针对稳态视觉诱发电位（steady-state visual evoked potential, SSVEP）识别面临的校准数据不足的问题，天津大学神经工程团队提出了一种源混叠矩阵估计方法（source aliasing matrix estimation, SAME）来扩增SSVEP信号的校准数据。在Benchmark和BETA公开数据集上的结果表明，当与SAME方法结合后，两种先进的空间滤波方法（eTRCA, TDCA）在校准数据不足的情况下均有显著的性能提高。SAME可以有效扩增基于稳态视觉诱发电位的脑机接口系统的校准数据，从而减少系统的校准负担，相关研究成果在实用型脑机接口方面具有潜在的应用价值，已在线发表至《IEEE Transactions on Biomedical Engineering》期刊。
doi:10.1109/TBME.2022.3227036. SAME方法已兼容至MetaBCI中brainda平台，使用例程可查阅demos/SAME.py
1 研究背景
基于稳态视觉诱发电位（steady-state visual evoked potential, SSVEP）的脑机接口(brain-computer interface，BCI)具有高信噪比、高信息传输速率的优势，受到研究人员的广泛关注。近年来，集成任务相关成分分析（ensemble task-related component analysis，eTRCA）和任务判别成分分析（task-discriminant component analysis, TDCA）成为SSVEP识别的主流算法，但均需要足够的个体校准数据来训练模型。当校准数据不足时，系统性能显著下降，在仅单个训练试次下算法甚至会失效。然而，采集足够的EEG数据是一个繁琐、费时的过程，这阻碍了SSVEP-BCI的实际应用。
一种解决策略是迁移学习，也就是利用源域数据来增强目标域的识别性能，例如跨个体迁移、跨时间迁移、跨设备迁移等。然而，源数据的获取同样需要繁琐的校准过程，并且当源数据质量不如目标数据时，迁移的作用有限，甚至可能会产生负迁移。
一种更有潜力的方法是，利用现有少量训练数据生成仿真的人工信号，即数据扩增。通过生成对抗网络等神经网络模型可以获得人工的SSVEP信号，但它们需要大量数据来训练模型自身。另一种简单的方式是，利用滑动时间窗对训练数据进行时移来获得大量样本，但这种方法损失了SSVEP的锁时锁相特性，应用范围受限。总体而言，当前尚无适用于先进空间滤波算法的数据扩增方法。
2 研究方法
SSVEP信号是包含刺激频率基波和谐波成分的神经响应，具有锁时锁相特性。依据SSVEP的叠加理论，单试次观测信号可以看作SSVEP的任务相关源成分与背景噪声的简单叠加，源成分进一步可等效于多频率正余弦参考信号的线性混叠。利用现有训练数据估计源混叠矩阵，即可仅利用参考信号重建任务相关源成分。
基于此，源混叠矩阵估计算法利用最小均方误差准则来估计源混叠矩阵，通过估计的源混叠矩阵来重建源信号。向重建的源信号中加入微弱随机噪声即可生成多个包含SSVEP特征的人工信号，从而扩增SSVEP-BCI的校准数据（图1）。
图1 扩增流程示意图
3 研究结果
SAME算法在清华大学提供的两个公开数据集上进行了验证。其中，Benchmark数据集在实验室场景采集，包含35名被试数据，每名被试分别采集了6个Block；BETA数据集在真实应用场景采集，包含70名被试数据，每名被试分别采集了4个Block。
为了探究重建源信号的变异性，从单试次原始信号中依次进行重建得到对应的源信号，并计算了原始信号与重建源信号的跨试次方差（图2）。与原始信号相比，重建源信号显示出显著更低的变异性，表明SAME方法能够提取出不同试次下EEG信号中与任务相关的稳定源成分。
图2 变异性分析。BETA数据集中典型被试8Hz下的原始信号和重建源信号（左），蓝色代表原始信号，绿色代表重建源信号，虚线为所有试次波形，实线为平均波形。原始信号和重建源信号的方差（右），对所有被试、所有类别情况进行平均的结果。
为了探究扩增信号数量的影响，计算了在不同校准试次下，随扩增信号数量增加时分类准确率的提升情况（图3）。结果表明，随扩增信号数量的增加，分类准确率先上升，再平缓，最后下降。并且，随着校准试次的增多，所需的扩增信号数量也增大。依据变化趋势，可以设置当准确率开始平缓时的扩增信号数量作为最佳参数，该参数被应用于后续的分析中。
图3 参数优化结果。其中，Nt代表校准试次数量，Na代表扩增信号数量，所有结果按行归一化至[0,1]
在完成参数选择后，为了验证SAME算法的作用，对eTRCA和TDCA两个先进空间滤波算法，分别计算了扩增后（w/SAME）和扩增前（w/oSAME）的分类性能（图4）。结果表明，当校准数据不足时，应用SAME后eTRCA和TDCA的分类效果能够产生显著提升。具体而言，在训练试次为2时，两者的平均准确率分别提高了约12%和3%（p<0.001）。除此之外，SAME解决了eTRCA和TDCA在单校准试次下算法失效的问题。
图4 平均所有被试和所有时间窗（T=0.3s, 0.4s,...1s）的准确率结果
4 讨论
第一，在当前SSVEP-BCI系统研究中，现有针对小样本问题的改进策略大多关注的是如何提升空间滤波器的鲁棒性，而如何增强平均模板可靠性的问题并没有引起关注。在我们的分析中，SAME算法被证实可以同时优化空间滤波器和平均模板，因此具有明显的提升效果。
第二，SSVEP-BCI系统的识别算法可以分为无监督和有监督两类，其中无监督方法无需校准数据，但识别性能不佳；相反，有监督算法能够实现较高的ITR，但需要足够的校准数据来训练模型参数，大部分只能在校准试次≥2时才能正常工作。这是由于，在单校准试次下，eTRCA中的试次间协方差矩阵和TDCA中的类内差异矩阵均近似于零矩阵，因此空间滤波器无效。SAME算法解决了eTRCA和TDCA在单校准试次下算法失效的问题，扩展了两个先进空间滤波算法的应用范围。
该研究第一作者为天津大学博士生罗睿心，由许敏鹏教授指导完成。
本文《Data augmentation of SSVEPs using source aliasing matrix estimation for brain-computer interfaces》已发表于《IEEE Transactions on Biomedical Engineering》，可点击阅读原文查看原文
仅用于学术分享，若侵权请留言，即时删侵！
