當個體在感知發生錯誤時，會在頭皮額中央區產生錯誤相關負電位（ERN）。ERN 信噪比低、個體差異大，單次檢測 ERN 比較困難。本文采用 ERN 大腦活動模式圖和離線識別正確率的方法優選腦電信號通道，進一步基于 ERN 離線識別正確率對時間段進行優選，然后基于小波變換對 ERN 的低頻時域特征與高頻時—頻域特征進行了分析，在此基礎上提出了 ERN 的單次檢測算法。最后，通過使用優選出的 6 個通道反饋刺激后 200～600 ms 的腦電數據，提取 0～3.9 Hz 頻段的降采樣點特征和 3.9～15.6 Hz 頻段的能量、方差特征，對 ERN 和非 ERN 進行單次識別，在 10 名受試者中實現了 72.0% ± 9.6% 的識別正確率。本文的研究結果有助于錯誤指令實時糾正技術在腦—機接口在線系統中的應用。
引用本文： 張銳, 逯鵬, 牛新, 劉素杰, 胡玉霞. 錯誤相關負電位單次檢測技術研究. 生物醫學工程學雜志, 2018, 35(4): 606-612. doi: 10.7507/1001-5515.201708043 復制
引言
當前的腦—機接口系統多數采用視覺反饋機制[1-2]，其特點是相應的反饋發生在受控裝置執行動作之后，不具備錯誤指令實時檢測的功能，因此當腦—機接口的指令識別正確率較低時易造成外部裝置的誤動作。神經生理學研究表明：個體在感知發生錯誤時，其頭皮額中央區可以記錄到與錯誤反應特定相關的腦電（electroencephalogram，EEG）信號負走向波形，稱為錯誤相關負電位（error related negativity，ERN）[3]。ERN 的特性提示人們，可以將腦—機接口系統的識別結果實時顯示到屏幕上，作為 ERN 的事件誘發源，通過檢測 ERN，實現腦—機接口輸出錯誤指令的實時檢測。
ERN 通常是在受試者感知到錯誤后的 100～300 ms 產生，波幅約 10 μV，信噪比低，個體差異大[4-5]，其波形一般需經多次疊加平均獲得。然而腦—機接口在線系統的單次識別結果只能誘發單次 ERN，要實現錯誤指令的實時檢測就需要先實現 ERN 的單次檢測。現階段 ERN 的單次檢測是其應用到在線腦—機接口系統中的技術瓶頸[6]。
目前檢測 ERN 相關的研究主要包括：Omedes 等[7]利用 ERN 具有的穩定頻域特征，采用低頻（4～8 Hz）特性提高分類器識別的泛化能力，其不足是易被噪聲干擾。Zhang 等[8]利用直接傳遞函數獲取 ERN 發生時的腦連接信息，通過腦信息交互網絡矩陣，研究了 ERN 的腦網絡特征，但是其采用的腦網絡矩陣是在多次疊加的基礎上建立的，無法用于 ERN 的單次提取。Tong 等[9]首先提取 EEG 信號的全通道時域、頻域和空域特征集，共 56 ×（164 + 12 + 161）= 18 872 維，再通過神經網絡對該特征集進行兩次降維以避免維度災難，實現了 76.7% 的 ERN 識別率，該項研究提出的在全通道時—頻—空特征集的基礎上進行降維的方法是屬于數據驅動的特征提取方法，最后提取到的特征有可能與 ERN 的神經生理基礎無關，容易導致 ERN 單次檢測的泛化性差。
為了發展抗噪聲干擾性強、泛化性好的 ERN 單次檢測算法，本文首先基于誘發 ERN 時的大腦活動模式圖優選 EEG 數據通道，進而采用小波變換方法提取 ERN 在低頻段上的時域特征與高頻段上的時—頻特征，最后以此低維特征組合完成對 ERN 的單次檢測。本文提出的 ERN 單次檢測算法有助于錯誤指令實時檢測技術在腦—機接口在線系統中的應用。
1 試驗范式及數據采集
對受試者感知錯誤時刻準確定位，是 ERN 試驗范式設計的關鍵[10]。本試驗通過對運動想象識別結果的反饋出現時刻打標，以定位 ERN 的起始點。試驗基于本實驗室自主開發的運動想象腦—機接口在線系統進行，試驗流程如圖 1 所示。試驗開始后，先有一段試驗說明，受試者聽到開始提示音后，進入試驗，首先執行時間為 5 s 的運動想象任務，運動想象腦—機接口在線系統進行在線識別，然后屏幕顯示運動想象識別結果，并記錄標簽；當任務與識別結果相駁時，受試者感知錯誤，誘發 ERN；當任務與識別結果相同時，受試者未感知錯誤，進而未誘發 ERN。
圖1
試驗范式流程圖
Figure1.
Flow chart of the experiment
本課題組從鄭州大學招募了 10 名青年受試者，6 男 4 女，年齡為（24.0 ± 5.0）歲，全為右利手，身體健康，無腦損傷和神經疾病史。本試驗經過了鄭州大學電氣工程學院倫理審查委員會的同意，所有受試者均簽訂了腦—機接口試驗知情同意書，并按小時數給予受試者一定的經濟初補償。每名受試者均進行了 5 組試驗，每組試驗包含 45 個刺激。EEG 信號采集使用 64 導聯的 Neuroscan EEG 信號采集系統（SynAmps 2，Compumedics Neuroscan/美國），采樣頻率為 1 000 Hz（直流采集模式），采用 10–20 國際標準電極位置。試驗過程中電極阻抗小于 5 kΩ，EEG 信號采集軟件為 Scan 4.5（Compumedics Neuroscan，美國），刺激范式使用 E-Prime 2.0（PST Ins，美國）編寫。采集與處理計算機采用 windows 8 操作系統，Intel Core i7-4790 處理器，8 GB 內存，數據分析基于 MATLAB 2010b（MathWorks Ins，美國）軟件進行。
2 方法
2.1 預處理
EEG 信號易被眼電偽跡、工頻干擾、肌電偽跡等成分污染[11-12]，本文所研究的 ERN 通常誘發于頭皮額中央區，頻率重合的眼電偽跡對其干擾最大。本文使用二階統計量和時序結構特征法去除眼電偽跡以降低其影響[13]。
2.2 ERN 激活區域分析
目前，誘發 ERN 相關的通道尚不能確定[14]。基于 ERN 的鎖時性[15]，首先截取屏幕反饋后 0～500 ms 時間段的 EEG 信號，采用疊加平均法，提高誘發 ERN 的信噪比；其次，進行 0～30 Hz 濾波，分別對誘發 ERN 與未誘發 ERN 的數據計算平方，然后做差，得到兩類 EEG 信號能量差，在依據兩類 EEG 信號能量差繪制腦地形圖序列，如圖 2、圖 3 所示。
圖2
10 名受試者平均數據腦地形圖
Figure2.
The average brain topographic map of 10 subjects
圖3
1 名受試者腦地形圖
Figure3.
The brain topographic map of 1 example subject
10 名受試者的誘發 ERN 與未誘發 ERN 的兩類 EEG 信號在 0～500 ms 時間段內的平均能量差如圖 2 所示，而圖 3 繪制的是隨機選取其中 1 名受試者在 0～30 Hz 頻率段誘發 ERN 與未誘發 ERN 的兩類 EEG 信號的能量差。在圖 2 和圖 3 中，0 ms 表示運動想象識別結果在屏幕中顯示的時刻，每隔 100 ms 一幅，直到 500 ms 為止，圖中紅色表示誘發 ERN 與未誘發 ERN 兩類 EEG 信號的能量差異大，藍色表示能量差異小。由圖 2、圖 3 可知，在 200～400 ms 時間段，兩類信號能量差異較大，且主要集中于頭皮額中央區。因此，選取“FP1、FPZ、FP2、AF3、AF4、F7、F5、F3、F1、FZ、F2、F4、F6、F8、FC3、FC1、FC2、FC4”這 18 個通道進行后續處理。
2.3 ERN 時域特性分析
ERN 具有鎖時性，在具有反饋模塊的腦—機接口在線系統中，通常在受試者感知錯誤發生后的 300 ms 處出現負波峰，然而負波峰幅值約為 10 μV，表現為信噪比低、個體差異大[4-5]。針對 ERN 時域特征提取困難的技術難題，對一段時間內的信號進行降采樣作為時域特征，提高時域特征的信噪比。如何確定最優時間段，是 ERN 時域特征提取的關鍵。
本文選取 10 名受試者的 EEG 信號，進行 0～30 Hz 帶通濾波，對受試者 18 個通道數據進行平均，截取屏幕顯示運動想象分類結果后 1 000 ms 的數據進行分析。以時間窗長為 400 ms，滑動步長為 50 ms，滑動截取 1 000 ms 的數據。對截取數據進行降采樣，每隔 50 ms 提取 1 個降采樣點，作為時域特征。采用線性判別式分析（linear discriminant analysis，LDA）分類器，進行 ERN 檢測，10 名受試者 ERN 檢測的平均正確率結果如圖 4 所示。
圖4
不同時間段 ERN 檢測正確率對比圖
Figure4.
Comparison of the ERN detection accuracy of different time segments
分析結果表明，200～600 ms 時間段內時域特征檢測正確率最高，故將反饋后 200～600 ms 的數據作為優選后的時間段。
2.4 通道優化
針對 2.2 小節的 ERN 激活區域分析選取的 18 通道進一步優化，選取 0～30 Hz 運動想象識別結果屏幕顯示后的 200～600 ms EEG 信號，基于 2.3 小節的時域特征提取與分類步驟，選擇 1～18 個不同通道個數的全排列組合，提取特征進行分類識別，分析不同通道組合對 ERN 檢測率的影響。結果顯示，采用不同通道組合得到的 ERN 檢測正確率有差異，其中選取“AF3、AF4、F7、F6、FC1、FC2”6 通道組合提取的特征檢測 ERN 正確率最高，達到了 67%。10 名受試者單通道、18 通道組合及 6 通道組合 ERN 檢測的平均正確率如圖 5 所示。
圖5
單通道、18 通道及 6 通道組合正確率
Figure5.
The accuracy of single channel and channel combination of 18 channels or 6 channels
如圖 5 所示，10 名受試者的 FP1、FZ、FC4 通道平均正確率偏低，全部 18 通道組合檢測 ERN 平均正確率是 62%，“AF3、AF4、F7、F6、FC1、FC2”6 通道組合的平均正確率較 18 通道組合特征提升 5%，最終確定選取“AF3、AF4、F7、F6、FC1、FC2”通道進行單次 ERN 檢測。
2.5 ERN 時—頻特性分析
基于小波變換在時域和頻域的局部化性質[16-18]，對采集到的 EEG 信號進行時—頻域分析。對于降采樣到 250 Hz 的 EEG 信號，選取基函數（db4），進行 6 層小波分解，分解層數對應頻率范圍如表 1 所示。由于 EEG 信號中的有用信息一般在 50 Hz 以下，因此對近似系數第 6 層（C6）重構，同時對細節系數第 6 層（D6）、第 5 層（D5）、第 4 層（D4）、第 3 層（D3）也進行重構。
表1
頻帶范圍
Table1.
The frequency range
選取每名受試者 5 組試驗，每組包含 45 次刺激的 EEG 信號（5 × 45 = 225 次），計算 D3 層、D4 層、D5 層、D6 層、C6 層重構信號的平均值、均方差和能量特征，根據是否誘發出 ERN 將這 225 組特征分成誘發 ERN 和未誘發 ERN 兩類，接著計算兩類樣本的均值（
）和方差（S2）（此處
和 S2與重構信號的平均值、均方差不同）進行 t 檢驗，統計顯著性水平選擇 α = 0.05。t 檢驗結果如果顯示 P > 0.05，表明兩類特征來自同一分布，差異不具有統計學意義； t 檢驗結果如果顯示 P < 0.05，表明兩類特征來自不同分布，差異具有統計學意義。對 10 名受試者的數據分別進行 t 檢驗，統計 P < 0.05 受試者人數，結果如 表 2 所示。
表2
誘發 ERN 與未誘發 ERN 兩類重構信號特征差異具有統 計學意義的人數（t 檢驗，P < 0.05）
Table2.
The subject number that exist significant difference between reconstructed signals of ERN and non-ERN (t test, P < 0.05)
由表 2 可知，誘發 ERN 與未誘發 ERN 兩類信號的 D3 層、D4 層、D5 層、D6 層重構信號的平均值特征、D3 層、D4 層、C6 層重構信號的均方差和能量特征人數偏低（P < 0.05），推斷兩類特征來自同一分布，差異不具有統計學意義。該結果表明，誘發 ERN 與未誘發 ERN 在頻域上差異具有統計學意義的特征主要包含在 D5 層和 D6 層重構信號中，而差異具有統計學意義的時域特征主要包含在 C6 層重構信號中。
2.6 提取 ERN 特征
基于 2.2 小節的 ERN 激活區域分析、2.3 小節的 ERN 時域特性分析、2.4 小節的通道優化和 2.5 小節的 ERN 時—頻特性分析結果，本文設計了 ERN 的單次特征提取算法，其步驟如下所示：
（1）輸入“AF3、AF4、F7、F6、FC1、FC2”6 個通道的運動想象識別結果屏幕顯示后 200～600 ms 的 EEG 信號 X（i）。
（2）去除 X（i）的基線、眼電偽跡，并降采樣至 250 Hz。
（3）選取 db4 為小波基函數，進行 6 層小波分解。
（4）選取 D5 層、D6 層、C6 層小波系數重構 XD5（i）、XD6（i）、XC6（i）信號。
（5）計算 6 通道重構信號 XC6（i）的平均值，間隔 50 ms 提取采樣點作為 ERN 低頻時域特征；計算 6 通道重構信號 XD5（i）、XD6（i）的平均值，然后求出均方差、能量特征，作為 ERN 高頻時—頻域特征，共提取 12 維特征。
3 試驗分析
對參與試驗的 10 名受試者試驗數據進行處理，使誘發 ERN 與未誘發 ERN 的兩類樣本的比例為 1∶1，取每名受試者 80% 的數據作為訓練集，剩余 20% 的數據作為測試集，按照 2.6 小結中描述的特征提取算法提取特征，采用 LDA 分類器、五折交叉驗證的方法進行檢測。每名受試者的單次 ERN 檢測正確率如表 3 所示。
結果顯示，單次 ERN 檢測正確率在不同受試者間具有差異，10 名受試者取得 72.0% ± 9.6% 的正確率，其中正確率最高的受試者達到了 85.6%，而受試者 5 和受試者 9 正確率偏低，初步推斷這兩名受試者可能不適于 ERN 試驗。
表3
ERN 檢測五折交叉驗證正確率
Table3.
The classification results of ERN by 5 fold cross validation
4 結論
基于 ERN 的生理機制，腦—機接口系統可以采用單次檢測 ERN 實現錯誤指令的實時檢測，其中的技術瓶頸是 ERN 單次檢測算法。本文為了發展抗噪聲干擾性強、泛化性好的 ERN 單次檢測算法，通過分析誘發 ERN 時的大腦活動模式圖，優選與生理機制有關（誘發于頭皮額中央區）的 EEG 數據通道，采用小波變換分析 ERN 在低頻段上的時域特性與高頻段上的時—頻特性，提出了一種融合低頻段時域和高頻段時—頻域特征的 ERN 單次檢測算法。經測試得到 72.0%±9.6% 的 ERN 單次檢測平均正確率，對比只采用低頻時域特征檢測單次 ERN 得到的 67% 的平均正確率，該 ERN 單次檢測算法正確率有所提升。綜上所述，本文的研究結果有助于錯誤指令實時檢測技術在腦—機接口在線系統中的應用。
引言
當前的腦—機接口系統多數采用視覺反饋機制[1-2]，其特點是相應的反饋發生在受控裝置執行動作之后，不具備錯誤指令實時檢測的功能，因此當腦—機接口的指令識別正確率較低時易造成外部裝置的誤動作。神經生理學研究表明：個體在感知發生錯誤時，其頭皮額中央區可以記錄到與錯誤反應特定相關的腦電（electroencephalogram，EEG）信號負走向波形，稱為錯誤相關負電位（error related negativity，ERN）[3]。ERN 的特性提示人們，可以將腦—機接口系統的識別結果實時顯示到屏幕上，作為 ERN 的事件誘發源，通過檢測 ERN，實現腦—機接口輸出錯誤指令的實時檢測。
ERN 通常是在受試者感知到錯誤后的 100～300 ms 產生，波幅約 10 μV，信噪比低，個體差異大[4-5]，其波形一般需經多次疊加平均獲得。然而腦—機接口在線系統的單次識別結果只能誘發單次 ERN，要實現錯誤指令的實時檢測就需要先實現 ERN 的單次檢測。現階段 ERN 的單次檢測是其應用到在線腦—機接口系統中的技術瓶頸[6]。
目前檢測 ERN 相關的研究主要包括：Omedes 等[7]利用 ERN 具有的穩定頻域特征，采用低頻（4～8 Hz）特性提高分類器識別的泛化能力，其不足是易被噪聲干擾。Zhang 等[8]利用直接傳遞函數獲取 ERN 發生時的腦連接信息，通過腦信息交互網絡矩陣，研究了 ERN 的腦網絡特征，但是其采用的腦網絡矩陣是在多次疊加的基礎上建立的，無法用于 ERN 的單次提取。Tong 等[9]首先提取 EEG 信號的全通道時域、頻域和空域特征集，共 56 ×（164 + 12 + 161）= 18 872 維，再通過神經網絡對該特征集進行兩次降維以避免維度災難，實現了 76.7% 的 ERN 識別率，該項研究提出的在全通道時—頻—空特征集的基礎上進行降維的方法是屬于數據驅動的特征提取方法，最后提取到的特征有可能與 ERN 的神經生理基礎無關，容易導致 ERN 單次檢測的泛化性差。
為了發展抗噪聲干擾性強、泛化性好的 ERN 單次檢測算法，本文首先基于誘發 ERN 時的大腦活動模式圖優選 EEG 數據通道，進而采用小波變換方法提取 ERN 在低頻段上的時域特征與高頻段上的時—頻特征，最后以此低維特征組合完成對 ERN 的單次檢測。本文提出的 ERN 單次檢測算法有助于錯誤指令實時檢測技術在腦—機接口在線系統中的應用。
1 試驗范式及數據采集
對受試者感知錯誤時刻準確定位，是 ERN 試驗范式設計的關鍵[10]。本試驗通過對運動想象識別結果的反饋出現時刻打標，以定位 ERN 的起始點。試驗基于本實驗室自主開發的運動想象腦—機接口在線系統進行，試驗流程如圖 1 所示。試驗開始后，先有一段試驗說明，受試者聽到開始提示音后，進入試驗，首先執行時間為 5 s 的運動想象任務，運動想象腦—機接口在線系統進行在線識別，然后屏幕顯示運動想象識別結果，并記錄標簽；當任務與識別結果相駁時，受試者感知錯誤，誘發 ERN；當任務與識別結果相同時，受試者未感知錯誤，進而未誘發 ERN。
圖1
試驗范式流程圖
Figure1.
Flow chart of the experiment
本課題組從鄭州大學招募了 10 名青年受試者，6 男 4 女，年齡為（24.0 ± 5.0）歲，全為右利手，身體健康，無腦損傷和神經疾病史。本試驗經過了鄭州大學電氣工程學院倫理審查委員會的同意，所有受試者均簽訂了腦—機接口試驗知情同意書，并按小時數給予受試者一定的經濟初補償。每名受試者均進行了 5 組試驗，每組試驗包含 45 個刺激。EEG 信號采集使用 64 導聯的 Neuroscan EEG 信號采集系統（SynAmps 2，Compumedics Neuroscan/美國），采樣頻率為 1 000 Hz（直流采集模式），采用 10–20 國際標準電極位置。試驗過程中電極阻抗小于 5 kΩ，EEG 信號采集軟件為 Scan 4.5（Compumedics Neuroscan，美國），刺激范式使用 E-Prime 2.0（PST Ins，美國）編寫。采集與處理計算機采用 windows 8 操作系統，Intel Core i7-4790 處理器，8 GB 內存，數據分析基于 MATLAB 2010b（MathWorks Ins，美國）軟件進行。
2 方法
2.1 預處理
EEG 信號易被眼電偽跡、工頻干擾、肌電偽跡等成分污染[11-12]，本文所研究的 ERN 通常誘發于頭皮額中央區，頻率重合的眼電偽跡對其干擾最大。本文使用二階統計量和時序結構特征法去除眼電偽跡以降低其影響[13]。
2.2 ERN 激活區域分析
目前，誘發 ERN 相關的通道尚不能確定[14]。基于 ERN 的鎖時性[15]，首先截取屏幕反饋后 0～500 ms 時間段的 EEG 信號，采用疊加平均法，提高誘發 ERN 的信噪比；其次，進行 0～30 Hz 濾波，分別對誘發 ERN 與未誘發 ERN 的數據計算平方，然后做差，得到兩類 EEG 信號能量差，在依據兩類 EEG 信號能量差繪制腦地形圖序列，如圖 2、圖 3 所示。
圖2
10 名受試者平均數據腦地形圖
Figure2.
The average brain topographic map of 10 subjects
圖3
1 名受試者腦地形圖
Figure3.
The brain topographic map of 1 example subject
10 名受試者的誘發 ERN 與未誘發 ERN 的兩類 EEG 信號在 0～500 ms 時間段內的平均能量差如圖 2 所示，而圖 3 繪制的是隨機選取其中 1 名受試者在 0～30 Hz 頻率段誘發 ERN 與未誘發 ERN 的兩類 EEG 信號的能量差。在圖 2 和圖 3 中，0 ms 表示運動想象識別結果在屏幕中顯示的時刻，每隔 100 ms 一幅，直到 500 ms 為止，圖中紅色表示誘發 ERN 與未誘發 ERN 兩類 EEG 信號的能量差異大，藍色表示能量差異小。由圖 2、圖 3 可知，在 200～400 ms 時間段，兩類信號能量差異較大，且主要集中于頭皮額中央區。因此，選取“FP1、FPZ、FP2、AF3、AF4、F7、F5、F3、F1、FZ、F2、F4、F6、F8、FC3、FC1、FC2、FC4”這 18 個通道進行后續處理。
2.3 ERN 時域特性分析
ERN 具有鎖時性，在具有反饋模塊的腦—機接口在線系統中，通常在受試者感知錯誤發生后的 300 ms 處出現負波峰，然而負波峰幅值約為 10 μV，表現為信噪比低、個體差異大[4-5]。針對 ERN 時域特征提取困難的技術難題，對一段時間內的信號進行降采樣作為時域特征，提高時域特征的信噪比。如何確定最優時間段，是 ERN 時域特征提取的關鍵。
本文選取 10 名受試者的 EEG 信號，進行 0～30 Hz 帶通濾波，對受試者 18 個通道數據進行平均，截取屏幕顯示運動想象分類結果后 1 000 ms 的數據進行分析。以時間窗長為 400 ms，滑動步長為 50 ms，滑動截取 1 000 ms 的數據。對截取數據進行降采樣，每隔 50 ms 提取 1 個降采樣點，作為時域特征。采用線性判別式分析（linear discriminant analysis，LDA）分類器，進行 ERN 檢測，10 名受試者 ERN 檢測的平均正確率結果如圖 4 所示。
圖4
不同時間段 ERN 檢測正確率對比圖
Figure4.
Comparison of the ERN detection accuracy of different time segments
分析結果表明，200～600 ms 時間段內時域特征檢測正確率最高，故將反饋后 200～600 ms 的數據作為優選后的時間段。
2.4 通道優化
針對 2.2 小節的 ERN 激活區域分析選取的 18 通道進一步優化，選取 0～30 Hz 運動想象識別結果屏幕顯示后的 200～600 ms EEG 信號，基于 2.3 小節的時域特征提取與分類步驟，選擇 1～18 個不同通道個數的全排列組合，提取特征進行分類識別，分析不同通道組合對 ERN 檢測率的影響。結果顯示，采用不同通道組合得到的 ERN 檢測正確率有差異，其中選取“AF3、AF4、F7、F6、FC1、FC2”6 通道組合提取的特征檢測 ERN 正確率最高，達到了 67%。10 名受試者單通道、18 通道組合及 6 通道組合 ERN 檢測的平均正確率如圖 5 所示。
圖5
單通道、18 通道及 6 通道組合正確率
Figure5.
The accuracy of single channel and channel combination of 18 channels or 6 channels
如圖 5 所示，10 名受試者的 FP1、FZ、FC4 通道平均正確率偏低，全部 18 通道組合檢測 ERN 平均正確率是 62%，“AF3、AF4、F7、F6、FC1、FC2”6 通道組合的平均正確率較 18 通道組合特征提升 5%，最終確定選取“AF3、AF4、F7、F6、FC1、FC2”通道進行單次 ERN 檢測。
2.5 ERN 時—頻特性分析
基于小波變換在時域和頻域的局部化性質[16-18]，對采集到的 EEG 信號進行時—頻域分析。對于降采樣到 250 Hz 的 EEG 信號，選取基函數（db4），進行 6 層小波分解，分解層數對應頻率范圍如表 1 所示。由于 EEG 信號中的有用信息一般在 50 Hz 以下，因此對近似系數第 6 層（C6）重構，同時對細節系數第 6 層（D6）、第 5 層（D5）、第 4 層（D4）、第 3 層（D3）也進行重構。
表1
頻帶范圍
Table1.
The frequency range
選取每名受試者 5 組試驗，每組包含 45 次刺激的 EEG 信號（5 × 45 = 225 次），計算 D3 層、D4 層、D5 層、D6 層、C6 層重構信號的平均值、均方差和能量特征，根據是否誘發出 ERN 將這 225 組特征分成誘發 ERN 和未誘發 ERN 兩類，接著計算兩類樣本的均值（
）和方差（S2）（此處
和 S2與重構信號的平均值、均方差不同）進行 t 檢驗，統計顯著性水平選擇 α = 0.05。t 檢驗結果如果顯示 P > 0.05，表明兩類特征來自同一分布，差異不具有統計學意義； t 檢驗結果如果顯示 P < 0.05，表明兩類特征來自不同分布，差異具有統計學意義。對 10 名受試者的數據分別進行 t 檢驗，統計 P < 0.05 受試者人數，結果如 表 2 所示。
表2
誘發 ERN 與未誘發 ERN 兩類重構信號特征差異具有統 計學意義的人數（t 檢驗，P < 0.05）
Table2.
The subject number that exist significant difference between reconstructed signals of ERN and non-ERN (t test, P < 0.05)
由表 2 可知，誘發 ERN 與未誘發 ERN 兩類信號的 D3 層、D4 層、D5 層、D6 層重構信號的平均值特征、D3 層、D4 層、C6 層重構信號的均方差和能量特征人數偏低（P < 0.05），推斷兩類特征來自同一分布，差異不具有統計學意義。該結果表明，誘發 ERN 與未誘發 ERN 在頻域上差異具有統計學意義的特征主要包含在 D5 層和 D6 層重構信號中，而差異具有統計學意義的時域特征主要包含在 C6 層重構信號中。
2.6 提取 ERN 特征
基于 2.2 小節的 ERN 激活區域分析、2.3 小節的 ERN 時域特性分析、2.4 小節的通道優化和 2.5 小節的 ERN 時—頻特性分析結果，本文設計了 ERN 的單次特征提取算法，其步驟如下所示：
（1）輸入“AF3、AF4、F7、F6、FC1、FC2”6 個通道的運動想象識別結果屏幕顯示后 200～600 ms 的 EEG 信號 X（i）。
（2）去除 X（i）的基線、眼電偽跡，并降采樣至 250 Hz。
（3）選取 db4 為小波基函數，進行 6 層小波分解。
（4）選取 D5 層、D6 層、C6 層小波系數重構 XD5（i）、XD6（i）、XC6（i）信號。
（5）計算 6 通道重構信號 XC6（i）的平均值，間隔 50 ms 提取采樣點作為 ERN 低頻時域特征；計算 6 通道重構信號 XD5（i）、XD6（i）的平均值，然后求出均方差、能量特征，作為 ERN 高頻時—頻域特征，共提取 12 維特征。
3 試驗分析
對參與試驗的 10 名受試者試驗數據進行處理，使誘發 ERN 與未誘發 ERN 的兩類樣本的比例為 1∶1，取每名受試者 80% 的數據作為訓練集，剩余 20% 的數據作為測試集，按照 2.6 小結中描述的特征提取算法提取特征，采用 LDA 分類器、五折交叉驗證的方法進行檢測。每名受試者的單次 ERN 檢測正確率如表 3 所示。
結果顯示，單次 ERN 檢測正確率在不同受試者間具有差異，10 名受試者取得 72.0% ± 9.6% 的正確率，其中正確率最高的受試者達到了 85.6%，而受試者 5 和受試者 9 正確率偏低，初步推斷這兩名受試者可能不適于 ERN 試驗。
表3
ERN 檢測五折交叉驗證正確率
Table3.
The classification results of ERN by 5 fold cross validation
4 結論
基于 ERN 的生理機制，腦—機接口系統可以采用單次檢測 ERN 實現錯誤指令的實時檢測，其中的技術瓶頸是 ERN 單次檢測算法。本文為了發展抗噪聲干擾性強、泛化性好的 ERN 單次檢測算法，通過分析誘發 ERN 時的大腦活動模式圖，優選與生理機制有關（誘發于頭皮額中央區）的 EEG 數據通道，采用小波變換分析 ERN 在低頻段上的時域特性與高頻段上的時—頻特性，提出了一種融合低頻段時域和高頻段時—頻域特征的 ERN 單次檢測算法。經測試得到 72.0%±9.6% 的 ERN 單次檢測平均正確率，對比只采用低頻時域特征檢測單次 ERN 得到的 67% 的平均正確率，該 ERN 單次檢測算法正確率有所提升。綜上所述，本文的研究結果有助于錯誤指令實時檢測技術在腦—機接口在線系統中的應用。
