穩(wěn)態(tài)視覺誘發(fā)電位（Steady-State Visual Evoked Potential, SSVEP）是一種基于周期性視覺刺激的腦機接口（BCI）范式。當用戶注視以固定頻率（如10 Hz）閃爍的視覺刺激時，大腦枕葉視覺皮層會產(chǎn)生與刺激頻率及其諧波相對應的連續(xù)腦電響應。SSVEP的優(yōu)勢在于信噪比較高、訓練需求少、信息傳輸率（ITR）較為可觀。然而，SSVEP通常需要多個頻率來編碼不同指令，隨著目標數(shù)量增加，頻率選擇受到顯示器刷新率和人眼響應帶寬的限制。此外，長時間注視高頻閃爍刺激容易引發(fā)視覺疲勞。

HUIYING

cVEP概述及其與SSVEP的比較

cVEP的基本原理

編碼調(diào)制視覺誘發(fā)電位（Code-Modulated Visual Evoked Potential, cVEP）采用偽隨機二進制序列（如m序列）來調(diào)制視覺刺激的明暗變化。每個目標對應一個經(jīng)過循環(huán)移位的獨特碼序列，從而誘發(fā)不同的瞬態(tài)神經(jīng)響應。分類時，系統(tǒng)將實時采集的腦電信號與預存的模板進行相關(guān)性分析（如典型相關(guān)分析，CCA），從而推斷用戶注視的目標。

cVEP相比SSVEP的優(yōu)勢

目標數(shù)量擴展靈活：cVEP不需要為每個目標分配不同的頻率，僅通過對同一個m序列進行循環(huán)移位即可生成大量不同編碼，因此在高目標數(shù)（如48目標）拼寫器中具有明顯優(yōu)勢。

時間編碼信息更豐富：偽隨機碼序列攜帶更多的時間模式信息，有助于提升分類的區(qū)分度。

潛在疲勞改善：由于cVEP刺激不是嚴格的周期性高頻閃爍，而是包含隨機變化的黑白切換，理論上可降低視覺系統(tǒng)的適應性疲勞。論文中的問卷結(jié)果顯示，參與者對閃爍干擾的平均評分為3.18（6分量表，1為“完全不干擾”，6為“非常干擾”），處于中等偏下水平，說明cVEP在多數(shù)用戶中并未造成嚴重不適。然而，該研究并未直接對比SSVEP的疲勞程度，因此“cVEP能夠解決疲勞”這一結(jié)論尚需進一步驗證。從現(xiàn)有數(shù)據(jù)看，cVEP在一定程度上緩解了傳統(tǒng)高頻SSVEP的視覺負擔，但無法完全消除疲勞。

HUIYING

實驗研究

研究方法

參與者

共招募38名健康成年人（22女，16男，平均年齡25.9歲）。所有參與者均簽署知情同意書，實驗通過倫理委員會審批。每位參與者獲得20歐元報酬。

實驗流程

基線輪次：使用16個電極（包括P7、P3、Pz、PO3、POz、O1、Oz、O2等，如圖1），完成標準訓練和拼寫任務。

減少電極（無重訓練）輪次：僅保留6個電極（PO3、POz、PO4、O1、Oz、O2），不改變原有空間濾波器。

減少電極（有重訓練）輪次：同樣使用6個電極，但重新訓練CCA分類器。

圖1：電極位置示意圖

圖1以頭部俯視視角示意了實驗中使用的電極位置。圖中用棕色標記了在減少電極階段被移除的電極（包括P7、P3、Pz、P4、P8、PO7、PO8、O9、Iz、O10等），用綠色標記了保留的6個電極（PO3、POz、PO4、O1、Oz、O2）。此外，黃色表示接地電極AFz，藍色表示參考電極Cz。通過圖1可以直觀看出，減少后的電極集主要集中在枕葉和頂枕葉中線及旁中線區(qū)域，而移除了雙側(cè)顳葉和外側(cè)枕葉的電極。圖1幫助讀者理解電極減少的空間范圍及其對視覺皮層覆蓋程度的影響。

每個輪次要求參與者拼寫兩個單詞（“HAVE_FUN”和“PROGRAM”），每個單詞需完成約20次目標選擇。如圖2所示，訓練階段參與者依次注視四個刺激框，系統(tǒng)記錄腦電響應并計算每個目標對應的空間濾波器；拼寫階段系統(tǒng)實時計算四個目標的相關(guān)系數(shù)，并在置信度超過閾值（β）時輸出選擇結(jié)果。

圖2：cVEP訓練與拼寫階段流程示意圖

圖2分為上下兩部分：上半部分為訓練階段（綠色背景），下半部分為拼寫階段（紅色背景）。訓練階段中，參與者依次注視四個以不同m序列循環(huán)移位編碼的閃爍方塊，系統(tǒng)記錄腦電響應后，通過CCA為每個目標計算一對空間濾波器（圖中頂部示意了空間濾波器的拓撲分布）。拼寫階段中，參與者注視目標方塊，系統(tǒng)實時采集腦電信號并分別使用四個目標的濾波器進行投影，將濾波后信號與對應理想模板進行相關(guān)性計算，得到四個相關(guān)系數(shù)，選擇最大值對應的目標作為輸出。圖2中還展示了拼寫器的三步界面：每次選擇后，所選方塊會分裂為包含的字母，供下一次選擇。圖2清晰說明了cVEP-BCI從校準到在線使用的完整信號處理鏈條。

硬件與電極配置

采用Ag/AgCl電極帽，g.USBamp放大器，采樣率600 Hz。參考電極為Cz，接地為AFz。16電極配置覆蓋枕葉和頂枕葉廣泛區(qū)域；6電極配置僅保留圖1中用綠色標注的PO3、POz、PO4、O1、Oz、O2，圖中棕色電極被移除。選擇這些位置是因為既往研究表明枕葉和頂枕葉是VEP信號最強的區(qū)域。

分類方法

采用基于CCA的空間濾波與模板匹配。每個目標學習一對空間濾波器，最大化投影后腦電信號與理想模板之間的相關(guān)系數(shù)。在線拼寫時，系統(tǒng)滑動窗口計算四個目標的相關(guān)系數(shù)，當最大相關(guān)系數(shù)與次大相關(guān)系數(shù)之差大于閾值（0.10~0.30）時，判定為一次有效選擇。

性能指標

準確率（%）：正確選擇次數(shù) / 總選擇次數(shù)。

信息傳輸率（ITR, bits/min）：綜合考慮準確率和目標數(shù)量的標準化指標。

研究結(jié)果

系統(tǒng)功能性比例

基線（16電極）：38/38人（100%）成功完成任務。

減少電極無重訓練：僅18/38人（47.4%）能夠完成任務。

減少電極有重訓練：23/38人（60.5%）成功完成任務。如圖3所示，左側(cè)縱軸為ITR和功能人數(shù)，右側(cè)縱軸為準確率?？梢灾庇^看到，電極減少后功能人數(shù)大幅下降，重訓練僅使部分用戶恢復。

成功用戶的性能指標

重訓練后，成功用戶的ITR和準確率與基線無統(tǒng)計學差異（p=0.956），但成功人數(shù)顯著減少。

個體差異顯著

在無重訓練失敗的20人中，僅7人通過重訓練恢復功能，13人始終無法使用6電極系統(tǒng)。

甚至有2人在無重訓練時可使用，但重訓練后反而失效。這表明CCA方法對電極減少的適應性高度依賴于個體神經(jīng)響應的空間分布。

用戶主觀反饋

閃爍干擾程度：平均3.18（6分量表），屬于中等。

約50%的用戶愿意每日使用該系統(tǒng)，約60%認為BCI是可靠的控制方法。

建議每1~3小時休息一次，平均可連續(xù)使用約2.09小時。

HUIYING

總結(jié)

本研究通過38人的在線實驗，系統(tǒng)比較了cVEP-BCI從16電極減少到6電極后的性能變化。主要結(jié)論如下：

電極減少會導致部分用戶完全無法使用系統(tǒng)，即使保留枕葉關(guān)鍵電極位置（PO3、POz、PO4、O1、Oz、O2），仍有約40%的用戶在重訓練后無法完成任務。這說明“通用最小電極集”在當前CCA分類框架下并不可行。

對于成功用戶，重訓練可以恢復至接近基線的性能（ITR約48 bits/min，準確率98%），但成功用戶的比例大幅下降。如圖3所示，功能性人數(shù)從38人降至23人，而平均ITR在成功用戶中與基線幾乎重合。

圖3：三種實驗條件下的性能與功能性對比柱狀圖

圖3采用雙縱軸：左側(cè)縱軸表示ITR（bits/min）和系統(tǒng)功能人數(shù)（即成功完成任務的人數(shù)），右側(cè)縱軸表示準確率（%）。橫軸為三種條件：Baseline（16電極）、Reduced no-retrain（6電極無重訓練）、Reduced retrain（6電極有重訓練）。圖中顯示：基線條件下功能人數(shù)為38，ITR約49 bits/min，準確率約96%；減少電極無重訓練時功能人數(shù)驟降至18，ITR降至約38 bits/min，準確率略降至94%；減少電極有重訓練時功能人數(shù)回升至23，ITR恢復至約48 bits/min，準確率提升至98%。該圖直觀揭示了電極減少對系統(tǒng)可用性的嚴重影響，以及重訓練在成功用戶中恢復性能的能力，但功能人數(shù)無法完全恢復。

cVEP在緩解視覺疲勞方面具有一定潛力，但無法完全消除個體差異帶來的分類失敗問題。未來需要發(fā)展更靈活的分類方法，如深度學習、圖神經(jīng)網(wǎng)絡、自適應電極選擇等，才能實現(xiàn)真正用戶友好的低電極數(shù)cVEP-BCI系統(tǒng)。

實踐指導意義：如果目標是降低硬件成本和設置時間，設計者必須考慮到相當比例的用戶可能需要個性化電極配置或更先進的算法支持。本研究為cVEP-BCI的最小電極配置提供了第一個大規(guī)模在線基準。