基于SVM特征優(yōu)化的Farwell虛擬矩陣字符識(shí)別

綦宏志 ，孫長(zhǎng)城，安興偉，許敏鵬，馬 嵐，明 東，萬(wàn)柏坤

(1. 天津大學(xué)精密儀器與光電子工程學(xué)院，天津 300072；2. 中國(guó)醫(yī)學(xué)科學(xué)院生物醫(yī)學(xué)工程研究所，天津 300192)

Farwell虛擬字符矩陣是目前最為成功的腦機(jī)交互信息轉(zhuǎn)化范式之一[1-2]，基于該范式的 BCI系統(tǒng)已在正常人[3]和肌萎縮性側(cè)索硬化殘疾患者[4]身上得到成功運(yùn)用．大腦皮層對(duì)于視覺(jué)刺激的快速響應(yīng)可以通過(guò)安置在頭皮上的腦電電極進(jìn)行監(jiān)測(cè)，當(dāng)受試者注意刺激序列中的某類(lèi)稀少刺激時(shí)，可以誘發(fā)出較明顯的事件相關(guān)電位(event related potential，ERP)．Farwell虛擬字符矩陣范式既是使用字符行列的閃爍構(gòu)成視覺(jué)刺激序列，通過(guò)檢測(cè)ERP中的P300成分來(lái)辨識(shí)出受試者關(guān)注的字符，進(jìn)而完成腦機(jī)交互的信息傳遞．

Farwell虛擬矩陣的一般形式是由26個(gè)英文字母和 0～9十個(gè)數(shù)字構(gòu)成，將其在計(jì)算機(jī)屏幕上排列成6×6的矩陣，計(jì)算機(jī)控制矩陣中的行和列進(jìn)行隨機(jī)閃爍，不同字符行列的閃爍于使用者構(gòu)成了視覺(jué)刺激序列．此時(shí)若使用者將注意力保持在某個(gè)希望輸出的字符上，矩陣中有一個(gè)行和一個(gè)列包含有該字符，這個(gè)包含目標(biāo)字符的行、列的閃爍構(gòu)成了靶視覺(jué)刺激，而不包含目標(biāo)字符的行、列閃爍則構(gòu)成背景刺激．由于各個(gè)字符行、列的閃爍頻率是等概率分布的，靶視覺(jué)刺激行、列的出現(xiàn)概率只有其他行列的1/5，因此Farwell矩陣的行、列閃爍刺激構(gòu)成了一個(gè)視覺(jué)刺激的oddball序列．這樣，包含目標(biāo)字符的靶刺激行、列的閃爍可以在使用者的腦電信號(hào)中誘發(fā)出P300成分，通過(guò)特征提取和模式識(shí)別的算法處理，識(shí)別出P300成分的出現(xiàn)時(shí)間，便可以確定誘發(fā)出該P(yáng)300成分的閃爍行、列，行與列的交點(diǎn)即確定出使用者注視的是哪一個(gè)目標(biāo)字符．這個(gè)過(guò)程周而復(fù)始下去，使用者便可以逐個(gè)字符地輸出希望表達(dá)的信息[5]．

由于 ERP中的 P300成分幅度較小，對(duì)于 P300成份的準(zhǔn)確提取定位必須通過(guò)多個(gè)靶刺激的重復(fù)作用，但靶刺激重復(fù)次數(shù)過(guò)多則會(huì)使 BCI系統(tǒng)的信息傳輸速度嚴(yán)重下降，因此如何在盡量少的靶刺激條件下獲得盡量高的識(shí)別準(zhǔn)確率就成了Farwell范式研究中的關(guān)鍵問(wèn)題．傳統(tǒng)識(shí)別方法中，F(xiàn)arwell矩陣閃爍刺激的誘發(fā)腦電特征往往取自 P,300特征最強(qiáng)的中線導(dǎo)聯(lián)上，也即 Fz、Cz、Pz處[5]．然而這種特征提取方式僅利用了大腦皮層頂葉的誘發(fā)腦電信息，對(duì)于皮層其他區(qū)域的特征信息未能充分利用，這導(dǎo)致其識(shí)別效果不高．筆者引入一種基于支持向量機(jī)的特征優(yōu)選方法，在多導(dǎo)腦電信號(hào)中優(yōu)選識(shí)別特征，在提取不同皮層區(qū)域誘發(fā)信息的同時(shí)控制總的識(shí)別特征維度，保證分類(lèi)算法的泛化能力，為建立高效的 Farwell范式信息轉(zhuǎn)化平臺(tái)提供研究基礎(chǔ)．

1 支持向量機(jī)特征優(yōu)化方法

支持向量機(jī)是 Vapnik[6]根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種機(jī)器學(xué)習(xí)方法，它以結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則為理論基礎(chǔ)，通過(guò)適當(dāng)?shù)剡x擇函數(shù)子集及其子集中的判別函數(shù)，使學(xué)習(xí)機(jī)器的實(shí)際風(fēng)險(xiǎn)達(dá)到最小，保證了通過(guò)有限訓(xùn)練樣本得到的小誤差分類(lèi)器，對(duì)獨(dú)立測(cè)試集的分類(lèi)誤差仍然較?。С窒蛄繖C(jī)中所建立的最優(yōu)分類(lèi)面要求不僅能將2類(lèi)樣本正確分開(kāi)，而且同時(shí)要求分類(lèi)間隔達(dá)到最大．

若訓(xùn)練樣本集為(xi, yi)，i = 1 ,2,… , N ，其中 xi為多維特征向量，yi為類(lèi)別標(biāo)識(shí)．分類(lèi)面方程為

式中：W為權(quán)重向量，此時(shí)分類(lèi)間隔M＝2/||W||，使分類(lèi)間隔 M 最大等價(jià)于使||W||最?。捎脭U(kuò)展的拉格朗日乘子理論所建立的目標(biāo)函數(shù)為

式中：iα為各樣本對(duì)應(yīng)的拉格朗日系數(shù)；c為錯(cuò)分樣本懲罰系數(shù)，對(duì)式(2)求解得到式中K為內(nèi)積核函數(shù)．支持向量機(jī)就是首先通過(guò)用內(nèi)積函數(shù)定義的非線性變換將輸入空間變換到一個(gè)高維空間，然后在這個(gè)空間中求解線性最優(yōu)分類(lèi)面[7]．

基于支持向量機(jī)的特征優(yōu)化方法的基本思路是利用分類(lèi)間隔的變化來(lái)測(cè)量每個(gè)特征對(duì)分類(lèi)的相對(duì)貢獻(xiàn)，按照特征對(duì)相對(duì)分類(lèi)貢獻(xiàn)度從大到小的順序?qū)⑻卣髋判?，然后由相?duì)分類(lèi)貢獻(xiàn)度最小的特征開(kāi)始在特征組合中逐個(gè)篩去不重要的特征，最后篩選出最優(yōu)的特征組合[8]．

特征分類(lèi)貢獻(xiàn)度沒(méi)有標(biāo)準(zhǔn)的定義，不同方法中可建立不同的量化指標(biāo)，基于支持向量機(jī)的特征優(yōu)化方法中采用擾動(dòng)分類(lèi)器代價(jià)函數(shù)的方法來(lái)測(cè)量特征的相對(duì)分類(lèi)貢獻(xiàn)度．在訓(xùn)練樣本集上采用支持向量機(jī)建立分類(lèi)器之后，定義特征 fi的相對(duì)分類(lèi)貢獻(xiàn)度為去除該特征后該分類(lèi)器代價(jià)函數(shù)的變化量．在此定義下，如果去掉 fi后代價(jià)函數(shù)變化很小，說(shuō)明 fi對(duì)于分類(lèi)的貢獻(xiàn)很?。蝗舸鷥r(jià)函數(shù)變化很大，則說(shuō)明 fi對(duì)于分類(lèi)很重要[9]．

對(duì)于分類(lèi)器而言，理想的代價(jià)函數(shù)應(yīng)該是分類(lèi)誤差，但分類(lèi)誤差只能在無(wú)窮多樣本集的情況下才可以獲得準(zhǔn)確的測(cè)量結(jié)果，因此在實(shí)際處理中取訓(xùn)練樣本集上的目標(biāo)函數(shù)來(lái)近似．將支持向量機(jī)的目標(biāo)函數(shù)式(3)改寫(xiě)為

式中 H = yiyjK (xi, xj)．測(cè)量移去某個(gè)特征之后代價(jià)函數(shù)的變化幅度時(shí)，保持拉格朗日系數(shù)α不變而重新計(jì)算 H，即重新計(jì)算 K ( xi(? n ) ,xj(? n ))及相應(yīng)的 H(－n)，－n表示移去第 n個(gè)特征，因此特征相對(duì)分類(lèi)貢獻(xiàn)度的計(jì)算公式[10]為

對(duì) N個(gè)特征首先按式(5)計(jì)算每個(gè)特征的相對(duì)分類(lèi)貢獻(xiàn)度，將其按照降序排列，移去末尾的特征并將其序號(hào)定為N．然后在訓(xùn)練樣本集中刪去此特征得到新的訓(xùn)練樣本集，在此新樣本集上再次訓(xùn)練支持向量機(jī)分類(lèi)器，在新的目標(biāo)函數(shù)下計(jì)算剩余每個(gè)特征的相對(duì)分類(lèi)貢獻(xiàn)度，然后再一次排序、刪去末尾特征、并將其序號(hào)定為 N－1．逐次迭代下去直到將所有特征的序號(hào)定出為止，這樣就完成了所有特征按照相對(duì)分類(lèi)貢獻(xiàn)度由大到小的排列，上述特征排序方法的偽代碼[8]如下．

輸入：

(1)訓(xùn)練樣本集 X =[x,x ,… ,x ]T.

1 2k

(2)類(lèi)別標(biāo)識(shí) Y =[y1, y2,… ,yk]T.

初始化：

(1)初始特征序號(hào)列表：S =[1,2,…,n].

(2)按照相對(duì)分類(lèi)貢獻(xiàn)度降序排列的特征序號(hào)列表r＝[].

循環(huán)：直到S＝[]

(1)對(duì)訓(xùn)練樣本的特征維數(shù)進(jìn)行更新 X =X ( :,S).

(2)訓(xùn)練SVM分類(lèi)器 α =SVM-Tain(X,Y ).

(3)計(jì)算每個(gè)特征的相對(duì)分類(lèi)貢獻(xiàn)度，即

(4)尋找最小相對(duì)分類(lèi)貢獻(xiàn)度對(duì)應(yīng)的特征f=argmin(dL).

(5)更新特征序號(hào)列表 r = [ S(f),r].

(6)在初始特征序號(hào)列表去掉最小分類(lèi)貢獻(xiàn)特征S = S ( 1: f ? 1 , f + 1 :length(S)).

輸出：

按照相對(duì)分類(lèi)貢獻(xiàn)度降序排列的特征序號(hào)列出表 r．

將所有特征按相對(duì)分類(lèi)貢獻(xiàn)度降序排列之后，首先采用第1個(gè)特征構(gòu)成特征組合 F1= { fi|i = r1}，在訓(xùn)練集上采用交叉驗(yàn)證估計(jì)分類(lèi)誤差 E1．然后將第 2個(gè)特征加入特征組合 F1= { fi|i = r1,r2}，再次在訓(xùn)練集上估計(jì)分類(lèi)誤差 E2．按照分類(lèi)貢獻(xiàn)度特征序號(hào)列表逐次添加一維特征進(jìn)入特征組合 F，這樣第 i次采用的特征組合為 Fi= { fi|i = r1,r2, … ,ri}，分類(lèi)誤差為Ei，具有最小分類(lèi)誤差的特征組合為最優(yōu)的特征組合，即

2 Farwell虛擬字符矩陣誘發(fā)腦電實(shí)驗(yàn)

Farwell虛擬矩陣實(shí)驗(yàn)如圖 1所示，在計(jì)算機(jī)屏幕上顯示 6×6的虛擬字符矩陣，字符矩陣的行或列被隨機(jī)高亮度閃爍，每個(gè)行/列的閃爍可視為一個(gè)視覺(jué)刺激，包含有目標(biāo)字符的行/列閃爍構(gòu)成一個(gè)靶刺激，可在頭皮腦電中誘發(fā)出 P300成分．Farwell矩陣的 12個(gè)行和列的閃爍組成一個(gè)刺激組(stimulus block)，每個(gè)刺激組中行和列的閃爍次序是隨機(jī)出現(xiàn)但不重復(fù)的，也即一個(gè)刺激組中含有且僅含有一個(gè)行靶刺激和一個(gè)列靶刺激．

圖1 6×6 Farwell虛擬矩陣示意Fig.1 6×6 Farwell imaginary matrix paradigm

每個(gè)任務(wù)開(kāi)始前3,s在計(jì)算機(jī)屏幕中央給出要求注意的目標(biāo)字符，然后屏幕中央顯示出字符矩陣并開(kāi)始進(jìn)行隨機(jī)的行/列閃爍，每個(gè)行/列的閃爍時(shí)間為100,ms，2次閃爍中間矩陣有 75,ms的不閃爍間隔期，任務(wù)過(guò)程中在矩陣上方也始終顯示出該目標(biāo)字符．每個(gè)任務(wù)進(jìn)行 15個(gè)刺激組的重復(fù)刺激，也即每個(gè)字符共包含180個(gè)閃爍刺激，其中含有的靶刺激個(gè)數(shù)為30個(gè)．實(shí)驗(yàn)中每進(jìn)行8個(gè)字符的任務(wù)后受試者休息2分鐘，共采集6位受試者，每個(gè)受試者共進(jìn)行80個(gè)字符的識(shí)別任務(wù)實(shí)驗(yàn)．刺激實(shí)驗(yàn)和腦電信號(hào)采集均在 Neuroscan的 Scan4.3系統(tǒng)上進(jìn)行，采樣頻率1,000,Hz，經(jīng)過(guò)0.1～40,Hz的帶通濾波處理．腦電采集使用系統(tǒng)自帶的64導(dǎo)電極帽，其電極按照國(guó)際標(biāo)準(zhǔn)10～20系統(tǒng)放置，參考導(dǎo)聯(lián)位置為兩側(cè)乳突．盡管實(shí)驗(yàn)中采集了全部64導(dǎo)腦電數(shù)據(jù)，但考慮到直接采用64導(dǎo)數(shù)據(jù)進(jìn)行處理時(shí)運(yùn)算量過(guò)大，采用21導(dǎo)的腦電特征進(jìn)行訓(xùn)練和識(shí)別，21導(dǎo)的選擇如圖2所示．

圖2 21導(dǎo)腦電電極位置示意Fig.2 21 channels EEG electrodes location

3 誘發(fā)腦電特征提取及特征優(yōu)化

Farwell矩陣任務(wù)刺激的識(shí)別特征一般直接采用刺激后一段時(shí)間的腦電波形，由于 oddball序列誘發(fā)的P300成分一般出現(xiàn)在刺激后300～500,ms的時(shí)間內(nèi)，為充分利用整個(gè)誘發(fā)響應(yīng)區(qū)間的特征信息，本文取行/列閃爍刺激后的 700,ms腦電波形作為特征．由于EEG采集頻率為1,000,Hz，直接使用EEG信號(hào)時(shí)特征維度過(guò)大，對(duì)信號(hào)降采樣至 20,Hz．這樣導(dǎo)聯(lián) i上用來(lái)進(jìn)行字符任務(wù)識(shí)別的特征維度為 20×0.7＝14個(gè)，F(xiàn)i= {,,… ,}，將 21導(dǎo)的特征首尾相接，構(gòu) 成一個(gè)特征維度為 294的識(shí)別特征向量 F =[F1, F2, … ,F21]．由于每導(dǎo)內(nèi)的14個(gè)特征具有相同的來(lái)源，在特征優(yōu)化過(guò)程中將 Fi作為一個(gè)整體來(lái)考慮，也即對(duì)特征集F進(jìn)行優(yōu)化時(shí)測(cè)量每個(gè)Fi的相對(duì)分類(lèi)貢獻(xiàn)度，對(duì) 21個(gè) Fi按照表 1和式(6)的處理來(lái)尋找優(yōu)化組合．

由于Farwell矩陣的非靶刺激數(shù)量是靶刺激的5倍，因此特征優(yōu)化和識(shí)別過(guò)程中要處理的樣本集是不平衡的(unbalanced)．在特征優(yōu)化過(guò)程中首先對(duì)樣本集進(jìn)行平衡化處理，隨機(jī)撿取1/5的非靶刺激樣本和靶刺激樣本一起構(gòu)成平衡的特征優(yōu)化訓(xùn)練樣本集，在該特征優(yōu)化樣本集上采用支持向量機(jī)特征優(yōu)化處理．圖 3所示為在特征優(yōu)化樣本機(jī)上，按照相對(duì)分類(lèi)貢獻(xiàn)度降序列表 r進(jìn)行特征組合后，采用 10折交叉驗(yàn)證的方法獲得的分類(lèi)誤差的估計(jì)．由圖3可見(jiàn)，分類(lèi)誤差隨特征維數(shù)增大而明顯下降，特征維數(shù)增大至一定程度后，也即達(dá)到最優(yōu)特征組合維數(shù)后，分類(lèi)誤差隨特征維數(shù)增加而下降的趨勢(shì)變緩甚至表現(xiàn)出相反的上升現(xiàn)象．該現(xiàn)象產(chǎn)生的原因在于當(dāng)特征維數(shù)較低時(shí)，添加新的特征可以帶來(lái)有效分類(lèi)信息量的提高，從而提高了分類(lèi)器的分類(lèi)效果．但當(dāng)對(duì)最優(yōu)特征組合繼續(xù)添加特征時(shí)，新特征引入的無(wú)關(guān)或干擾信息要多于有用的分類(lèi)信息，此時(shí)對(duì)分類(lèi)器產(chǎn)生負(fù)面的影響，導(dǎo)致分類(lèi)效果不能繼續(xù)提升甚至下降．

圖3 6個(gè)受試者的誘發(fā)腦電特征按照相對(duì)分類(lèi)貢獻(xiàn)度降序列表組合后的分類(lèi)錯(cuò)誤率變化曲線Fig.3 Classification error ratio curves of six subjects，combining evoked EEG features according to descending rank sorted by relative classification contribution

按照式(6)對(duì)每個(gè)受試者優(yōu)選出最優(yōu)特征組合，對(duì)其中含有的特征導(dǎo)聯(lián)進(jìn)行分析，最優(yōu)特征組合中包含的導(dǎo)聯(lián)如表 1所示．在所有受試者的最優(yōu)特征組合中都出現(xiàn)的導(dǎo)聯(lián)共有7個(gè)，分別為P3、P4、P7、P8、Pz、Oz、O2，其中前 5個(gè)位于皮層頂葉，后 2個(gè)位于皮層枕部．認(rèn)知科學(xué)研究中已發(fā)現(xiàn)大腦皮層頂葉與人的認(rèn)知功能密切相關(guān)，誘發(fā)電位的 P300成分也主要集中在頂葉區(qū)域，因此，F(xiàn)arwell矩陣范式的最優(yōu)分類(lèi)特征組合中含有大量頂葉特征是與認(rèn)知科學(xué)和神經(jīng)電生理學(xué)理論相一致的．

Oz和 O2導(dǎo)聯(lián)位于皮層枕部，一般不含有 P300成分，研究發(fā)現(xiàn)所有受試者最優(yōu)組合中均含有非P300成分的枕部特征這一結(jié)果具有重要的實(shí)踐意義．傳統(tǒng)上 Farwell矩陣范式被認(rèn)為主要采用 P300特征進(jìn)行信息傳遞，因此早期的識(shí)別算法僅針對(duì)P300成分的呈現(xiàn)位置進(jìn)行特征提取，也即是采用Fz、Cz、Pz三導(dǎo)聯(lián)．但近年來(lái)亦有相當(dāng)多研究發(fā)現(xiàn)在引入其他位置導(dǎo)聯(lián)的特征后，能夠提升識(shí)別效率[11-12]，這與本文的研究結(jié)果是相符合的．這表明 Farwell矩陣范式中的靶刺激和非靶刺激引起的誘發(fā)腦電特征差異不但表現(xiàn)在頂區(qū)的 P300特征上，還表現(xiàn)在枕區(qū)的視覺(jué)誘發(fā)電位特征上．

表1 6個(gè)受試者最優(yōu)特征組合中含有的導(dǎo)聯(lián)(按照相對(duì)分類(lèi)貢獻(xiàn)度降序排列)Tab.1 Leads contains in optimal feature combination of six Tab.2 subjects(sorted according to relative contribution to Tab.2 classification)

4 字符識(shí)別結(jié)果

完成特征優(yōu)化后，使用最優(yōu)特征組合進(jìn)行字符識(shí)別．Farwell矩陣的字符識(shí)別需要在 6個(gè)待選行(列)刺激中識(shí)別出哪個(gè)為受試者注意的行/列，這個(gè)過(guò)程不同于靶刺激和非靶刺激的一對(duì)一分類(lèi)．一般而言分類(lèi)器很難對(duì) 6個(gè)待選行(列)正好區(qū)分出某一個(gè)為靶刺激，其他 5個(gè)為非靶刺激，經(jīng)常會(huì)產(chǎn)生分類(lèi)器將多個(gè)(列)識(shí)別成靶刺激的情況，這時(shí)需要在多個(gè)陽(yáng)性輸出中選擇可能性最高的一個(gè)判定為靶刺激．本文采用線性核函數(shù)的支持向量機(jī)構(gòu)建分類(lèi)器，在6個(gè)待選行(列)中采用分類(lèi)器決策函數(shù)輸出值最大的行(列)作為最終決策．在采用多個(gè)重復(fù)刺激組進(jìn)行識(shí)別時(shí)，則首先將同一行(列)的決策函數(shù)輸出值進(jìn)行求和，然后取6個(gè)待選行(列)中最大的行(列)作為最終決策．

為降低訓(xùn)練集和測(cè)試集劃分帶來(lái)的誤差，本文采用 10折交叉驗(yàn)證的方式來(lái)獲得字符識(shí)別的錯(cuò)誤率．為與特征優(yōu)化的結(jié)果進(jìn)行對(duì)比，采用同一分類(lèi)算法對(duì)傳統(tǒng)三導(dǎo)聯(lián) Fz、Cz、Pz上的特征進(jìn)行字符識(shí)別．字符識(shí)別的結(jié)果如圖 4所示，可見(jiàn)經(jīng)特征優(yōu)化后字符識(shí)別的效果得以明顯改善，6位受試者在優(yōu)化特征組合下的識(shí)別錯(cuò)誤率均明顯低于采用傳統(tǒng)三導(dǎo)聯(lián)組合的情況．在優(yōu)化特征組合下，平均識(shí)別錯(cuò)誤率在采用 5個(gè)和 15個(gè)重復(fù)刺激組的情況下分別為 5.2%和 0.9%，而使用傳統(tǒng)三導(dǎo)聯(lián)的平均錯(cuò)誤率則分別為35.3%和9.5%，如表2所示．

圖 4 字符識(shí)別錯(cuò)誤率在優(yōu)化特征組合和傳統(tǒng)三導(dǎo)聯(lián)特征 2種情況下的對(duì)比Fig.4 Comparison of character recongnition error rate between optimal feature combination and the traditional three channel features

由字符識(shí)別結(jié)果可見(jiàn)，在采用三導(dǎo)聯(lián)特征進(jìn)行識(shí)別時(shí)需要較多的重復(fù)刺激才能較準(zhǔn)確地識(shí)別出受試者注意的字符，這導(dǎo)致傳統(tǒng)的基于 Farwell虛擬字符矩陣的BCI系統(tǒng)準(zhǔn)確率較低、傳輸速度較慢，并且較長(zhǎng)的刺激時(shí)間也容易引發(fā)使用者疲勞等不利現(xiàn)象．本文研究結(jié)果則表明，若針對(duì)使用者誘發(fā)腦電特征的特點(diǎn)采用支持向量特征優(yōu)化方法遴選最優(yōu)特征，則可在僅使用較少重復(fù)刺激的情況下獲得更高的識(shí)別效果，這也意味著可以獲得更高的 BCI系統(tǒng)信息傳輸效率．由于信息傳輸速度過(guò)低是目前限制 BCI技術(shù)真正進(jìn)入臨床應(yīng)用的主要問(wèn)題之一，本文研究可為BCI技術(shù)的發(fā)展提供重要的研究基礎(chǔ)．

表2 優(yōu)化導(dǎo)聯(lián)組合與傳統(tǒng)三導(dǎo)聯(lián)下的識(shí)別錯(cuò)誤率對(duì)比Tab.2 Comparison of recognition error rate between optimized channel set and the traditional three channel set %

5 結(jié) 語(yǔ)

對(duì)多個(gè)受試者在Farwell虛擬字符矩陣范式下的誘發(fā)腦電信號(hào)進(jìn)行了研究，采用支持向量機(jī)特征優(yōu)化方法尋找最優(yōu)的誘發(fā)識(shí)別特征組合，進(jìn)而建立更高效的字符識(shí)別方法．

研究結(jié)果表明：Farwell虛擬矩陣范式所誘發(fā)的具有靶-非靶刺激可分性的腦電特征不僅包含皮層頂葉的 P300成份特征，而且還包含部分位于皮層枕部的特征信息；采用支持向量機(jī)建立分類(lèi)器，對(duì)優(yōu)化后的特征組合進(jìn)行識(shí)別，其字符識(shí)別準(zhǔn)確率可在僅使用少量重復(fù)刺激情況下即獲得明顯提高，這為有效提高BCI系統(tǒng)的信息傳輸速率奠定了基礎(chǔ)．

致謝

感謝中國(guó)醫(yī)學(xué)科學(xué)院生物醫(yī)學(xué)工程研究所胡勇教授對(duì)本文實(shí)驗(yàn)的幫助．

［1］ Wolpaw J R，Birbaumer N，Heetderks W J，et al.Brain-computer interface technology：A review of the first international meeting[J]. IEEE Trans on Rehabil Eng，2000，8(2)：222-225.

［2］ Allison B Z，Wolpaw E W，Wolpaw J R，et al. Braincomputer interface systems：Progress and prospects[J].Expert Rev Med Devices，2007，4(4)：463-474.

［3］ Serby H，Yom-Tov E，Inbar G F，et al. An improved P300-based brain-computer interface[J]. IEEE Trans on Neural Syst Rehabil Eng，2005，13(1)：89-98.

［4］ Sellers E W，Donchin E. A P300-based brain-computer interface：Initial tests by ALS patients[J]. Clin Neurophysiol，2006，117(3)：538-548.

［5］ Farwell L A，Donchin E. Talking off the top of your head：Toward a mental prosthesis utilizing eventrelated brain potentials[J]. Electroenceph Clin Neurophysiol，1988，70(6)：510-523.

［6］ Vapnik V N. The Nature of Statistical Learning Theory[M]. New York：Springer-Verlag，1995.

［7］ Cristianini N，Taylor J S. An Introduction to Support Vector Machines[M]. UK：England Cambridge University Press，1999．

［8］ Guyon I，Weston J，Barnhill S，et al. Gene selection for cancer classification using support vector machines[J]. Machine Learning，2002，46(1/2/3)：389-422.

［9］ Guyon I，Elisseeff A. An introduction to variable and feature selection[J]. Journal of Machine Learning Research，2003，3：1157-1182.

［10］ Cun Y L，Denker J S，Solla S A. Optimum brain damage[J]. Advances in Neural Information Processing Systems，1990，2(1)：598-605.

［11］ Krusienski D J，Sellers E W，McFarland D J，et al.Toward enhanced P300 speller performance[J]. J Neurosci Methods，2008，167(1)：15-21.

［12］ Rakotomamonjy A，Guigue V. BCI competition III：Dataset II-Ensemble of SVMs for BCI P300 speller[J].IEEE Trans on Biomed Eng，2008，55(3)：1147-1154.