IEEE TNSRE | 一种用于连续控制的、结合SSVEP与EOG的免校准混合方法

论文概要

稳态视觉诱发电位脑机接口（SSVEP-BCI）已被广泛用于控制外部设备，但大多数应用依赖于离散控制策略。连续SSVEP-BCI虽然能让用户持续发送指令并接收设备的实时反馈，但存在“过渡态问题”——即当用户在不同目标间转移注视时，会出现一段错误的识别周期。为了解决此问题，在该论文中，作者提出了一种新型的、无需校准的贝叶斯方法，该方法融合了SSVEP和眼电（EOG）技术。首先，作者使用典型相关分析（CCA）来检测诱发的SSVEP信号，同时使用一种自适应阈值法通过EOG数据来检测注视转移过程中的眼球扫视动作。然后，基于贝叶斯优化方法来识别注视转移后的新目标，该方法结合了SSVEP和扫视的检测结果，并计算出各目标的优化概率分布。结果表明，作者提出的混合BCI在整体连续准确率上显著更高，注视转移时间也更短。在线实验中，该混合BCI在连续准确率（77.61 ± 1.36% vs. 68.86 ± 1.08%）和注视转移时间（0.93 ± 0.06s vs. 1.94 ± 0.08s）方面均显著优于基于CCA的SSVEP-BCI。此外，实验参与者也认为，使用新提出的解码方法后，体验比基于CCA的SSVEP-BCI有显著改善，证明了其方法的有效性。

研究背景

现有的稳态视觉诱发电位（SSVEP）脑机接口（BCI）大多采用离散控制策略，用户指令输出不连续，限制了交互的实时性和流畅性。相比之下，连续控制能够提供更自然的实时操控体验，但它存在一个关键的“过渡态问题”：当用户将视线从一个目标转移至另一个时，系统会采集到新旧目标的混合信号，导致指令识别错误，严重影响系统的可靠性。

在现有的解决方案中，研究人员已尝试多种方法来缓解“过渡态问题”。通过缩短解码时间窗虽然能减少过渡时间，但会牺牲系统在稳定状态下的准确率；而一些先进的训练算法（如TRCA）因其需要信号相位同步的特性，无法直接应用于信号非平稳的连续控制场景中；还有方案提出结合头部运动检测，但这增加了用户的身体与精神负担，降低了系统的实用性。总的来说，以往的研究存在三个主要局限：

1）解码性能的权衡：在速度和准确率之间难以取得平衡。

2）先进算法的泛化性：许多高性能算法无法直接迁移到连续控制框架中。

3）用户体验的忽视：部分解决方案以增加用户负担为代价。

为了解决上述问题，本研究提出了一种新颖的免校准混合BCI框架，该框架旨在解决连续控制中的“过渡态问题”。该方案主要由两个核心部分组成：SSVEP信号解码和基于眼电（EOG）的扫视检测。其核心思想是，利用EOG信号精确捕捉用户转移视线时自然发生的“扫视”动作，并将其作为一个明确的事件标记，再通过贝叶斯方法融合SSVEP的解码结果，从而能够快速、精准地识别用户的真实意图，在不增加任何额外操作负担的前提下有效解决了过渡态难题。

方法                    

作者提出的免校准混合脑机接口（BCI）框架由三个主要模块组成：基于CCA的SSVEP检测、基于自适应阈值的扫视检测和SSVEP-EOG混合贝叶斯方法。

（1）基于CCA的SSVEP检测：

该模块的核心思想是利用典型相关分析（CCA）算法来识别用户正在注视的视觉刺激频率。具体实现上，系统将实时采集的多通道脑电图（EEG）信号作为变量X，并为每个预设的刺激频率（如7.5Hz, 9Hz等）生成相应的正弦和余弦参考信号作为变量Y。通过计算EEG信号与每个频率的参考信号之间的最大相关性系数ρ，来判断用户正在注视哪个目标。最终，每个刺激目标的相关性系数值被归一化，转换为用户正注视该目标的先验概率P(Si)。这一过程在持续的滑动时间窗内（例如每31.25ms）重复进行，以实现连续解码。

（2）基于自适应阈值的扫视检测：

该模块的核心是设计一种自适应阈值方法来精确捕捉用户在切换注视目标时发生的眼球扫视（saccade）动作。该方法首先计算眼电（EOG）信号一阶导数在过去200个采样点上的标准差σ，然后将其乘以一个倍数N（N=3）得到一个动态的自适应阈值Nσ 。在用户保持注视时，EOG信号的变化值基本处于[-Nσ, +Nσ]区间内；而当用户发生扫视时，眼球的快速转动会导致信号值瞬间超过该阈值范围。如果信号超出阈值的持续时间大于30ms，则该事件被确认为一次有效的扫视。为了避免后续信号的干扰，一旦检测到有效扫视，阈值将在200ms内保持不变。该模块能够可靠地识别出用户改变意图的瞬间。

图1 扫视检测方法的流程图

（3）SSVEP-EOG混合贝叶斯方法：

该模块旨在融合前两个模块的输出，以解决单独使用SSVEP解码时产生的“过渡态问题”。其核心思想是，当扫视检测模块捕捉到一个扫视事件E时，利用贝叶斯估计来更新和优化SSVEP模块给出的目标概率分布。具体来说，系统将SSVEP解码得出的初始概率  P(Si)作为先验概率，并将扫视事件作为新证据，通过贝叶斯公式如图2中，计算出后验概率P(Si|E)。其中，条件概率P(E|Si)（即用户意图从前一个目标Spre转移到新目标Si时，检测到扫视的概率）是根据离线实验数据中的真阳性率（TPR）和假阳性率（FPR）预设的。最终，系统选择具有最大后验概率的目标作为解码结果。通过这种方式，扫视事件的发生能显著提升新目标的概率，从而让系统更快速、准确地识别用户的真实意图，有效缩短了过渡态的错误识别时间。

图2 结合SSVEP检测和扫视检测的SSVEP-EOG混合贝叶斯方法   

实验结果

本文通过离线和在线实验，全面评估了所提出的SSVEP-EOG混合方法的性能。结果表明，无论是在客观性能指标还是主观用户体验上，该混合方法均显著优于传统的、仅基于SSVEP的BCI方法。

图3 离线实验和在线实验设计

在离线实验中，研究比较了混合方法与四种现有SSVEP检测方法（FBCCA, CCA, MEC, PSDA）在不同解码时间窗下的表现。结果显示，在所有时间窗长度下，所提出的混合方法在整体连续准确率和注视转移时间（GST）两项关键指标上均表现最佳 。具体来说，当时间窗设置为2.0秒时，混合方法达到了最高的连续准确率(78.41±1.74%） ；当时间窗为1.5秒时，获得了最短的GST（0.89±0.06s）。综合考虑稳定状态下的识别性能和过渡态的响应速度，最终选择2.0秒作为在线实验的解码窗长。

在在线实验中，将所提出的混合方法与基于CCA的传统SSVEP-BCI方法进行了直接对比。如表I所示，混合方法在连续准确率（77.61±1.36% vs. 68.86±1.08%）和注视转移时间（0.93±0.06s vs. 1.94±0.08s）上均显著优于CCA方法，且差异具有统计学意义（p < 0.0001）。这一结果有力地证明了混合方法在实际应用场景中的有效性和鲁棒性。

此外，在线实验还包含了主观问卷评估，以衡量用户体验。结果显示，在“反馈更新速度”和“稳定注视时的准确性”这两项上，受试者认为混合方法显著优于传统SSVEP方法。而在努力程度、疲劳感、紧张感等其他问题上，两种方法没有显著差异。这表明，所提出的混合方法在提升性能的同时，并未增加用户的身心负担。

表I 混合方法和SSVEP（CCA）方法的在线实验性能比较

图4 在线实验的问卷评估结果

结论

在本文中，作者提出了一种新颖的、免校准的连续BCI控制解码方法，该方法通过融合稳态视觉诱发电位（SSVEP）和眼电（EOG）实现。所提出的方法通过EOG信号捕捉用户在转移视线时发生的扫视动作，并将该扫视事件作为贝叶斯方法中的一个附加证据，用以优化从SSVEP信号中解码出的指令概率分布，从而显著减少了“过渡态”期间的错误识别。该方法的有效性通过离线和在线实验得到了验证。实验结果证明，与传统的SSVEP-BCI相比，该混合方法在在线实验中的连续准确率（77.61±1.36% vs. 68.86±1.08%）和注视转移时间（0.93±0.06s vs. 1.94±0.08s）上均表现出显著的优越性，并且进一步的主观评估也证实了这些积极的结果。