摘要：本研究旨在对比分析基于高频稳态视觉诱发电位（SSVEP）的解码算法,用于提升手部康复机器人控制的实时性与稳定性,从而为脑卒中患者提供更高效、精准的康复训练。高频刺激编码能显著降低SSVEP-BCI引发的视觉疲劳,对高频SSVEP解码算法的研究也逐渐成为主流。本研究通过分析20名被试者的枕叶区脑电数据,系统地评估了高频SSVEP范式下导联数量、数据长度以及FBCCA、FBMSI和eTRCA三种算法对信号分类性能的影响。结果表明,eTRCA算法可实现更高的平均识别准确率与信息传输速率（ITR）。导联位置对于SSVEP信号质量和识别精度的提升有关键的作用,因此采用eTRCA算法结合精准的枕叶区导联配置,可构建满足手部康复机器人高实时、高稳定性控制需求的BCI系统,有助于推动该技术在康复实践中的应用。

　　关键词：稳态视觉诱发电位；多变量同步指数;滤波器组典型相关分析;手部康复

　　0引言

　　脑机接口（BCI）技术的发展为康复医学带来新契机,尤其是SSVEP的范式,为手部功能康复开辟了全新路径。相较于传统康复方法,基于高频SSVEP的康复训练可有效增强患者的主动参与意识,为促进神经可塑性提供了更高效的干预策略[1]。

　　稳态视觉诱发电位在脑机接口领域展现出显著优势：其信号具有高信噪比、高信息传输速率,同时,SSVEP具备低认知负荷特性,用户无需训练即可通过注视目标快速启动系统。当前SSVEP脑电信号的分类算法中,比较典型且常用的有快速傅里叶变换、小波变换、典型相关分析(canonical correlation analysis,CCA)和多变量同步指数(multivariate synchronization index,MSI)几种方法[2]。Wei等人[3]通过实验研究揭示,典型相关分析算法在处理多目标视觉刺激诱发的脑电信号特征解码任务中存在显著局限性。当采用1.5s时间窗进行信号分析时,算法对多目标刺激的区分能力明显下降,其平均识别准确率衰减85.82%。熊特等人[4]基于稳态视觉诱发电位范式构建脑控上肢康复机器人系统,实验结果表明,该系统的平均信息传输率可达23.11bit/min,此研究不仅证实了脑机接口技术在运动功能康复治疗中的工程适用性,更为脑机交互技术在神经康复工程中的转化应用提供了实证依据。

　　张杨松[5]于2013年提出多变量同步指数方法,该方法在刺激频率识别上与典型相关分析类似,其通过计算两个信号的相位同步性实现刺激频率特征解码。Chen等[6]提出了滤波器组典型相关分析（Filter Bank Canonical Correlation Analysis,FBCCA）算法。它是一种基于CCA的改进算法,首先对稳态视觉诱发电位信号进行多通道滤波器组处理,实现信号在基波及其谐波频段的子带优化分割；继而通过典型相关分析计算各子带信号与预设谐波参考模板之间的最大相关系数；该算法通过多子带协同优化机制,显著增强了频域特征互补性,在低信噪比条件下仍能保持较高的目标识别精度。FBCCA算法被广泛应用于BCI系统中。Chen等人[7]采用30~33Hz刺激范式实现了4指令无监督脑控机械臂,其平均ITR值仅为14.21bits/min。秦珂等人[8]在MSI算法的基础上提出FBMSI算法,在6个指令下的平均分类精度达到83.56%,比标准MSI算法提高了12.26%。Nakanishi等人[9]提出的任务相关成分分析（task-related component analysis,TRCA）能够增强SSVEPs在多次试验中的可重复性,从而通过去除背景脑电图活动来提高SSVEP信号的信噪比。后来,Nakanishi又提出了集成任务相关成分分析eTRCA,将与多个刺激频率对应的TRCA滤波器整合在一起,进一步提高了分类准确率。

　　目前,SSVEP脑机接口的主要分析方法包括典型相关分析、多变量同步指数和滤波器组典型相关分析。本文旨在提高基于SSVEP的手部康复机器人的控制性能,实验视觉刺激界面包含4个不同频率的刺激目标,采用MATLAB的Psychtoolbox工具包编程实现。分别采用FBCCA、FBMSI和eTRCA方法对高频SSVEP信号进行处理。通过不同数据长度和导联位置的组合分析,对比识别准确率,找出最优的参数设置,为手部康复机器人提供更精准的脑机接口控制提供了实验基础。

　　1研究方法

　　1.1滤波器组典型相关分析

　　相对于传统CCA算法在利用SSVEP信号谐波成分方面的局限性,FBCCA算法能够更全面地分析包括基频、低频及高频谐波在内的信号成分[10]。FBCCA算法包含以下3个主要步骤:（1）滤波器组分析；（2）SSVEP子频带成分与正余弦参考信号的CCA算法；（3）目标识别。FBCCA算法通过设计N个滤波器组,将EEG信号分解成N个子带,以提取各频带的基频及谐波信息,并计算各子带与对应频率正余弦参考信号的典型相关系数。对于第i个刺激频率,特征向量的定义如式（1）所示:

　　在本研究中,子带数N为7,子带的下截止频率为10*N Hz,子带的上截止频率为130Hz时获得效果最好。计算子带信号与正余弦参考信号的同步指标。针对第k个目标刺激频率,其同步指标向量S由N个子带的计算结果构成,如式（2）所示：

　　式中,MSI(XFilterbank-1),Yf)表示第N个子带信号与参考信号的同步指数计算结果,记为S。将各子带结果归一化至[0,1]区间后,乘以权重向量W。FBMSI算法内归一化层旨在提升参数a和b的优化效果。若子带间结果差异过大,会限制a和b的寻优能力,故设置该层将结果映射到[0,1]范围。鉴于SSVEP谐波成分的信噪比随频率升高呈指数衰减[14],子带权重系数WN按公式E1的幂指数规则确定,如式（3）所示：

　　E1:WN=N-a+b,N∈[1 9](3)

　　式中,N为子带索引；a和b为待优化常数。为降低计算开销并便于参数可视化,a的优化范围设定为[0,2]。参数b表示各子带的基线权重,用于抵消幂指数导致的子带权重过快衰减。根据式（3）,该参数为所有子带引入一个公共基线权重,其优化范围设计为[0,1]。

　　采用栅格法优化参数a和b,以最优组合提升FBMSI算法分类性能。将加权后的各子带同步指数向量求和,所得结果即为提取的特征向量[15]。

　　1.3集成任务相关成分分析

　　Nakanishi团队2017将TRCA应用于SSVEP信号识别。目前该方法已发展为SSVEP检测的主流方法之一,其空间滤波器ω可通过最大化试次间协方差求得[16]。

　　待识别的SSVEP信号X(t)包含两个分量：任务相关分量s(t)与任务无关分量n(t),如式（4）所示：

　　Xj(t)=a1,js(t)+a2,jn(t),j=1,2,…Nc(4)

　　式中,j表示通道索引；a1,j和a2,j为混合系数。此外,s(t)在跨试次间保持恒定,而n(t)在跨试次间变化,二者满足以下性质：在给定时间窗口内,s(t)的自协方差为正常数,且s(t)与n(t)的协方差为零。目标是从X(t)提取任务相关成分s(t),因此先对多通道EEG信号实施加权求和,如式（5）所示[17]。

　　使任务相关成分y(t)=s(t),多通道的EEG信号经过线性加权求和,得到在多个trial之间的高相关性的y(t)。然后基于协方差进一步求解上述式中的w。

　　设第h1和h2次试次的EEG信号任务相关成分分别为(x(h1)(t),y(h1)(t))和(x(h2)(t),y(h2)(t)),两试次间y(t)的协方差如式（6）所示[18]：

　　2研究方案

　　2.1实验采集

　　EEG采集系统采用博瑞康公司64导联脑电采集设备,采样率为1000Hz,电极布局严格参照国际10-20系统标准。实验采集枕叶区的POZ、OZ、O1、O2、PO3、PO4、PO7、PO8共8个导联的脑电信号,并在50Hz的频率范围内进行陷波滤波。实验前执行电极阻抗校准,确保所有电极的阻抗保持在10kΩ以下。

　　2.2实验范式设计

　　设计的刺激分类为四种,分别对应四种不同的康复动作。刺激呈现在具有120Hz刷新率的三星显示器上,基于MATLAB的Psychtoolbox工具箱进行程序开发。该工具箱可以精确控制视觉刺激频率,刺激频率选择为30Hz（五指弯曲）、34Hz（五指伸展）、38Hz（大拇指弯曲）和42Hz（大拇指伸展）,设计的刺激界面如图2所示。

　　本研究招募20名年龄在20~28周岁的健康被试者参加实验,其矫正视力均达1.0以上。实验在背景噪声小于30dB的环境中进行,受试者端坐于舒适的凳子上正视前方,眼睛与LCD显示屏水平距离保持60cm。闪烁刺激以7秒为一个周期,包括前后1秒的提示时间和5秒的刺激呈现时间。刺激块随机呈现,在一轮刺激中,每种刺激频率均会出现10次,总共采集4轮。为防止被试者出现视觉疲劳等情况,每一轮采集间隔休息10分钟。在采集信号时,要求被试者尽量保持平静并减少眨眼、咀嚼等肌肉运动活动。

　　3结果分析

　　实验对20名被试者的SSVEP信号进行分类,比较不同算法的分类结果,以便进一步进行手部康复机器人脑机接口系统的设计。

　　FBMSI算法对20名被试识别准确率结果如图4所示,平均分类准确率为92.38%。被试1和4准确率达95%。该算法准确率相比FBCCA算法有一定的提升。基于FBMSI算法构建的脑电信号分类模型展现出稳健的个体适配能力。算法稳定性分析表明,大多数被试准确率在90%~94%之间,多个被试在SSVEP任务中表现出色,这些被试的识别表现、稳定的准确率区间以及个体性能的提升为后续优化算法参数、探索个体差异机制以及筛选高性能被试群体提供了重要的实证依据。实验结果表明,FBMSI算法在多数被试中展现出稳定的分类性能,但个体差异导致的准确率波动问题仍需通过自适应参数调节等策略进一步优化。

　　下面对3种算法的平均准确率和信息传输率进行分析。

　　不同数据长度下平均正确率与信息传输速率的关系如图5所示,整体平均正确率随着数据长度的增加而提高,在3s后趋于平稳。在数据长度为1~3秒时,eTRCA算法的正确率明显高于FBCCA,随着数据长度的增加,两种算法的准确率相差逐渐减少。如图6所示,eTRCA算法的准确率在1~3秒内相对于另外两种算法显著提高。在任何数据长度时,准确率都要优于FBCCA和FBMSI算法。数据长度为3秒时,eTRCA算法的准确率达95.35%,比FBCCA和FBMSI分别提高11%和6%。随着时间长度的增加,三种算法的准确率都逐步上升,并逐渐趋于最高准确率。1~3秒时,信息传输速率逐渐上升,3秒后,数据传输速率缓慢下降,3种算法的信息传输速率均在第3秒时达到最大值。在3秒的数据长度下,eTRCA的信息传输速率达43.84bits/min,明显优于其它算法。

　　不同刺激频率（30Hz、4Hz、34Hz、47Hz）下分类结果随训练样本数量的变化趋势如图7所示。整体而言,四种频率的识别准确率均呈现随训练样本数增加而显著提升的趋势,这表明eTRCA算法的准确率对训练数据样本量存在依赖性。具体来看,30Hz在几乎整个样本量区间都展现出最高的识别准确率,显著优于其他频率,凸显出该频率下SSVEP信号特征具有更高的可识别性。相比之下,42Hz下,准确率虽然也随样本增加而提高,但其增长幅度最为平缓,且整体准确率水平低于30Hz,这反映了高频段SSVEP中,被试间的个体差异和训练样本较少时,算法的实际表现较差。然而,随着训练样本量的增大,分类准确度逐步提升并最终稳定在较高水准。34Hz与38Hz的表现介于两者之间,同样受益于样本量的扩充,达到了较高的最终准确率。图中各数据点上的误差棒表明了结果的波动范围,进一步表明充分训练样本对于稳定提升系统性能的关键作用。该结果对于实际应用中优化系统参数设计具有重要的指导意义。

　　为考察导联数量及导联位置对算法性能的影响,本研究设定数据长度为3s。主要采用枕叶区的通道,分别采用六种导联组合方案：1导（O2）；2导联组合（O1、O2）；3导联组合（PO5、PO6、POz）；4导联组合（PO3、PO4、O1、O2）；6导联组合（PO3、PO4、O1、O2、POz、Oz）和8导联组合(PO5、PO6、PO3、PO4、O1、O2、POz、Oz)。3种算法在五种导联配置下的平均正确率及平均信息传输速率分别如表1、表2所示。

　　由表1可见,目标识别的准确率随导联数量增加而提升。eTRCA算法在8导时表现最优,准确率达95.15%,较1导准确率提高约25%。与FBCCA和FBMSI算法相比,该算法分别提高约8%和3%。表2数据表明,平均信息传输率与导联数呈正相关,3种算法的信息传输速率均在8导时最高。此时,eTRCA算法的信息传输率显著优于另外两算法,为44.58bits/min。对比1、2、3不同导联组合的结果,在采用1导（O2）时的准确率高于3导联组合（PO5、PO6、POz）,表明提升SSVEP识别精度的关键在于导联位置的精准度,而非单纯增加导联数量。

　　4结语

　　本研究通过4目标刺激范式下的高频SSVEP实验,对比分析了不同算法对高频信号的处理能力。采集了枕叶区域的8导联脑电信号。对不同被试、不同数据长度和导联数的分析发现,eTRCA算法在识别精度与信息传输率方面均显著优于FBCCA与FBMSI算法。导联位置对SSVEP信号质量及识别准确率的影响高于导联数量。其中O1、O2导联是提升系统准确率的关键电极位点,在特征提取与模式识别过程中发挥核心作用。因此,eTRCA算法用于操控手部康复机器人实时性与稳定性更佳。

　　未来可从算法性能与实用性上寻求突破,结合深度学习与迁移学习技术,推动手部康复机器人脑机接口技术向智能化、精准化、实用化方向迈进。

　参考文献

　　[1]周晓燕,刘洋,高小榕.可穿戴脑电设备在军事脑机接口中的最新进展[J].仪器仪表学报,2023,44(2):156-165.

　　[2]闫铮,宾光宇,高小榕.基于左右视野双频率刺激的SSVEP脑-机接[J].清华大学学报(自然科学版),2009,46(12):2013-2016.

　　[3]NAKANISHI M,WANG Y T,WEI C S,et al.Facilitating Calibration in High-speed BCI Spellers Via Leveraging Cross-device Shared Latent Responses[J].IEEE Transactions on Biomedical Engineering,2019,67(4):1105-1113.

　　[4]熊特,胡瑢华,邵杭峰,等.基于稳态视觉诱发电位的脑电控制上肢康复机器人[J].科学技术与工程,2021,21(17):7237-7242.

　　[5]张杨松.基于稳态视觉诱发电位的脑机制及脑-机接口研究[D].成都:电子科技大学,2013.

　　[6]LIU Y,CHEN X,WANG Y.Deep Frequency-domain Residual Network with Multi-scale Spectral Pyramid for High-accuracy SSVEP Decoding[J].Journal of Neural Engineering,2023,20(3):450-458.

　　[7]CHEN X,WANG Y,GAO S,et al.Filter Bank Canonical Correlation Analysis for Implementing a High-speed SSVEP-based Brain-computer Interface[J].Journal of Neural Engineering,2015,12(4):046008.

　　[8]QIN K,WANG R,ZHANG Y.Filter Bank-driven Multivariate Synchronization Index for Training-free SSVEP BCI[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering,2021,29:934-943.

　　[9]NAKANISHI M,WANG Yute,JUNG T P,et al.Detecting Glaucoma with a Portable Brain-computer Interface for Objective Assessment of Visual Function Loss[J].JAMA Ophthalmology,2017,135(6):550-557.

　　[10]CHEN X,ZHAO B,WANG Y,et al.Combination of High-frequency SSVEP-based BCI and Computer Visionfor Controlling a Robotic Arm[J].Journal of Neural Engineering,2019,16(2):026012.

　　[11]CHEN J N,SUN F C,ZHANG W,et al.Attention-Based Multimodal tCNN for Classification of Steady-State Visual Evoked Potentials and Its Application to Gripper Control[J].IEEE Transactions on Neural Networks and Learning Systems,2023,21(2):1124-1138.

　　[12]明建国,张伟,刘洋.混合神经网络在高速脑机接口中的应用[J].中国生物医学工程学报,2024,43(2):156-165.

　　[13]CHEN X,WANG Y,GAO S,et al.Filter Bank Canonical Correlation Analysis for Implementing a High-speed SSVEP-based Brain-computer Interface[J].Journal of Neural Engineering,2015,12(4):046008.

　　[14]ZHU F,JIANG L,DONG G,et al.An Open Dataset for Wearable SSVEP-based Brain-computer Interfaces[J].Sensors,2021,21(3):1256.

　　[15]QIN K,XU R,LI S R,et al.A Time-Local Weighted Transformation Recognition Framework for Steady State Visual Evoked Potentials Based Brain–Computer Interfaces[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering,2024,32(2):1596-1605.

　　[16]吴俊平.脑-机接口中的SSVEP信号处理方法研究[D].广州:华南理工大学,2015.

　　[17]XU M,HAN J,WANG Y,et al.Implementing Over100 Command Codes for a High-Speed Hybrid Brain-Computer Interface Using Concurrent P300 and SSVEP Features[J].IEEE Transactions on Biomedical Engineeri ng,2020,67(11):3073-3082.

　　[18]TANAKA H,MIYAKOSHI M.Cross-correlation Task-related Component analysis(xTRCA)for Enhancing Evoked and Induced Responses of Event-related Potentials[J].Neuroimage,2019,197:177-190.

　　[19]GE S,JIANG Y,WANG P,et al.Training-free Steady-state Visual Evoked Potential Brain-computer Interface Based on Filter Bank Canonical Correlation Analysis and Spatiotemporal Beamforming Decoding[J].IEEE Transactions on Neural Systems and Rehabilitation Eng ineering,2019,27(9):1714-1723.

　　[20]高诺,翟文文,杨玉娜.MSI和CCA算法对稳态视觉诱发电位信号分类的比较研究[J].信号处理,2018,34(8):984-990.