第17卷 智能系统学报 ·1058· 集，其他被试的数据作为训练集。分类器均固定 EEG(62通道) 2264 0.784s 0824s 为收缩协方差矩阵的线性判别分析 由于目标图像和非目标图像的比例较为悬 V=256 殊，存在样本不均衡的现象。单纯的准确率指标 无法有效体现不均衡数据集的真实表现，而平衡 准确率(balanced classification accuracy,BCA)能较 0.4 0.6 0.8 好的对不平衡样本的识别结果进行评价，因此本 文采用平衡准确率来作为评价指标。 图5被试10对齐前目标脑电信号图 TP TN Fig.5 The EEG signal of target before alignment of S10 BCA=P+P十N+西 (12) EEG(62通道) 2 0.308s0.424s0.692s 将标签为1的样本称为正样本，标签为0的 样本称为负样本。TP表示正样本预测正确，FP N=256 表示负样本预测错误，FN表示正样本预测错误， A 20 20 N表示负样本预测正确。 0 0 9 3.2欧式空间对齐前后对比 20 将清华RSVP数据集中的第一位被试看到目 0.2 0.4 0.6 0.8 标图像时的脑电信号叠加，如图3所示。可以看 图6被试10对齐后目标脑电信号图 到其在约300ms时脑前区的信号幅值较大，属于 Fig.6 The EEG signal of target after alignment of S10 ERP中的P300成分，说明了该被试确有P300被 3.3 特征联合前后的对比 诱发。 本文在此处对不同方法提取到的特征采用 EEG(62通道) t-sne进行降维可视化P。 0.320s0.520s 0.692s 从图7中可以仅采用一种特征提取方法对于 W=24g 在使用t-sne降维到二维空间后仅有小范围的目 10 等 5.0 标样本聚集，目标样本的类内离散度较高，其与 非目标样本直接的类间离散度较低。 -2.5 -5.0 0.2 0.4 0.6 0.8 你 图3被试1对齐前目标脑电信号图 Fig.3 The EEG signal of target before alignment of S1 (a)切线空间投影 (b)xDAWN 从图4可以看到对齐后目标脑电信号图相比 对齐前，多数通道信号的变化更为平稳、均匀，这 图7联合前特征降维 Fig.7 Feature dimensionality reduction before union 有助于缩小被试间的差异。通过观察图3、4、5、 6,对比被试1和被试10对齐前后的脑电信号可 从图8对比直接特征联合和本文特征联合方 以发现，欧式空间对齐使得原本来源于不同被试 法之间的差别，直接特征联合由于切线空间投影 的数据尺度相比xDAWN的数据尺度较大，xDAWN 的差异较大的脑电信号更为接近。 包含的信息被忽视，使得降维后的样本分布与切 EEG(62通道) 0.320s0.520s0.692s 线空间投影相似。而本文特征联合方法重构得到 的二维空间下的样本，由于预先采用了标签数据 Nw=249 50 进行学习，相比于直接特征联合能够更清晰地区 5 分正负样本。 0 153050 -25 3.4不同长度分段下的对比 -50 在这里本文展现了不同特征提取方法在采用 0.2 0.4 0.6 0.8 t/s 不同长度分段的情况下跨被试分类的平衡准确 图4被试1对齐后目标脑电信号图 率。长度分段是指在对脑电数据进行分割时采用 Fig.4 The EEG signal of target after alignment of SI 的时长，以当前试次开始点为时间零点，截取时集，其他被试的数据作为训练集。分类器均固定 为收缩协方差矩阵的线性判别分析[20] . 由于目标图像和非目标图像的比例较为悬 殊，存在样本不均衡的现象。单纯的准确率指标 无法有效体现不均衡数据集的真实表现，而平衡 准确率 (balanced classification accuracy，BCA) 能较 好的对不平衡样本的识别结果进行评价，因此本 文采用平衡准确率来作为评价指标。 BCA = TP TP + FP + TN FN + TN 2 (12) 将标签为 1 的样本称为正样本，标签为 0 的 样本称为负样本。TP 表示正样本预测正确，FP 表示负样本预测错误，FN 表示正样本预测错误， TN 表示负样本预测正确。 3.2 欧式空间对齐前后对比 将清华 RSVP 数据集中的第一位被试看到目 标图像时的脑电信号叠加，如图 3 所示。可以看 到其在约 300 ms 时脑前区的信号幅值较大，属于 ERP 中的 P300 成分，说明了该被试确有 P300 被 诱发。 0 0.2 0.4 0.6 0.8 1.0 t/s 5.0 2.5 0.0 −2.5 −5.0 0.320 s 0.520 s 0.692 s EEG (62 通道) Nave =249 5 10 0 −5 脑波的电位(振幅)/μV 图 3 被试 1 对齐前目标脑电信号图 Fig. 3 The EEG signal of target before alignment of S1 从图 4 可以看到对齐后目标脑电信号图相比 对齐前，多数通道信号的变化更为平稳、均匀，这 有助于缩小被试间的差异。通过观察图 3、4、5、 6，对比被试 1 和被试 10 对齐前后的脑电信号可 以发现，欧式空间对齐使得原本来源于不同被试 的差异较大的脑电信号更为接近。 25 50 0 −25 −50 脑波的电位(振幅)/μV Nave =249 0 0.2 0.4 0.6 0.8 1.0 t/s 45 30 15 0 −15 −30 −45 0.320 s 0.520 s 0.692 s EEG (62 通道) 图 4 被试 1 对齐后目标脑电信号图 Fig. 4 The EEG signal of target after alignment of S1 5 10 0 −5 脑波的电位(振幅)/μV Nave =256 EEG (62 通道) 0.264 s 0.784 s 0.824 s 7.5 5.0 2.5 0 −2.5 −5.0 −7.5 0 0.2 0.4 0.6 0.8 1.0 t/s 图 5 被试 10 对齐前目标脑电信号图 Fig. 5 The EEG signal of target before alignment of S10 EEG (62 通道) 0.308 s 0.424 s 0.692 s Nave =256 20 40 0 −20 脑波的电位(振幅)/μV 0 0.2 0.4 0.6 0.8 1.0 t/s 20 10 0 −10 −20 图 6 被试 10 对齐后目标脑电信号图 Fig. 6 The EEG signal of target after alignment of S10 3.3 特征联合前后的对比 本文在此处对不同方法提取到的特征采用 t-sne 进行降维可视化[21]。 从图 7 中可以仅采用一种特征提取方法对于 在使用 t-sne 降维到二维空间后仅有小范围的目 标样本聚集，目标样本的类内离散度较高，其与 非目标样本直接的类间离散度较低。 (a) 切线空间投影 (b) xDAWN 图 7 联合前特征降维 Fig. 7 Feature dimensionality reduction before union 从图 8 对比直接特征联合和本文特征联合方 法之间的差别，直接特征联合由于切线空间投影 的数据尺度相比 xDAWN 的数据尺度较大，xDAWN 包含的信息被忽视，使得降维后的样本分布与切 线空间投影相似。而本文特征联合方法重构得到 的二维空间下的样本，由于预先采用了标签数据 进行学习，相比于直接特征联合能够更清晰地区 分正负样本。 3.4 不同长度分段下的对比 在这里本文展现了不同特征提取方法在采用 不同长度分段的情况下跨被试分类的平衡准确 率。长度分段是指在对脑电数据进行分割时采用 的时长 t，以当前试次开始点为时间零点，截取时 第 17 卷 智 能 系 统 学 报 ·1058·