·1057· 章杭奎，等：面向跨被试RSVP的多特征低维子空间嵌入的ERP检测 第5期 接着计算SS。最大特征值对应的特征向量 再将两个一维特征空间的特征合并看成两个维 ω，该特征向量即为特征一维化的投影方向。 度，重构出二维的联合特征空间，每一维的特征 最终得到一维化后的特征 都是对先前提取的特征的高度凝练，不同的特征 f=wf (10) 位于不同的维度，互不干扰。 其中f表示第个样本对应的特征。 设来源于两个特征空间的特征集分别为F。∈ 1.4基于多特征构建的联合特征空间 Rm和Fb∈R,通过特征一维化技术计算得到的 由于两路特征采用不一样的提取方法，位于 两个特征空间的投影方向分别为w。∈R1和w,∈ 不同的特征空间，如何将其联合是一个关键点。 Rx,则转换后的特征： 传统方法中，直接将处于不同特征空间的特 「wdFa Fc= (11) 征合并到一个高维的混合的特征空间。其特征既 I F 存在相同部分（来源于一个特征空间的特征），也 得到转换后的特征集F:∈R位于新构建的 存在差异部分（来源于两个特征空间的特征），而 联合特征空间。 分类器本身不知道当前特征来源于哪一个特征空 间，这会对分类器的分类任务增加困难，信息量 2数据集 的增加反而可能导致识别精度下降。 在PhysioNetRSVP数据集和清华RSVP数据 本文提出的方法是先将两路得到的特征进行 集下进行测试。数据集均为RSVP范式下的数据 有监督的降维，分别投影到两个一维特征空间， 集，RSVP实验过程如图2所示。 标签传递 注视图片 EEG记录 000O0 EEG和标签 00000 被试 Synamps2系统 数据处理与保存 刺激程序 图2RSVP实验范式图 Fig.2 RSVP experiment diagram 2.1 PhysioNetRSVP数据集 被要求坐在屏幕前接受快速序列视觉呈现，刺激 该数据集来自PhysioNet,.包含来自I1个健康 频率为10Hz(1s10张图像)。刺激图片从麻省理 被试的EEG数据1)。每个被试都被要求坐在屏 工大学计算机科学与人工智能图书馆下载。刺激 幕前接受快速序列视觉呈现，视觉呈现的频率分别 图像是两类街景图像：包含人类的目标图像和没 为5、6和10Hz。用于刺激呈现的图像是来自谷 有人类的非目标图像。以1000Hz频率记录的 歌地图的卫星影像，可以分为包含飞机的目标图 64通道的脑电信号，通道分布遵循10-20国际标 像和没有飞机的非目标图像两类。以2048Hz频 准导联系统，最终采用记录的脑电信号来识别图 率记录的8通道的脑电信号。通道分布遵循10-20 像是否为目标图像。 国际标准导联系统(PO8,PO7,PO3,PO4,P7,P8 本文选取了其中前10位被试的EEG数据来 O1和O2),最终采用记录的脑电信号来识别图像 检验模型，EEG数据已降采样到250Hz,并且经 是否为目标图像。 过[2,30]Hz滤波，根据数据集原文建议删除了第 本文选取了其中视觉呈现频率为5Hz(1s 33个、第43个信号较差的通道，其中目标和非 5张图像)版本的脑电信号，经过[0.15,28]Hz滤 目标的比例约为1：49。 波，并将来源于该数据集的脑电信号降采样到 3实验与结果 256Hz,其中目标和非目标的比例为1：9。 2.2清华RSVP数据集 3.1评价方法 该数据集来自清华脑机接口研究组，其包含 本文采用留一被试法来对结果进行交叉验 来自64个健康被试的EEG数据。每个被试同样 证，即每次选定一个被试的脑电数据作为测试S −1 w Sb ω 接着计算 最大特征值对应的特征向量 ，该特征向量即为特征一维化的投影方向。 最终得到一维化后的特征 f ′ i = ω T fi (10) fi 其中 表示第 i 个样本对应的特征。 1.4 基于多特征构建的联合特征空间 由于两路特征采用不一样的提取方法，位于 不同的特征空间，如何将其联合是一个关键点。 传统方法中，直接将处于不同特征空间的特 征合并到一个高维的混合的特征空间。其特征既 存在相同部分（来源于一个特征空间的特征），也 存在差异部分（来源于两个特征空间的特征），而 分类器本身不知道当前特征来源于哪一个特征空 间，这会对分类器的分类任务增加困难，信息量 的增加反而可能导致识别精度下降。 本文提出的方法是先将两路得到的特征进行 有监督的降维，分别投影到两个一维特征空间， 再将两个一维特征空间的特征合并看成两个维 度，重构出二维的联合特征空间，每一维的特征 都是对先前提取的特征的高度凝练，不同的特征 位于不同的维度，互不干扰。 Fa ∈ R ta×n Fb ∈ R tb×n ωa ∈ R ta×1 ωb ∈ R tb×1 设来源于两个特征空间的特征集分别为 和 ，通过特征一维化技术计算得到的 两个特征空间的投影方向分别为 和 ，则转换后的特征： Fc =   ωT a Fa ωT b Fb   (11) Fc ∈ R 得到转换后的特征集 2×n位于新构建的 联合特征空间。 2 数据集 在 PhysioNetRSVP 数据集和清华 RSVP 数据 集下进行测试。数据集均为 RSVP 范式下的数据 集，RSVP 实验过程如图 2 所示。 被试 刺激程序 Synamps2 系统 注视图片 EEG 记录 标签传递 EEG 和标签 数据处理与保存 图 2 RSVP 实验范式图 Fig. 2 RSVP experiment diagram 2.1 PhysioNetRSVP 数据集 该数据集来自 PhysioNet，包含来自 11 个健康 被试的 EEG 数据[18]。每个被试都被要求坐在屏 幕前接受快速序列视觉呈现，视觉呈现的频率分别 为 5、6 和 10 Hz。用于刺激呈现的图像是来自谷 歌地图的卫星影像，可以分为包含飞机的目标图 像和没有飞机的非目标图像两类。以 2 048 Hz 频 率记录的 8 通道的脑电信号。通道分布遵循 10-20 国际标准导联系统 (PO8, PO7, PO3, PO4, P7, P8, O1 和 O2)，最终采用记录的脑电信号来识别图像 是否为目标图像。 本文选取了其中视觉呈现频率为 5 Hz （1 s 5 张图像）版本的脑电信号，经过 [0.15,28] Hz 滤 波，并将来源于该数据集的脑电信号降采样到 256 Hz，其中目标和非目标的比例为 1∶9。 2.2 清华 RSVP 数据集 该数据集来自清华脑机接口研究组，其包含 来自 64 个健康被试的 EEG 数据。每个被试同样 被要求坐在屏幕前接受快速序列视觉呈现，刺激 频率为 10 Hz (1 s 10 张图像)。刺激图片从麻省理 工大学计算机科学与人工智能图书馆下载。刺激 图像是两类街景图像：包含人类的目标图像和没 有人类的非目标图像。以 1 000 Hz 频率记录的 64 通道的脑电信号，通道分布遵循 10-20 国际标 准导联系统，最终采用记录的脑电信号来识别图 像是否为目标图像。 本文选取了其中前 10 位被试的 EEG 数据来 检验模型，EEG 数据已降采样到 250 Hz,并且经 过 [2,30]Hz 滤波，根据数据集原文建议删除了第 33 个、第 43 个信号较差的通道[19] ，其中目标和非 目标的比例约为 1∶49。 3 实验与结果 3.1 评价方法 本文采用留一被试法来对结果进行交叉验 证，即每次选定一个被试的脑电数据作为测试 ·1057· 章杭奎，等：面向跨被试 RSVP 的多特征低维子空间嵌入的 ERP 检测 第 5 期