编码调制视觉诱发电位cVEP是否能解决疲劳的问题？

 

稳态视觉诱发电位（Steady-State Visual Evoked Potential, SSVEP）是一种基于周期性视觉刺激的脑机接口（BCI）范式。当用户注视以固定频率（如10 Hz）闪烁的视觉刺激时，大脑枕叶视觉皮层会产生与刺激频率及其谐波相对应的连续脑电响应。SSVEP的优势在于信噪比较高、训练需求少、信息传输率（ITR）较为可观。然而，SSVEP通常需要多个频率来编码不同指令，随着目标数量增加，频率选择受到显示器刷新率和人眼响应带宽的限制。此外，长时间注视高频闪烁刺激容易引发视觉疲劳。

 

HUIYING

cVEP概述及其与SSVEP的比较

cVEP的基本原理

编码调制视觉诱发电位（Code-Modulated Visual Evoked Potential, cVEP）采用伪随机二进制序列（如m序列）来调制视觉刺激的明暗变化。每个目标对应一个经过循环移位的独特码序列，从而诱发不同的瞬态神经响应。分类时，系统将实时采集的脑电信号与预存的模板进行相关性分析（如典型相关分析，CCA），从而推断用户注视的目标。

cVEP相比SSVEP的优势

目标数量扩展灵活：cVEP不需要为每个目标分配不同的频率，仅通过对同一个m序列进行循环移位即可生成大量不同编码，因此在高目标数（如48目标）拼写器中具有明显优势。

时间编码信息更丰富：伪随机码序列携带更多的时间模式信息，有助于提升分类的区分度。

潜在疲劳改善：由于cVEP刺激不是严格的周期性高频闪烁，而是包含随机变化的黑白切换，理论上可降低视觉系统的适应性疲劳。论文中的问卷结果显示，参与者对闪烁干扰的平均评分为3.18（6分量表，1为“完全不干扰”，6为“非常干扰”），处于中等偏下水平，说明cVEP在多数用户中并未造成严重不适。然而，该研究并未直接对比SSVEP的疲劳程度，因此“cVEP能够解决疲劳”这一结论尚需进一步验证。从现有数据看，cVEP在一定程度上缓解了传统高频SSVEP的视觉负担，但无法完全消除疲劳。

 

HUIYING

实验研究

 

研究方法

参与者

共招募38名健康成年人（22女，16男，平均年龄25.9岁）。所有参与者均签署知情同意书，实验通过伦理委员会审批。每位参与者获得20欧元报酬。

实验流程

基线轮次：使用16个电极（包括P7、P3、Pz、PO3、POz、O1、Oz、O2等，如图1），完成标准训练和拼写任务。

减少电极（无重训练）轮次：仅保留6个电极（PO3、POz、PO4、O1、Oz、O2），不改变原有空间滤波器。

减少电极（有重训练）轮次：同样使用6个电极，但重新训练CCA分类器。

 

 

图1：电极位置示意图

 

图1 以头部俯视视角示意了实验中使用的电极位置。图中用棕色标记了在减少电极阶段被移除的电极（包括P7、P3、Pz、P4、P8、PO7、PO8、O9、Iz、O10等），用绿色标记了保留的6个电极（PO3、POz、PO4、O1、Oz、O2）。此外，黄色表示接地电极AFz，蓝色表示参考电极Cz。通过图1 可以直观看出，减少后的电极集主要集中在枕叶和顶枕叶中线及旁中线区域，而移除了双侧颞叶和外侧枕叶的电极。图1 帮助读者理解电极减少的空间范围及其对视觉皮层覆盖程度的影响。

 

每个轮次要求参与者拼写两个单词（“HAVE_FUN”和“PROGRAM”），每个单词需完成约20次目标选择。如图2所示，训练阶段参与者依次注视四个刺激框，系统记录脑电响应并计算每个目标对应的空间滤波器；拼写阶段系统实时计算四个目标的相关系数，并在置信度超过阈值（β）时输出选择结果。

 

 

图2：cVEP训练与拼写阶段流程示意图

 

图2 分为上下两部分：上半部分为训练阶段（绿色背景），下半部分为拼写阶段（红色背景）。训练阶段中，参与者依次注视四个以不同m序列循环移位编码的闪烁方块，系统记录脑电响应后，通过CCA为每个目标计算一对空间滤波器（图中顶部示意了空间滤波器的拓扑分布）。拼写阶段中，参与者注视目标方块，系统实时采集脑电信号并分别使用四个目标的滤波器进行投影，将滤波后信号与对应理想模板进行相关性计算，得到四个相关系数，选择最大值对应的目标作为输出。图2 中还展示了拼写器的三步界面：每次选择后，所选方块会分裂为包含的字母，供下一次选择。图2清晰说明了cVEP-BCI从校准到在线使用的完整信号处理链条。

 

硬件与电极配置

采用Ag/AgCl电极帽，g.USBamp放大器，采样率600 Hz。参考电极为Cz，接地为AFz。16电极配置覆盖枕叶和顶枕叶广泛区域；6电极配置仅保留图1中用绿色标注的PO3、POz、PO4、O1、Oz、O2，图中棕色电极被移除。选择这些位置是因为既往研究表明枕叶和顶枕叶是VEP信号最强的区域。

分类方法

采用基于CCA的空间滤波与模板匹配。每个目标学习一对空间滤波器，最大化投影后脑电信号与理想模板之间的相关系数。在线拼写时，系统滑动窗口计算四个目标的相关系数，当最大相关系数与次大相关系数之差大于阈值（0.10~0.30）时，判定为一次有效选择。

性能指标

准确率（%）：正确选择次数 / 总选择次数。

信息传输率（ITR, bits/min）：综合考虑准确率和目标数量的标准化指标。

 

研究结果

系统功能性比例

基线（16电极）：38/38人（100%）成功完成任务。

减少电极无重训练：仅18/38人（47.4%）能够完成任务。

减少电极有重训练：23/38人（60.5%）成功完成任务。如图3所示，左侧纵轴为ITR和功能人数，右侧纵轴为准确率。可以直观看到，电极减少后功能人数大幅下降，重训练仅使部分用户恢复。

成功用户的性能指标

 

条件	准确率（%）	ITR（bits/min）
基线	95.62 ± 8.31	49.33 ± 17.07
减少电极无重训练	94.18 ± 8.00	37.79 ± 18.68
减少电极有重训练	98.01 ± 3.21	48.39 ± 14.24

 

重训练后，成功用户的ITR和准确率与基线无统计学差异（p=0.956），但成功人数显著减少。

个体差异显著

在无重训练失败的20人中，仅7人通过重训练恢复功能，13人始终无法使用6电极系统。

甚至有2人在无重训练时可使用，但重训练后反而失效。这表明CCA方法对电极减少的适应性高度依赖于个体神经响应的空间分布。

用户主观反馈

闪烁干扰程度：平均3.18（6分量表），属于中等。

约50%的用户愿意每日使用该系统，约60%认为BCI是可靠的控制方法。

建议每1~3小时休息一次，平均可连续使用约2.09小时。

 

HUIYING

总结

 

本研究通过38人的在线实验，系统比较了cVEP-BCI从16电极减少到6电极后的性能变化。主要结论如下：

电极减少会导致部分用户完全无法使用系统，即使保留枕叶关键电极位置（PO3、POz、PO4、O1、Oz、O2），仍有约40%的用户在重训练后无法完成任务。这说明“通用最小电极集”在当前CCA分类框架下并不可行。

对于成功用户，重训练可以恢复至接近基线的性能（ITR约48 bits/min，准确率98%），但成功用户的比例大幅下降。如图3所示，功能性人数从38人降至23人，而平均ITR在成功用户中与基线几乎重合。

 

 

图3：三种实验条件下的性能与功能性对比柱状图

 

图3 采用双纵轴：左侧纵轴表示ITR（bits/min）和系统功能人数（即成功完成任务的人数），右侧纵轴表示准确率（%）。横轴为三种条件：Baseline（16电极）、Reduced no-retrain（6电极无重训练）、Reduced retrain（6电极有重训练）。图中显示：基线条件下功能人数为38，ITR约49 bits/min，准确率约96%；减少电极无重训练时功能人数骤降至18，ITR降至约38 bits/min，准确率略降至94%；减少电极有重训练时功能人数回升至23，ITR恢复至约48 bits/min，准确率提升至98%。该图直观揭示了电极减少对系统可用性的严重影响，以及重训练在成功用户中恢复性能的能力，但功能人数无法完全恢复。

 

cVEP在缓解视觉疲劳方面具有一定潜力，但无法完全消除个体差异带来的分类失败问题。未来需要发展更灵活的分类方法，如深度学习、图神经网络、自适应电极选择等，才能实现真正用户友好的低电极数cVEP-BCI系统。

实践指导意义：如果目标是降低硬件成本和设置时间，设计者必须考虑到相当比例的用户可能需要个性化电极配置或更先进的算法支持。本研究为cVEP-BCI的最小电极配置提供了第一个大规模在线基准。