工程科学与技术，国际期刊21（2018）421完整文章基于SSVEP的脑机接口应用性能提升研究Erdem ErkanBohan，Mehmet Akbaba计算机工程系，Karabuk大学，Karabuk，土耳其阿提奇莱因福奥文章历史记录：2017年11月27日收到2018年3月11日修订2018年4月3日接受在线提供2018年4月10日保留字：脑机接口稳态视觉诱发电位（SSVEP）最小能量组合（MEC）典型相关分析（CCA）A B S T R A C T患有神经系统疾病或神经退行性疾病的人无法通过神经通路控制自己的肌肉。脑机接口（BCI）系统为这些人提供了另一条与他们自己的神经通路不同的路径这种替代途径是由计算机直接使用大脑信号，而稳态视觉诱发电位（SSVEP）方法目前为无创脑机接口的实现提供了高性能和可靠的通信。在基于SSVEP的脑机接口系统中，脑电信号检测时间（信号窗口长度）和准确度是最重要的性能参数。性能通常由信息传输速率（ITR）来衡量。本文介绍了一种基于SSVEP的BCI机器人控制应用，分析了不同信号窗长度下的系统性能。首先，利用基于视觉眨眼检测的快速眼伪影检测方法（FEAD）确定被试的眨眼次数。这些眨眼计数用于系统激活。通过这种控制提高了系统的可用性。系统采用FEAD方法检测连续两次眨眼来激活系统。系统停用也由同一命令提供。同步和异步实验进行了四个健康的主题性能分析。通过同步实验对EEG数据进行了详细的分析。在同步实验中，受试者试图通过导航机器人（Lego Mindstorms EV3）完成预定义的路线，该路线有12个步骤最小能量组合（MEC）和典型相关分析（CCA）方法被应用到不同长度的EEG段，以检测SSVEP在两种类型的实验。ITR值计算不同的信号窗口长度。结果表明，在SSVEP强度较低的情况下，MEC方法的检测精度在同步实验中，使用MEC方法，对于具有0.9s信号窗口长度的一个对象，系统峰值ITR达到133.33bit/min。该ITR值高于文献中关于基于SSVEP的BCI系统的已发表研究。©2018 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍患有神经系统疾病或神经退行性疾病的人不能通过神经通路控制自己的肌肉。肌萎缩侧索硬化症（ALS）、锁定综合征（LIS）、脊髓损伤、中风和许多其他病症损害控制肌肉的神经通路。脑机接口系统为这些人提供了另一条不同于他们自己神经通路的路径。这种替代途径是由计算机直接使用大脑信号，而不使用任何发声肌肉。 EEG是BCI系统中最常用的信号类型这些*通讯作者。电子邮件地址：erdem erkan@hotmail.com（E. E r k a n ），makbaba@karabuk.edu.tr（M. Akbaba）。由Karabuk大学负责进行同行审查信号是由大脑中许多神经元的放电产生的[1基于SSVEP的 BCI系统必须将不同频率的闪烁光刺激反射给用户。这些刺激的最佳响应是在5和20Hz之间的刺激频率下获得的[4，5]。这些刺激的响应信号可以从头皮检测到。基于SSVEP的 BCI系统分析这些信号。该系统的成功是通过ITR来衡量的ITR取决于三个因素：速度、精度和目标数量[6报告的基于SSVEP的 BCI系统的平均准确度和ITR分别为95.3%和58 ± 9.6 bit/min[9]。另一项研究报告称，平均准确度和ITR分别为96.79 ± 7.881%和61.70 ± 32.676 bit/min[8]。另一项研究报告称，老年人的ITR为16.10 bit/min，年轻人为27.36 bit/min[10]。在另一项研究中[11]，ITR报告为25.69 ± 1.00。采用多变量同步指数法（MSI）对基于SSVEP的脑机接口系统进行了测量，结果为21.37 bit/min和39.87 ± 8.37 bit/minhttps://doi.org/10.1016/j.jestch.2018.04.0022215-0986/©2018 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch422E. Erkan，M.Akbaba/Engineering Science and Technology，an International Journal 21（2018）421¼据报道，基于SSVEP的BCI系统可以在5秒内控制人形机器人，准确率为95%[12]。另一个基于SSVEP的机器人控制BCI系统，使用快速傅立叶变换和高斯模型来检测主频率分量，据报道准确度为75%[13]。在另一项基于SSVEP的机器人控制研究中报告了29%的错误率[14]。本研究设计了一个基于SSVEP的无创脑机接口系统，该系统有四个目标。用户可以通过使用该系统控制机器人（乐高MindstormsEV3）受试者的眨眼用于系统激活。通过快速眼伪影检测（FEAD）方法检测受试者眨眼共有4例受试者参与研究。利用CCA和MEC方法分析了不同信号窗长度下系统的同步和异步得到了使系统ITR最大的最佳信号窗长该系统的一般结构如图所示。1.一、2. 材料和方法2.1. 数据采集这些数据是从四名健康受试者在多个场合收集的，每个场合包括几个试验。受试者的平均年龄为35.75岁，范围为30 - 41岁。在异步实验期间，受试者必须在LCD屏幕（1366 X 768分辨率，60 Hz刷新率）上执行看四个不同的正方形（100 X 100像素），这四个正方形由6.66Hz“向上”、7.50 Hz“向右”、8.57 Hz“向下”和10 Hz“向左”刺激。受试者通过语音命令了解目标，目标必须看（左，右，上，下）。在实验中，两个不同的计算机，具有i7 2.8 GHz和i3 2.27 GHz的处理器被用于图形用户界面（GUI）和信号处理。这两台电脑都运行Win-10操作系统和4 GB的RAM。受试者坐在GUI屏幕前，距离约50 cm。在这些试验期间，使用放置在头皮上的8个金EEG电极将电极放置在预定位置PZ;PO3;PO4;O1;O2;OZ;O9和FP2处。EEG导电膏应用于电极和头皮之间。根据国际10-20系统，将电极放置在枕骨区域附近。此外，通过测试通道的分类成功率，采用广义误差估计方法进行电极的选择。每次试验记录5 s。异步实验数据集，包括56个标记的数据，每个类，每个主题。显示电极放置在图2中。使用生物信号放大器图二.电极放置。（Bioradio，Great Lakes NeuroTechnologies，USA）。采样频率设置为500 Hz。在同步实验期间，受试者试图通过导航能够向前、向后、向左和向右移动的机器人来完成预定义的路线。受试者可以通过12个正确的命令完成路线。受试者被放置在这样的位置，他们可以很容易地看到机器人和计算机屏幕。此外，用户还可以收到有关其命令的即时语音反馈。图形用户界面（GUI）是在MATLAB2105a中利用Psychtoolbox和LegoMindstormsEV3Support库设计的。同步GUI屏幕截图如图所示。3.第三章。2.2. 信号处理和分类分类过程应用于原始EEG信号。信号处理步骤如图所示。 四、2.2.1. 标准化在不同的会话中获得EEG数据。这使得电压幅度产生显著差异。幅度差异可能是受试者生理变化和环境变化的结果。这种差异对分类产生了负面影响。因此，EEG信号通过z分数方法进行缩放，针对每个通道逐个训练，并且同时从所有通道测量电压值。该方法的目的是提高脑电信号的信噪比。Z分数通常表示与平均数据的距离Z分数描述于Eq.（一）其中，x表示信号平均值，r表示标准偏差值[15]第10段。Fig. 1.系统的总体结构Zx-xR图三. 实验样本由GUI。ð1ÞE. Erkan，M.Akbaba/Engineering Science and Technology，an International Journal 21（2018）421423见图4。 信号处理步骤。图五、通过眼睛垂直眨眼伪影和FEAD特性进行的样本数据的标准化是通过在等式的帮助下计算每个信号（一）.2.2.2. 通过FEAD进行眨眼检测受试者的眨眼次数通过FEAD方法确定。这些计数用于使系统活动或不活动。该系统通过从对象获得的两个连续眨眼来启动以控制机器人，即类似于鼠标的双击，并且控制过程由具有相同特征的第二命令终止。垂直眨眼示例和FEAD算法流程图见图1和图2。分别为5和6。利用FEAD的最小峰值突出值（MPPV）和最小峰值距离值（MPDV）MPPV和MPDV值取为0.3 ms和2 e-04。从通道FP2检测到垂直眨眼。2.2.3. 过滤每次试验的EEG数据提取8通道的异步和同步实验，采样频率为500Hz。见图6。 FEAD流程图。信号由0.5-40 Hz巴特沃斯滤波器滤波。之前滤波信号DC分量被抑制。2.2.4. 小波去噪从非平稳信号中去除噪声的经典方法是小波去噪（WaveletNoising，WD），它是一种将信号进行小波分解，得到的信号的能量分布集中在少数几个小波系数绝对值大W和W-1分别表示424E. Erkan，M.Akbaba/Engineering Science and Technology，an International Journal 21（2018）421不B bðÞXXITRITRv1vNs水平WD。以DB10小波为基本函数进行分析NsNhK1-1Ny11Ns前向和后向小波变换，然后在下面的过程中对给定的信号进行WD包括不感兴趣信息。为此，使用正交投影该计算在Eq.（12）.Wi¼ Wxi 2不Yb¼Y-XXX公司简介Wc¼TW;k3使信号Yb的能量最小化的权重向量W可以我我Cbi¼W-Wci4由最小特征值ki和特征向量vi计算 的矩阵YT Y。权重向量矩阵W在等式中给出。（12）凡特征值在升序... ;kNs，相应的其中，W是小波系数向量T_k_k阈值算子，k阈值d，Wc为阈值化后的小波系数，Cb为eigen vectorsv1;.. . ;vNs并且Ns是选择的信道计数，用于分类。“#噪音第六章采用Daubechies 10（DB 10）母小波¼ 我知道了。. . pk模拟信号[17]。通过使用WD，观察到分类成功率提高了约%3。频率功率可以通过等式（1）计算（12）.NsNhPb<$1XXjjXTsljj212最小能量组合法（MEC）[8，18]用于信号处理。该方法通常包括三个步骤。三个步骤如下：归一化功率值在等式中给出。其中，P是第i个信号的功率。P/P^i是ð13Þ所有关于感兴趣频率的信息都应该从记录的信号中提取。所获得的信号仅包括不感兴趣的信息。因此，它可以被认为是属于原始信号的噪声分量实现线性组合，抑制在第一阶段中获得的噪声信号。● 最后，我们将此线性组合应用于原始信号iNfP^j第1页用softmax函数计算的修正功率值在等式中给出。（十四）、这种修正是必要的，以克服由大Nf值所引起的问题。以产生低噪声信号。在时间t，电极i和参考电极之间的电压yit，yit在等式中描述。（5）式中，f为激励频率，Nh为所考虑谐波的个数。P´i¼ePiNfePj第1页ð14Þ表1受试者1的异步实验结果。yitXai;ksin2pkftbi;kcos2pkftEi;t5k¼1信号CCA MEC信号由两部分组成。第一部分涉及精度%位最小值精度%位最小值SSVEP信号是由若干个与刺激频率成正余弦函数关系的N阶谐波组成。ai;k和bi;k表示正弦和余弦项幅度。信号Ei;t的第二部分是噪声和所有信息293.30 46.18 95.98 50.801.5 89.29 53.56 93.30 61.571 85.27 69.80 91.96 88.150.9 80.36 64.93 91.07 94.96与SSVEP信号无关脑电波信号0.80.778.1375.8967.1670.3889.2987.95100.42109.55在时间段中的电极i在等式1中给出（6）、（12）0.674.5577.8484.82114.51其中Nt表示信号i的样本，X表示信息。0.565.1861.8882.14124.80矩阵（大小：Nt×2Nh），其包含与Nh谐波相关联的正弦和余弦分量，并且gi（大小：2Nh× 1）表示幅度ai;k和bi;k。yi¼ Xgi Ei6yi½yi 1;.. . ;yiNt]T7当量（6）可以推广到Ny电极，Y¼XGE80.4 63.84 72.43 72.32 106.540.3 51.34 45.85 63.39 94.4414.29 49.55 60.1527.23 1.13表2实验二的异步实验结果minY½y;.. . ;y]包含来自所有信道的采样EEG信号，nels。信道向量s在等式（1）中给出其中W是与电极信号相关联的权重的向量。当量（12）可以推广对于Ns个通道，如Eq. 其中信道向量S12S1;. . . ;SNs]以及权重矩阵W1/2/ W1。. . ;WNs]。公司简介在第一阶段，关于感兴趣的频率的所有信息应该从记录的信号中提取。 获得的信号●●去噪信号[16]。WD应用于信号以减少W11Þ2.2.5.最小能量组合法l<$1k<$1长度信号长度CCAMEC准确度%ITR钻头准确度%ITR钻头min294.6448.4195.5449.981.583.9344.3791.0756.98183.4865.5089.7381.590.978.1359.6986.1680.040.874.5558.3883.9383.190.773.6664.3580.3683.480.672.3271.0373.6675.070.562.5054.1475.8998.530.458.4854.4264.7375.690.345.0927.3356.7065.330.230.363.1738.3918.830.120.544.8021.433.05E. Erkan，M.Akbaba/Engineering Science and Technology，an International Journal 21（2018）421425BCfsSino2 pHf m1.. .Sino2pHfmJfs¼fs1表3第三个主题的异步实验结果最后，频率值f结果 最大P′i 1到N f之 间 的 值 是实际结果。该值由下式给出：信号CCA MEC当量（十五）、长度精度%ITR位精度%ITR位f结果 ¼argmaxðP´iÞð15Þ2.2.6. 典型相关分析0.957.8923.3867.1137.65CCA是一种多变量统计方法，0.857.0224.9867.1142.36两组数据之间的相关性[19，20]。如果这两组0.5 49.56 24.07 57.460.4 39.47 10.93 45.610.3 35.96 8.54 38.6012.930.2 30.70 3.58 30.26数据X2R I1xJ;Y2R I2xJ和他们的线性组合是CCA试图找到一对线性变换w2R11xJ和v2R12xJ，以通过求解方程中的优化问题来最大化x和y之间的相关性。（十六）、0.1 24.12 0.18 25.44 0.04最大功率E½~xy~]2 2wT XYTvT Tð16ÞpE表4四号实验对象的异步实验结果minp的最大值对应于变量x和y之间的最大距离。 I在等式（17），M=（f1;f2;f3;. . fm）表示目标的刺激频率，X是从I1通道获得的EEG信号，Y m是由正弦、余弦构成的参考信号，m是刺激频率指数，H是信号谐波数，fs是采样率，J是采样点数。0sincerati 2 pf m1sincerati .. .2002年2月2日pf mJ1BCosmetic 2pffs 你... .铯2pf.fsJCYm¼Bmfs....mfs.Cfsð17Þ@cosmos 2pHf m1.. .铯2pHfmJA图7.第一次会议。系统ITR值随信号窗口长度的变化minmin280.2629.1287.7238.041.573.2529.5281.5840.75164.4729.8972.3742.700.754.8224.9267.9850.400.655.7030.7359.2137.81信号长度CCAMEC准确度%ITR钻头准确度%ITR钻头min266.6716.6086.8436.891.562.7218.2582.0241.41156.1418.9471.4941.150.950.4414.3068.4239.980.851.3217.1766.6741.500.749.1216.6167.1148.410.646.4915.5564.4749.820.545.6117.2356.1437.890.449.1229.0852.6337.680.342.5421.0954.8258.140.237.2815.9444.7439.630.131.589.4834.2118.27426E. Erkan，M.Akbaba/Engineering Science and Technology，an International Journal 21（2018）421不Bt¼logNp logp1-plog1-p19ITR和比特每分钟，可以计算公式。（18）其中C N是分类的数量，T是以秒为单位的处理时间[21，8]。Bm¼60：CN：Bt 180也可以从等式2计算以每次试验的比特表示的Bt其中p是分类精度，N是目标的数量。目标平均数是刺激平方[21]。在这种情况下，N变为4。2 2 2 N-13. 实验结果见图8。 系统平均ITR值。对于每个参考信号Ym计算p值。最大p值表示与X信号具有最高相关性的参考信号。与X具有最高相关性的该参考信号指示作为聚焦对象的刺激频率。2.3. 计算系统信息传输速率比特率或信息传输率（ITR）是最常用的BCI系统的性能评估Bm是什么MEC和CCA方法应用于EEG段，通过不同长度的同步和异步实验收集，以检测SSVEP。在两种方法中，信号谐波的数量都选择为四个。表1、表2-4分别给出了每个子系统的异步实验结果的准确度和ITR值图7中给出了根据每个受试者的信号窗口长度的系统ITR值的变化。两种方法的系统平均ITR值也在图8中给出。在0.5和1 s之间的信号窗口长度内实现高ITR值，所有科目。通过减小信号窗口长度重复多次同步实验以确定最佳信号长度。通过CCA和MEC方法的合成实验结果在表5和6中给出。表5CCA方法获得的同步实验结果表6MEC方法获得的同步实验结果E. Erkan，M.Akbaba/Engineering Science and Technology，an International Journal 21（2018）4214274. 结论在基于SSVEP的 BCI系统中，信号检测时间和准确性是最重要的性能参数。本文研究了BCI机器人控制应用，并采用CCA和MEC方法对系统进行了性能分析。BCI应用的激活由受试者的特定眨眼提供。FEAD方法是一种快速检测特定眨眼的方法。通过这种方式，我们能够设计一个BBA系统，当用户希望执行命令。据观察，通过使用FEAD，该系统变得更加用户友好。Z分数法小波去噪（WD）用于信号的标准化和系统的降噪。使用WD后，分类成功率提高了约3%。实验进行了同步和异步类型的性能分析。在异步实验中通过仿真采集数据，在同步实验中使用能够前后左右移动的机器人对BCI系统进行测试。系统性能测试与两种不同的信号检测方法（CCA和MEC）通过减少信号窗口长度在这两种类型的实验。计算每个受试者和信号窗口长度的ITR值。分析结果表明，MEC方法的检测精度与CCA方法相当，但在SSVEP强度较低的情况下，MEC方法的检测精度高于CCA方法在MEC方法下，仅用3个枕区通道（O1、O2、OZ）进行同步实验，一个受试者的ITR值最高可达133.33bit/min。该ITR值高于文献中先前发表的基于SSVEP的BCI系统的研究[8表5和表6中突出显示了最高ITR值。所有受试者在同步实验中完成了预定义的路线，在信号窗口长度为2，1.5和1 s时没有误差，平均准确率达到100%如表6所示。在信号窗口长度为1和0.8 s时，ITR值超过100 bit/min。同步实验比异步实验更成功，因为受试者通过导航机器人接收关于他们的命令的即时视觉和语音反馈。同步实验时间也比同步实验时间短。长时间的实验通过减少焦点而降低信号检测的成功率。在同步实验中，在信号窗口长度小于0.7s时不能实现成功的信号检测。据观察，枕骨区域负面地影响了信号检测。系统性能也受到受试者压力的负面影响，自然平静的受试者可以获得更好的信号检测进一步研究还可能考虑到可能影响绩效的人为因素。引用[1] H. Dickhaus，H.李文，应用小波神经网络对生物信号进行分类，一种非侵入性诊断方法，中华医学会医学杂志，1999年，第15卷，第52期，103- 111页。[2] J.R. Wolpaw ， G.E. Loeb ， B.Z. Allison ， E. 东 钦 ， O.F. Nascimento ， W.J.Heetderks，F. Nijboer，W.G. Shain，J.N.陈文辉，2005年脑电会议信号与记录方法研讨会，神经系统工程与工程学报，2005。Eng.14（2）（2006）138-141。[3] E.埃尔坎岛Kurnaz，心理生理信号特征对分类方法的影响研究，Meas。Biol. Med.101（2017）45-52.[4] M.A. Pastor ， J. Artieda ， J. Arbizu ， M. Valencia ， J. Masdeu ， Humancerebralactivation during steady state visual-evoked responses ， Neuroscience 23（37）（2003）11621-11627.[5] H.切科蒂岛Volosyak，A. Graser，基于ssvep的bci在lcd屏幕上的可靠视觉刺激，Eur。Sig. 过程Conf. （EUSIPCO）18（2010）919-923。[6] E.C. Lalor，S.P. Kelly，C.菲纽肯河伯克河史密斯，R.B. Reilly，G. McDarby，Steady state VEP based brain-computer interface control in an immersive3dgaming environment，EURASIP 19（2005）3156-3164.[7] X. Gao、X. Xu，M. Cheng，S.高，一个基于BCI的环境控制器的运动残疾人，IEEE跨神经系统康复。Eng. 11（2）（2003）137-140。[8] I. Volosyak，基于 Ssvep的bremen-bci提高信息传输 速率， 神经工程8（3）（2011）62-71。[9] G. Bin ，X. Gao ， Z.扬湾 ，澳 - 地洪 ， S. Gao ， An online multi-channel ssvep-basedbrain-computer interface using a canonical correlation analysis method ，Neural Eng.6（4）（2009）046002.[10] I. Volosyak，F.Gembler，P.Stawicki，基于SSVEP的BCI性能中与神经网络相关的差异，Neurocomputing 250（2017）57-64。[11] Y. Zhang，L. Guo，L. Yao，P. Xu，基于SSVEP的BCI的多变量同步索引方法的扩展，神经计算269（2017）226-231。[12] C.J. Bell，P. 谢诺伊河Chalodhorn，R.P.N.Rao，Control of a humanoid robot byanoninvasive brain-computer interface in humans， J. Neural Eng. 5（2008 ）214- 220.[13] A. Guneysu，H. L.Akin，An ssvep based bci to control a humanoid robot byusingportable eeg device，Eng. Med. Biol. Soc.（EMBC）35（2013）6905-6908.[14] R.奥特纳角古格河Prueckl，E. Grünbacher湾基于Ssvep的机器人控制脑机接口，计算机.帮助有特殊需要的人（2010年）85-90。[15] E. Kreyszig，高等工程数学，第九版。参见John Wiley，2006年。[16] A.帕拉希夫-约内斯库角Jutten，K.阿米尼扬湾张志华，小波去噪在高噪声源分离中的应用，电路与系统，2002年。ISCAS，2002年。IEEE International Symposiumon（2002）.[17] 何志杰，Y.Y. Zi，X.F.应用内积变换原理进行故障诊断，J。 震动Eng.20（5）（2007）528-533。[18] O.弗里曼岛Volosyak，A. Gräser，脑-机接口稳态视觉诱发电位的多通道检测，IEEE Trans. Biomed。Eng.54（4）（2007）742-750。[19] Y. Zhang，G.周，加-地Zhao，中国粘蝇A. Onishi，J. Jin，X. Wang，中国山核桃A.Cicloviki，基于SSVEP的BCIS中频率分量识别的多路典型相关分析，Int. Conf. 神经信息过程 18（2011）287-295。[20] Z.林角，澳-地Zhang，W. Wu，X.高，基于典型相关分析的频率识别，IEEE，生物医学。Eng.53（2006）2610-2614。[21] J.R. Wolpaw，H.放大图片作者：D. Pfurtscheller，基于Eeg的通信：通过响应验证提高准确性，IEEE Trans. 康复中心Eng.6（3）（1998）326-333。
我的内容管理
收起
我的收益 登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏 
我的下载 
下载帮助 
