組通道數(shù)目下的情感識(shí)別準(zhǔn)確度與計(jì)算時(shí)間，識(shí)別準(zhǔn)確度與計(jì)算時(shí)間均隨著通道數(shù)目不斷變化。在實(shí)現(xiàn)情感識(shí)別任務(wù)時(shí)，按照各通道與情感刺激的相關(guān)性由高到低依次添加，選取Fp1、PO3、F7、O1、FC2、F3、Pz、P3這8個(gè)通道信號(hào)作為1-D卷積神經(jīng)網(wǎng)絡(luò)的輸入，計(jì)算時(shí)間為1.72 min，準(zhǔn)確度為67.2%；選取Fp1、PO3、F7、O1、FC2、F3、Pz、P3、FC5這9個(gè)通道信號(hào)作為1-D卷積神經(jīng)網(wǎng)絡(luò)的輸入，計(jì)算時(shí)間為1.8 min，準(zhǔn)確度為66.8%；選取Fp1、PO3、F7、O1、FC2、F3、Pz、P3、FC5、AF3、C4、P7、CP5、CP6、AF4、FC6這16個(gè)通道信號(hào)作為1-D卷積神經(jīng)網(wǎng)絡(luò)的輸入，計(jì)算時(shí)間為2.4 min，準(zhǔn)確度為69.6%；選取所有的32個(gè)通道信號(hào)作為1-D卷積神經(jīng)網(wǎng)絡(luò)的輸入，計(jì)算時(shí)間為5.1 min，準(zhǔn)確度為70.4%。當(dāng)通道數(shù)目由8增至9時(shí)，準(zhǔn)確度略有下降，該現(xiàn)象的原因可以認(rèn)為是后續(xù)增加的通道信號(hào)對(duì)于前一階段的實(shí)驗(yàn)數(shù)據(jù)造成干擾，無(wú)法達(dá)到更好的實(shí)驗(yàn)效果。當(dāng)通道數(shù)目增至8時(shí)，情感識(shí)別的準(zhǔn)確度變化較為緩慢。因此，據(jù)分析可知，以犧牲分類(lèi)性能的輕微降低為代價(jià)提高可穿戴設(shè)備的便捷性、簡(jiǎn)化計(jì)算復(fù)雜度是值得的。

表5 準(zhǔn)確度與計(jì)算時(shí)間隨著通道數(shù)目增加的變化情況

4 結(jié)束語(yǔ)

本文提出一種定量評(píng)估腦電源成分的通道選擇方法。DEAP數(shù)據(jù)集的32通道腦電信號(hào)作為該方法的輸入進(jìn)行通道選擇，1-D卷積神經(jīng)網(wǎng)絡(luò)利用所選通道的腦電信號(hào)實(shí)現(xiàn)情感識(shí)別(HA-P、LA-P、HA-N、LA-N)任務(wù)。與全通道的分類(lèi)識(shí)別率相比，以犧牲較低的分類(lèi)精度為代價(jià)，將腦電信號(hào)的通道數(shù)目從32個(gè)減少到8個(gè)。另一方面，選擇的通道均位于大腦的額葉和枕葉，這與現(xiàn)有的神經(jīng)生理學(xué)理論相一致，驗(yàn)證了通過(guò)該方法選擇的腦電信號(hào)通道的合理性。該研究為可穿戴設(shè)備的便捷性、舒適度方面的改善提供了較可靠的參考，并且可以簡(jiǎn)化后續(xù)信號(hào)處理的復(fù)雜程度。