穩態視覺誘發電位（SSVEP）近年來被廣泛應用于腦-機接口（BCI）系統的研究中，SSVEP-BCI系統具有分類精度高、信息傳輸速率快和抗干擾能力強等優點。傳統研究大多誘發低、中頻段SSVEP響應作為系統控制信號，然而該頻帶的SSVEP可能導致受試者視覺疲勞甚至誘發癲癇。相比之下，盡管高頻SSVEP-BCI幅值較低、響應微弱，但它提供了更舒適自然的交互方式，近年來也被研究人員廣泛關注。本文針對近十年高頻SSVEP-BCI相關研究，分別從范式和算法兩方面進行歸納分析，最后對其應用前景和發展方向進行了討論和展望。
引用本文： 鄭晨光, 劉洋, 肖曉琳, 周曉宇, 徐舫舟, 許敏鵬, 明東. 高頻穩態視覺誘發電位腦-機接口研究進展. 生物醫學工程學雜志, 2023, 40(1): 155-162. doi: 10.7507/1001-5515.202205090 復制
0 引言
腦-機接口（brain-computer interface，BCI）是一種不依賴外周神經和肌肉組成的正常輸出通路系統，能夠將中樞神經系統活動直接轉化為人工輸出[1-2]。
按照采集腦電信號的傳感器放置位置，BCI系統分為有創和無創兩種，即侵入式BCI和非侵入式BCI。非侵入式BCI因其具有無創、操作簡單和易于實現等優點而被廣泛應用。其中，以穩態視覺誘發電位（steady-state visual evoked potential，SSVEP）[3-4]作為控制信號的SSVEP-BCI系統以其用戶訓練少[5]、信息傳輸率（information transfer rate，ITR）高[6]等優點引起了廣泛關注[7]。SSVEP即當人眼視網膜受到固定頻率的刺激時，大腦視覺皮層會產生一個相同頻率或者倍數頻率的腦電圖信號（electroencephalogram，EEG）。它在輔助康復類醫療設備與工業控制、娛樂游戲等非醫療領域都有廣泛應用。SSVEP通常由周期性視覺刺激誘發，可分為低（4～12 Hz）、中（12～30 Hz）、高（>30 Hz）三個頻帶[8]。現有的SSVEP-BCI系統通常傾向于低/中頻帶，以獲得更大的振幅響應和更高的ITR，低/中頻SSVEP-BCI的ITR已達到較高水平并在實際中得到應用。但是，研究表明當刺激頻率在低/中頻帶時會引起受試者較為強烈的視覺疲勞[9]，甚至有造成光敏性癲癇的潛在風險[10]。使用高頻刺激則可以避免上述問題，已有學者開展了基于高頻SSVEP-BCI的相關研究[11]。
典型的BCI系統實現需要范式誘發[12]、信號采集、解碼算法和輸出反饋等環節[13]。其中實驗范式是用于調制腦電信號而設計的任務；解碼算法則負責將測量的腦電信號轉換為對用戶的命令。本文針對近十年來高頻SSVEP-BCI的相關研究，從編碼范式和解碼算法兩方面進行歸納分析。
1 高頻SSVEP-BCI系統的編碼方式
1.1 頻率編碼
在SSVEP-BCI系統中，頻率編碼主要利用SSVEP穩定的頻率特征，構建不同頻率的閃爍塊，受試者可以通過觀察閃爍塊識別不同命令[14]。
2014年，Won等[15]提出了QWERTY多指令編碼拼寫器（見圖1），視覺刺激采用26～34.7 Hz的30指令集編碼，平均分類正確率為80%。同年，Chen等[16]利用35.6～44.4 Hz（間隔0.2 Hz）的刺激頻率，構造了45指令的高頻BCI拼寫器，其ITR為（61±2.7）bits/min。2018年，Saboor等[17]利用30 Hz單一視覺刺激頻率，結合眼動儀識別同一頻率、不同位置下的目標，30指令平均分類正確率為97.49%，平均拼寫速度達到了30.20 bits/min。同年，Chabuda等[18]提出了一種基于高頻SSVEP的BCI拼寫器，分類正確率為（96 ± 4）%，ITR為（47 ± 5）bits/min。
圖1
頻率編碼30指令范式
Figure1.
Frequency coding 30 instruction paradigm
除應用于拼寫器外，2019年Chen等[11]提出將高頻SSVEP-BCI系統和基于計算機視覺的目標識別相結合，用于控制機械臂執行需要多自由度控制的拾取和放置任務。該編碼范式可以實現97.75%的平均分類正確率，ITR可達到（17.00 ± 2.02）bits/min。
1.2 頻-相編碼
頻率編碼的高頻SSVEP-BCI系統會引起幅頻問題[19]，即當受試者聚焦于多個頻率閃爍的刺激時，SSVEP信號會因為相應大腦皮層的競爭而減少。研究證明SSVEP和刺激目標是鎖相的[20]，當編碼范式利用不同相位編碼時，可以通過SSVEP相位信息識別受試者的視覺意圖，因此有研究人員提出了頻-相編碼方式[21]。
2011年，Zhu等[22]提出了一種基于高頻誘發SSVEP相位檢測的在線BCI實現方法，只使用一個刺激頻率和四種不同初始相位編碼四指令完成在網格迷宮中的行走，分類正確率為（95.5 ± 7）%，ITR為（34.15 ± 5.57）bits/min。該團隊在2015年又提出一種基于高頻SSVEP的BCI多相循環編碼（Multi-Phase Cycle Coding，MPCC）協議，每個指令由一個刺激塊編碼，每個刺激塊包括一系列循環碼并對應于閃爍的視覺刺激，由多個相位組合，并以單一頻率閃爍，識別正確率為（93.51 ± 5.62）%，ITR為（33.77 ± 8.67）bits/min[23]。2022年，Jiang等[24]提出了利用60 Hz作為視覺刺激的高頻SSVEP-BCI系統，使用四種不同相位進行編碼，在線四指令分類正確率為（87.75 ± 3.50）%，ITR為（16.73 ± 1.63）bpm。
頻-相編碼的高頻SSVEP-BCI系統還被引入腦控機器人領域。2016年Hu等[25]提出六指令頻-相編碼范式，實驗布局（見圖2）界面中心是實時反饋系統，矩形環靶狀刺激置于其周圍，刺激閃爍的頻率為30 Hz。該范式利用相位信息解碼并轉換為控制命令，受試者成功地導航NAO類人機器人，在線導航平均控制成功率為94.26%。
圖2
六指令頻-相編碼范式
Figure2.
Six-command frequency phase coding paradigm
1.3 時-頻編碼
時-頻編碼是在僅使用單一頻率信息的基礎上，將不同的刺激頻率構成時間序列節律模式，來降低主觀疲勞度[26]。2018年，Keihani等[26]利用高頻降低視覺疲勞且中頻識別精度高的優勢，用高中頻段作為基本單元進行組合編碼。實驗流程如圖3所示，使用fi（25 Hz）、fj（30 Hz）、fk（35 Hz）三種視覺刺激，通過不同的時序組合構造了9個指令。實驗結果表明，平均分類正確率大于90%。
圖3
時-頻編碼范式
Figure3.
Time-frequency coding paradigm
此外，時-頻編碼的另一種典型結構是利用多級拼寫界面進行編碼。2018年，Ajami等[27]利用較少的頻率，實現了多字符識別。該系統識別過程是：當受試者注視對應字符的閃爍塊時，系統通過在線數據處理識別受試者的視覺意圖，打開二級拼寫界面選擇字符。結果表明該編碼范式的平均分類正確率為99.2%，平均ITR達到67.1 bits/min。
1.4 空-頻編碼
傳統的高頻SSVEP-BCI系統經常利用頻率與相位特征進行編碼，而視覺空間信息的傳遞和處理在大腦中是高度復雜的。在對側視野中，每個大腦半球的紋狀皮質與對應的半個視網膜形成一個視網膜投射。誘發的SSVEP特征與刺激的空間特征高度相關，利用空間信息可增加編碼范式的差異性，有望擴充指令集，因此有研究人員提出了空-頻編碼的高頻SSVEP-BCI系統。
2019年，Ming等[28]設計了三種棋盤刺激闡明了空間對比對SSVEP反應的影響。2021年，該團隊優化了一種棋盤式視覺刺激的空間屬性，采用黑色背景棋盤式刺激的在線九指令BCI系統，采用40 Hz的刺激頻率和九種空間密度。在高頻刺激下的ITR達到（109.0 ± 20.4）bits/min。空-頻編碼的刺激范式在高頻SSVEP-BCI方面顯示出系統性能和用戶體驗的優越性，這將促進它在通信和控制中的實際應用[29]。
1.5 混合編碼
混合編碼范式將三種及以上的特征信息混合使用，系統通過利用多維度特征，可以在一定程度上提高分類正確率、增加控制命令數量以及控制維度。
2019年，Liang等[30]提出一種雙頻調制方法，設計了利用不同頻率、初始相位和空間信息的40指令高頻視覺刺激方案，刺激頻率從30～38 Hz的頻段中選擇，采用四種不同初始相位，分類正確率為（91.02 ± 7.77）%，ITR為（267.85 ± 39.36）bit/min，這也是迄今為止高頻SSVEP-BCI系統領域的最高ITR。2020年，Yue等[31]提出了一種新的BCI范式，利用不同頻率、初始相位和空間位置的高頻視覺刺激誘發模式幾乎相反的穩態非對稱性視覺誘發電位（steady-state asymmetrically visual evoked potential，SSaVEP）信號。采用以高頻帶31～40 Hz閃爍的10指令進行編碼，初始相位為0～1.15 pi，間隔為0.35 pi（見圖4），該范式所有受試者的平均分類正確率為87.5%，平均ITR為87.2 bit/min。
圖4
高頻 SSaVEP-BCI 拼寫接口
Figure4.
High frequency SSaVEP-BCI spelling interface
2 高頻SSVEP-BCI系統的解碼算法
2.1 功率譜密度分析
功率譜密度分析（power spectral density analysis，PSDA）是SSVEP-BCI系統中傳統的分類識別方法，是利用傅里葉變換將離散的腦電信號從時域變換到頻域的一種譜估計方法[32]。其解碼過程為：時域上離散的腦電信號EEG信號S(n)，截取長度N變為有限長序列稱為 
（n）；計算 
（n）的自相關函數，經變換得到功率譜PSD。時域上的SSVEP信號轉換到頻域，為了方便分析目標刺激頻率的振幅特征，可以進一步分析刺激頻率處的幅值大小，根據各刺激頻率點處幅值的大小可以對目標進行識別：
 |
這里面
代表刺激頻率。PSDA算法被較早應用于高頻SSVEP-BCI系統領域。2007年Materka等[32]利用PSDA方法對頻率編碼的八指令范式進行分類，平均ITR達到了22.45 bits/min。
2.2 最小絕對收縮和選擇算子算法
Tibshirani等[33]提出的最小絕對收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）是利用懲罰參數針對數據進行變量選擇，通過對樣本數據的系數進行壓縮，將非相關系數壓縮至0，從而將這部分變量的特征視為非顯著性特征，提取出有用的信息特征。2018年，Ajami等[27]將LASSO方法應用于時-頻編碼的五指令（35～39.4 Hz組合成時間序列）分類，平均分類正確率為99.2%，平均ITR達到67.1 bits/min。
2.3 典型相關分析
Won等[15]提出，由于使用單一或雙導聯，PSDA對噪聲非常敏感。為此Lin等[34]提出了基于典型相關分析（canonical correlation analysis，CCA）的SSVEP識別方法。其解碼過程是：假設 m 個多通道的SSVEP信號X = 
，以及刺激參考信號Y，CCA研究兩組變量X、Y之間的相關性[35]，試圖找到一組 
、
使得向量X、Y之間的相關系數最大，如式(2)所示：
 |
通過上式，計算實時EEG信號X與各頻率下的相關系數，并取
作為決策值。
CCA算法作為SSVEP-BCI系統分類的經典算法也較早地被引入了高頻領域。2014年Chen等[16]利用CCA算法對頻率編碼的45指令范式進行分類，平均分類正確率達到88.7%，ITR達到61 bits/min。
2.4 任務相關成分分析
相比于CCA，任務相關成分分析（task-related component analysis，TRCA）通過最大化試次間協方差進行特征提取。2018年，Nakanishi等[36]首次將TRCA用于SSVEP-BCI系統分類中，并通過整合TRCA投影矩陣 
，同時結合filter-bank思想，改進得到集成TRCA（ensemble task-related component analysis，eTRCA）算法。
TRCA算法認為在模型建立中，采集的多通道EEG信號由事件相關信號 
與事件非相關信號 
線性組合而成，通過一組 
復現 
，為最大程度復現即 
= 
，可通過最大化試次間協方差實現。再轉化為約束優化問題，獲得各類投影矩陣 
后，分別計算模板 
與實時EEG信號 
，經 
投影后得到相關系數 
，并以 
作為決策值。
TRCA算法自提出便得到了廣泛應用。2021年Ming等[29]將TRCA算法應用于空-頻編碼的九指令（38、40、42、Hz與0°、120°、240°隨機組合）分類，平均分類正確率93.9%，ITR達到109 bits/min。
2.5 判別典型模式匹配
前面幾種算法都是集中于對頻率信息進行分類，針對空-頻編碼等范式，應開發出對空間信息進行提取并分類的算法。由此，2018年Xu等[37]提出判別典型模式匹配（discriminative canonical pattern matching，DCPM）算法，并將它用于基于極微弱ERP（miniature ERP）的新型BCI系統設計中，首次實現1 μV以下miniature ERP高效解碼與應用。其解碼過程是：構建判別空間模式，以消除共模噪聲。基于Fisher判別準則，尋找可在映射后使得兩類信號的類間散度最大、類內散度最小的 
，經 
濾除共模干擾后，以模式 
的訓練數據試次間疊加平均作為模板，借助CCA算法分析 
和 
間的相關性。在模式匹配過程中，確定訓練模板和測試數據間的相似度 
，獲得相似度后以 
作為決策值。
2020年，Yue等[31]將DCPM算法應用于混合編碼的十指令（31～40 Hz）分類任務，該算法有效降低了共模噪聲，平均信噪比提升2 dB，平均分類正確率為87.5%，平均ITR達到87.2 bits/min。
2.6 深度學習
深度學習近年來已經廣泛應用于自動語音識別、圖像識別[38]、自然語言處理、新藥研發等諸多領域[39]。在BCI領域中[40]，如卷積神經網絡（convolution neural networks，CNN）、概率神經網絡（probabilistic neural network，PNN）、受限玻爾茲曼機（restricted Boltzmann machines，RBM）和深層信念網絡（deep belief networks，DBN）等架構也已用于EEG信號解碼。
其中PNN在高頻刺激條件下經已有所應用，PNN是使用Parzen窗技術從標記的訓練數據估計每個類別的概率密度函數的徑向基網絡。2011年，Zhu等[22]將PNN算法應用于四指令分類任務，平均分類正確率達到95.5%，平均ITR達到34 bits/min。
目前深度學習方法并未在高頻SSVEP-BCI領域表現出明顯優勢。這可能是由于高頻信號的信噪比較低，且缺少適用于高頻SSVEP特點的神經網絡架構。
3 結論與展望
本文總結了近些年的高頻SSVEP-BCI研究（見表1）。首先介紹了利用高頻刺激結合相位、時序、空間等特征信息的編碼方式，這些工作為后續高頻SSVEP的研究提供了經驗與思路。還列舉了高頻領域的常用算法，包括經典算法以及近年來被廣泛應用的深度學習算法。目前，高頻SSVEP-BCI系統也已與計算機視覺等相結合[41]，并成功應用于腦控機械臂、腦控機器人[42]、腦控打字等領域[43]。
表1
文獻統計
Table1.
Literature statistics
針對高頻SSVEP-BCI的特點，未來研究主要有以下發展方向：
（1）高頻SSVEP信號幅值低，大腦識別出對應誘發頻率的響應較為困難，要提升系統性能，就要充分利用各種特征信息來豐富編碼策略。如前文介紹的混合編碼范式，通過利用頻率、空間以及相位等多種特征信息，使系統性能得到較大提升。此外，通過利用多種特征信息的編碼范式，還可誘發出不同類型的SSVEP（如利用左右對稱的空間信息誘發出SSaVEP，通過抑制共模背景噪聲使腦電信號的特異性增強，更易被識別[44]。此外，通過在腦電信號中編碼更多的特征信息也可增加組合種類，進而提高范式可識別目標數量。高頻SSVEP-BCI編碼范式的研究不僅將推動BCI在高頻領域的發展，還將推動高頻視覺刺激下視網膜-大腦皮層映射機制的研究。
（2）高頻SSVEP解碼算法效率低，傳統的特征提取算法難以有效識別微弱的SSVEP信號，且腦電信號的待識別對象不明確，所以高頻解碼算法仍處于初步探索階段。后續研究應針對高頻SSVEP幅值較低的特性，提高任務相關腦電信號的信噪比，從去除偽跡、空間濾波以及特征提取等方面對數據進行針對性處理[45]，并設計相應的分類算法；同時還應側重于對腦電機制的探索以及腦電信號的溯源，對腦電機制的透徹理解將極大地幫助BCI算法的設計[46]。高頻SSVEP解碼算法的進步會提高目標識別的正確率，同時隨著解碼技術的發展，腦電信號有望用于解讀更高維度、更抽象的思維信息。
（3）盡管目前高頻SSVEP-BCI系統的應用較少且大多還只處在實驗室研究階段，但其未來應用場景十分廣闊。應結合其特性擴展，如利用視覺友好性用于長時程BCI系統，這也對腦電采集與處理設備的穩定性與續航時間提出了更高的要求，所以對腦電硬件設備的研究與創新應繼續開展[47]；利用高頻系統的視覺隱蔽性，可將它應用于敏感人群或環境中[48]，如識別危重患者意圖以及協助搶救與治療等[49]。
綜上所述，近年來高頻SSVEP-BCI系統吸引了越來越多的關注，各種研究表明它在編碼范式設計、解碼算法創新與應用場景開拓方面仍有較多工作有待開展。高頻SSVEP-BCI的研究對于BCI在高頻領域的發展與微弱信號的處理分類等方面都具有重要意義。未來，高頻SSVEP-BCI系統在教育、醫療等領域將會展現廣闊的應用前景。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：劉洋為綜述主要撰寫人，完成文獻資料的整理收集與分析，以及論文初稿的撰寫；鄭晨光、肖曉琳、周曉宇、徐舫舟參與文獻資料分析與論文修改；許敏鵬參與論文的修改與指導；明東參與論文的指導與審校。
0 引言
腦-機接口（brain-computer interface，BCI）是一種不依賴外周神經和肌肉組成的正常輸出通路系統，能夠將中樞神經系統活動直接轉化為人工輸出[1-2]。
按照采集腦電信號的傳感器放置位置，BCI系統分為有創和無創兩種，即侵入式BCI和非侵入式BCI。非侵入式BCI因其具有無創、操作簡單和易于實現等優點而被廣泛應用。其中，以穩態視覺誘發電位（steady-state visual evoked potential，SSVEP）[3-4]作為控制信號的SSVEP-BCI系統以其用戶訓練少[5]、信息傳輸率（information transfer rate，ITR）高[6]等優點引起了廣泛關注[7]。SSVEP即當人眼視網膜受到固定頻率的刺激時，大腦視覺皮層會產生一個相同頻率或者倍數頻率的腦電圖信號（electroencephalogram，EEG）。它在輔助康復類醫療設備與工業控制、娛樂游戲等非醫療領域都有廣泛應用。SSVEP通常由周期性視覺刺激誘發，可分為低（4～12 Hz）、中（12～30 Hz）、高（>30 Hz）三個頻帶[8]。現有的SSVEP-BCI系統通常傾向于低/中頻帶，以獲得更大的振幅響應和更高的ITR，低/中頻SSVEP-BCI的ITR已達到較高水平并在實際中得到應用。但是，研究表明當刺激頻率在低/中頻帶時會引起受試者較為強烈的視覺疲勞[9]，甚至有造成光敏性癲癇的潛在風險[10]。使用高頻刺激則可以避免上述問題，已有學者開展了基于高頻SSVEP-BCI的相關研究[11]。
典型的BCI系統實現需要范式誘發[12]、信號采集、解碼算法和輸出反饋等環節[13]。其中實驗范式是用于調制腦電信號而設計的任務；解碼算法則負責將測量的腦電信號轉換為對用戶的命令。本文針對近十年來高頻SSVEP-BCI的相關研究，從編碼范式和解碼算法兩方面進行歸納分析。
1 高頻SSVEP-BCI系統的編碼方式
1.1 頻率編碼
在SSVEP-BCI系統中，頻率編碼主要利用SSVEP穩定的頻率特征，構建不同頻率的閃爍塊，受試者可以通過觀察閃爍塊識別不同命令[14]。
2014年，Won等[15]提出了QWERTY多指令編碼拼寫器（見圖1），視覺刺激采用26～34.7 Hz的30指令集編碼，平均分類正確率為80%。同年，Chen等[16]利用35.6～44.4 Hz（間隔0.2 Hz）的刺激頻率，構造了45指令的高頻BCI拼寫器，其ITR為（61±2.7）bits/min。2018年，Saboor等[17]利用30 Hz單一視覺刺激頻率，結合眼動儀識別同一頻率、不同位置下的目標，30指令平均分類正確率為97.49%，平均拼寫速度達到了30.20 bits/min。同年，Chabuda等[18]提出了一種基于高頻SSVEP的BCI拼寫器，分類正確率為（96 ± 4）%，ITR為（47 ± 5）bits/min。
圖1
頻率編碼30指令范式
Figure1.
Frequency coding 30 instruction paradigm
除應用于拼寫器外，2019年Chen等[11]提出將高頻SSVEP-BCI系統和基于計算機視覺的目標識別相結合，用于控制機械臂執行需要多自由度控制的拾取和放置任務。該編碼范式可以實現97.75%的平均分類正確率，ITR可達到（17.00 ± 2.02）bits/min。
1.2 頻-相編碼
頻率編碼的高頻SSVEP-BCI系統會引起幅頻問題[19]，即當受試者聚焦于多個頻率閃爍的刺激時，SSVEP信號會因為相應大腦皮層的競爭而減少。研究證明SSVEP和刺激目標是鎖相的[20]，當編碼范式利用不同相位編碼時，可以通過SSVEP相位信息識別受試者的視覺意圖，因此有研究人員提出了頻-相編碼方式[21]。
2011年，Zhu等[22]提出了一種基于高頻誘發SSVEP相位檢測的在線BCI實現方法，只使用一個刺激頻率和四種不同初始相位編碼四指令完成在網格迷宮中的行走，分類正確率為（95.5 ± 7）%，ITR為（34.15 ± 5.57）bits/min。該團隊在2015年又提出一種基于高頻SSVEP的BCI多相循環編碼（Multi-Phase Cycle Coding，MPCC）協議，每個指令由一個刺激塊編碼，每個刺激塊包括一系列循環碼并對應于閃爍的視覺刺激，由多個相位組合，并以單一頻率閃爍，識別正確率為（93.51 ± 5.62）%，ITR為（33.77 ± 8.67）bits/min[23]。2022年，Jiang等[24]提出了利用60 Hz作為視覺刺激的高頻SSVEP-BCI系統，使用四種不同相位進行編碼，在線四指令分類正確率為（87.75 ± 3.50）%，ITR為（16.73 ± 1.63）bpm。
頻-相編碼的高頻SSVEP-BCI系統還被引入腦控機器人領域。2016年Hu等[25]提出六指令頻-相編碼范式，實驗布局（見圖2）界面中心是實時反饋系統，矩形環靶狀刺激置于其周圍，刺激閃爍的頻率為30 Hz。該范式利用相位信息解碼并轉換為控制命令，受試者成功地導航NAO類人機器人，在線導航平均控制成功率為94.26%。
圖2
六指令頻-相編碼范式
Figure2.
Six-command frequency phase coding paradigm
1.3 時-頻編碼
時-頻編碼是在僅使用單一頻率信息的基礎上，將不同的刺激頻率構成時間序列節律模式，來降低主觀疲勞度[26]。2018年，Keihani等[26]利用高頻降低視覺疲勞且中頻識別精度高的優勢，用高中頻段作為基本單元進行組合編碼。實驗流程如圖3所示，使用fi（25 Hz）、fj（30 Hz）、fk（35 Hz）三種視覺刺激，通過不同的時序組合構造了9個指令。實驗結果表明，平均分類正確率大于90%。
圖3
時-頻編碼范式
Figure3.
Time-frequency coding paradigm
此外，時-頻編碼的另一種典型結構是利用多級拼寫界面進行編碼。2018年，Ajami等[27]利用較少的頻率，實現了多字符識別。該系統識別過程是：當受試者注視對應字符的閃爍塊時，系統通過在線數據處理識別受試者的視覺意圖，打開二級拼寫界面選擇字符。結果表明該編碼范式的平均分類正確率為99.2%，平均ITR達到67.1 bits/min。
1.4 空-頻編碼
傳統的高頻SSVEP-BCI系統經常利用頻率與相位特征進行編碼，而視覺空間信息的傳遞和處理在大腦中是高度復雜的。在對側視野中，每個大腦半球的紋狀皮質與對應的半個視網膜形成一個視網膜投射。誘發的SSVEP特征與刺激的空間特征高度相關，利用空間信息可增加編碼范式的差異性，有望擴充指令集，因此有研究人員提出了空-頻編碼的高頻SSVEP-BCI系統。
2019年，Ming等[28]設計了三種棋盤刺激闡明了空間對比對SSVEP反應的影響。2021年，該團隊優化了一種棋盤式視覺刺激的空間屬性，采用黑色背景棋盤式刺激的在線九指令BCI系統，采用40 Hz的刺激頻率和九種空間密度。在高頻刺激下的ITR達到（109.0 ± 20.4）bits/min。空-頻編碼的刺激范式在高頻SSVEP-BCI方面顯示出系統性能和用戶體驗的優越性，這將促進它在通信和控制中的實際應用[29]。
1.5 混合編碼
混合編碼范式將三種及以上的特征信息混合使用，系統通過利用多維度特征，可以在一定程度上提高分類正確率、增加控制命令數量以及控制維度。
2019年，Liang等[30]提出一種雙頻調制方法，設計了利用不同頻率、初始相位和空間信息的40指令高頻視覺刺激方案，刺激頻率從30～38 Hz的頻段中選擇，采用四種不同初始相位，分類正確率為（91.02 ± 7.77）%，ITR為（267.85 ± 39.36）bit/min，這也是迄今為止高頻SSVEP-BCI系統領域的最高ITR。2020年，Yue等[31]提出了一種新的BCI范式，利用不同頻率、初始相位和空間位置的高頻視覺刺激誘發模式幾乎相反的穩態非對稱性視覺誘發電位（steady-state asymmetrically visual evoked potential，SSaVEP）信號。采用以高頻帶31～40 Hz閃爍的10指令進行編碼，初始相位為0～1.15 pi，間隔為0.35 pi（見圖4），該范式所有受試者的平均分類正確率為87.5%，平均ITR為87.2 bit/min。
圖4
高頻 SSaVEP-BCI 拼寫接口
Figure4.
High frequency SSaVEP-BCI spelling interface
2 高頻SSVEP-BCI系統的解碼算法
2.1 功率譜密度分析
功率譜密度分析（power spectral density analysis，PSDA）是SSVEP-BCI系統中傳統的分類識別方法，是利用傅里葉變換將離散的腦電信號從時域變換到頻域的一種譜估計方法[32]。其解碼過程為：時域上離散的腦電信號EEG信號S(n)，截取長度N變為有限長序列稱為 （n）；計算 （n）的自相關函數，經變換得到功率譜PSD。時域上的SSVEP信號轉換到頻域，為了方便分析目標刺激頻率的振幅特征，可以進一步分析刺激頻率處的幅值大小，根據各刺激頻率點處幅值的大小可以對目標進行識別：
|
這里面代表刺激頻率。PSDA算法被較早應用于高頻SSVEP-BCI系統領域。2007年Materka等[32]利用PSDA方法對頻率編碼的八指令范式進行分類，平均ITR達到了22.45 bits/min。
2.2 最小絕對收縮和選擇算子算法
Tibshirani等[33]提出的最小絕對收縮和選擇算子（least absolute shrinkage and selection operator，LASSO）是利用懲罰參數針對數據進行變量選擇，通過對樣本數據的系數進行壓縮，將非相關系數壓縮至0，從而將這部分變量的特征視為非顯著性特征，提取出有用的信息特征。2018年，Ajami等[27]將LASSO方法應用于時-頻編碼的五指令（35～39.4 Hz組合成時間序列）分類，平均分類正確率為99.2%，平均ITR達到67.1 bits/min。
2.3 典型相關分析
Won等[15]提出，由于使用單一或雙導聯，PSDA對噪聲非常敏感。為此Lin等[34]提出了基于典型相關分析（canonical correlation analysis，CCA）的SSVEP識別方法。其解碼過程是：假設 m 個多通道的SSVEP信號X = ，以及刺激參考信號Y，CCA研究兩組變量X、Y之間的相關性[35]，試圖找到一組 、 使得向量X、Y之間的相關系數最大，如式(2)所示：
|
通過上式，計算實時EEG信號X與各頻率下的相關系數，并取作為決策值。
CCA算法作為SSVEP-BCI系統分類的經典算法也較早地被引入了高頻領域。2014年Chen等[16]利用CCA算法對頻率編碼的45指令范式進行分類，平均分類正確率達到88.7%，ITR達到61 bits/min。
2.4 任務相關成分分析
相比于CCA，任務相關成分分析（task-related component analysis，TRCA）通過最大化試次間協方差進行特征提取。2018年，Nakanishi等[36]首次將TRCA用于SSVEP-BCI系統分類中，并通過整合TRCA投影矩陣 ，同時結合filter-bank思想，改進得到集成TRCA（ensemble task-related component analysis，eTRCA）算法。
TRCA算法認為在模型建立中，采集的多通道EEG信號由事件相關信號 與事件非相關信號 線性組合而成，通過一組 復現 ，為最大程度復現即 = ，可通過最大化試次間協方差實現。再轉化為約束優化問題，獲得各類投影矩陣 后，分別計算模板 與實時EEG信號 ，經 投影后得到相關系數 ，并以 作為決策值。
TRCA算法自提出便得到了廣泛應用。2021年Ming等[29]將TRCA算法應用于空-頻編碼的九指令（38、40、42、Hz與0°、120°、240°隨機組合）分類，平均分類正確率93.9%，ITR達到109 bits/min。
2.5 判別典型模式匹配
前面幾種算法都是集中于對頻率信息進行分類，針對空-頻編碼等范式，應開發出對空間信息進行提取并分類的算法。由此，2018年Xu等[37]提出判別典型模式匹配（discriminative canonical pattern matching，DCPM）算法，并將它用于基于極微弱ERP（miniature ERP）的新型BCI系統設計中，首次實現1 μV以下miniature ERP高效解碼與應用。其解碼過程是：構建判別空間模式，以消除共模噪聲。基于Fisher判別準則，尋找可在映射后使得兩類信號的類間散度最大、類內散度最小的 ，經 濾除共模干擾后，以模式 的訓練數據試次間疊加平均作為模板，借助CCA算法分析 和 間的相關性。在模式匹配過程中，確定訓練模板和測試數據間的相似度 ，獲得相似度后以 作為決策值。
2020年，Yue等[31]將DCPM算法應用于混合編碼的十指令（31～40 Hz）分類任務，該算法有效降低了共模噪聲，平均信噪比提升2 dB，平均分類正確率為87.5%，平均ITR達到87.2 bits/min。
2.6 深度學習
深度學習近年來已經廣泛應用于自動語音識別、圖像識別[38]、自然語言處理、新藥研發等諸多領域[39]。在BCI領域中[40]，如卷積神經網絡（convolution neural networks，CNN）、概率神經網絡（probabilistic neural network，PNN）、受限玻爾茲曼機（restricted Boltzmann machines，RBM）和深層信念網絡（deep belief networks，DBN）等架構也已用于EEG信號解碼。
其中PNN在高頻刺激條件下經已有所應用，PNN是使用Parzen窗技術從標記的訓練數據估計每個類別的概率密度函數的徑向基網絡。2011年，Zhu等[22]將PNN算法應用于四指令分類任務，平均分類正確率達到95.5%，平均ITR達到34 bits/min。
目前深度學習方法并未在高頻SSVEP-BCI領域表現出明顯優勢。這可能是由于高頻信號的信噪比較低，且缺少適用于高頻SSVEP特點的神經網絡架構。
3 結論與展望
本文總結了近些年的高頻SSVEP-BCI研究（見表1）。首先介紹了利用高頻刺激結合相位、時序、空間等特征信息的編碼方式，這些工作為后續高頻SSVEP的研究提供了經驗與思路。還列舉了高頻領域的常用算法，包括經典算法以及近年來被廣泛應用的深度學習算法。目前，高頻SSVEP-BCI系統也已與計算機視覺等相結合[41]，并成功應用于腦控機械臂、腦控機器人[42]、腦控打字等領域[43]。
表1
文獻統計
Table1.
Literature statistics
針對高頻SSVEP-BCI的特點，未來研究主要有以下發展方向：
（1）高頻SSVEP信號幅值低，大腦識別出對應誘發頻率的響應較為困難，要提升系統性能，就要充分利用各種特征信息來豐富編碼策略。如前文介紹的混合編碼范式，通過利用頻率、空間以及相位等多種特征信息，使系統性能得到較大提升。此外，通過利用多種特征信息的編碼范式，還可誘發出不同類型的SSVEP（如利用左右對稱的空間信息誘發出SSaVEP，通過抑制共模背景噪聲使腦電信號的特異性增強，更易被識別[44]。此外，通過在腦電信號中編碼更多的特征信息也可增加組合種類，進而提高范式可識別目標數量。高頻SSVEP-BCI編碼范式的研究不僅將推動BCI在高頻領域的發展，還將推動高頻視覺刺激下視網膜-大腦皮層映射機制的研究。
（2）高頻SSVEP解碼算法效率低，傳統的特征提取算法難以有效識別微弱的SSVEP信號，且腦電信號的待識別對象不明確，所以高頻解碼算法仍處于初步探索階段。后續研究應針對高頻SSVEP幅值較低的特性，提高任務相關腦電信號的信噪比，從去除偽跡、空間濾波以及特征提取等方面對數據進行針對性處理[45]，并設計相應的分類算法；同時還應側重于對腦電機制的探索以及腦電信號的溯源，對腦電機制的透徹理解將極大地幫助BCI算法的設計[46]。高頻SSVEP解碼算法的進步會提高目標識別的正確率，同時隨著解碼技術的發展，腦電信號有望用于解讀更高維度、更抽象的思維信息。
（3）盡管目前高頻SSVEP-BCI系統的應用較少且大多還只處在實驗室研究階段，但其未來應用場景十分廣闊。應結合其特性擴展，如利用視覺友好性用于長時程BCI系統，這也對腦電采集與處理設備的穩定性與續航時間提出了更高的要求，所以對腦電硬件設備的研究與創新應繼續開展[47]；利用高頻系統的視覺隱蔽性，可將它應用于敏感人群或環境中[48]，如識別危重患者意圖以及協助搶救與治療等[49]。
綜上所述，近年來高頻SSVEP-BCI系統吸引了越來越多的關注，各種研究表明它在編碼范式設計、解碼算法創新與應用場景開拓方面仍有較多工作有待開展。高頻SSVEP-BCI的研究對于BCI在高頻領域的發展與微弱信號的處理分類等方面都具有重要意義。未來，高頻SSVEP-BCI系統在教育、醫療等領域將會展現廣闊的應用前景。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：劉洋為綜述主要撰寫人，完成文獻資料的整理收集與分析，以及論文初稿的撰寫；鄭晨光、肖曉琳、周曉宇、徐舫舟參與文獻資料分析與論文修改；許敏鵬參與論文的修改與指導；明東參與論文的指導與審校。
