稳态视觉诱发电位的脑机接口范式及其信号处理方法研究

在概述国内外稳态视觉诱发电位脑机接口技术研究的基础上,针对传统稳态视觉诱发电位(SSVEP)在脑-机接口(BCI)系统应用中存在的问题,在范式设计方面,分别提出了基于牛顿环、高频组合编码和幅值调制的SSVEP的3种BCI范式。针对脑电信号微弱、辨识困难的问题,提出了基于随机共振机制的稳态运动视觉诱发电位增强方法;针对高频组合编码稳态视觉诱发电位(CCH-SSVEP)新范式响应信号的非平稳、弱信号特征,提出基于改进的希尔伯特黄变换的CCHSSVEP响应信号处理方法,提高了识别率。在系统应用方面,将牛顿环运动刺激范式与运动场景相结合,设计了场景结合导航技术,相对于传统方法,将刺激目标关联具体的物理位置,导航效率显著提升,将运动场景与刺激目标结合的所见即所得的方式提升了用户预选目标效率以及路线规划能力,同时也有利于用户集中注意力,提高脑电信噪比。最终,将该技术成功地应用于残疾轮椅的脑电导航控制中,取得了令人满意的效果。     

基于稳态视觉诱发电位的脑-机接口研究

实现了一个以液晶显示器(LED)产生刺激频率的稳态视觉诱发电位(SSVEP)脑-机接口系统(BCIs)。为了从脑电中提取出稳态视觉诱发电位(SSVEP)信号,运用基于快速傅里叶变换(FFT)的方法和基于Mallat小波及AR模型分析法这两种处理方法对脑电信号进行离线分析。实验结果表明,用这两种方法提取SSVEP信号都可以达到很高的准确率;而基于FFT的方法更适用于脑-机接口系统。因此用基于FFT的方法完成了这个SSVEPBCIs的在线实验。     

稳态视觉诱发电位脑机接口的现场可编程逻辑门阵列实现

针对稳态视觉诱发电位(SSVEP)脑机接口(BCI)系统对计算机性能要求较高的问题,提出一种以现场可编程门阵列(FPGA)和商用脑电采集设备为核心的SSVEP-BCI系统。该系统通过FPGA独立的显示模块,实现了视频图形矩阵(VGA)接口的控制;按照显示刷新帧的方式分配闪烁频率对应的范式图案,实现了诱发SSVEP信号所需范式的稳定显示。通过实验对所设计的VGA视觉刺激器光闪烁频率进行采集分析可知,视觉刺激器范式显示频率与所设计的频率基本一致,可用于SSVEP诱发实验。结合所设计的视觉刺激器,完成了基于FPGA的脑电信号处理和特征识别。设计方案使用串口将脑电信号传输到FPGA端,采用快速傅里叶变换分析频率成分,对视觉刺激器对应的频率进行分析比较,最终通过实验对系统进行验证。结果表明:设计的系统在4个刺激目标和单次实验时长2s的情况下,实现了平均85.25%的识别正确率,表明系统能够实现SSVEP信号的诱发和有效识别,并且能够达到较好的效果。     

稳态运动视觉诱发电位的诱发及在脑机接口中的应用进展

基于稳态运动视觉诱发电位(SSMVEP)的脑机接口(BCI)能够减少使用者的视觉疲劳,但其信号强度和系统性能仍不能代替基于稳态视觉诱发电位(SSVEP)的BCI.本文对提高SSMVEP信噪比的两种思路以及SSMVEP在BCI中的应用进行了综述.首先归纳和总结了影响SSMVEP诱导和性能的3个主要因素,即运动视觉刺激方式...     

用于稳态视觉诱发电位脑机接口目标识别的深度学习方法

针对稳态视觉诱发电位(SSVEP)脑电信号存在个体差异性强、信噪比低等特点而导致其识别困难等问题,提出一种用于SSVEP信号分类识别的深度学习方法。该方法以原始多通道SSVEP信号为输入,利用SSVEP信号的时空特性,首先使用一维时间卷积核对输入信号的时域进行卷积操作;然后使用一维空间卷积核进行空域卷积,对多通道信息进行融合;最后采用降采样、多尺度卷积、全连接等操作完成SSVEP信号的分类识别。实验结果表明:利用该方法在较短时间的视觉刺激下即可实现对被试者SSVEP信号的有效识别;在1 s刺激时长时,该方法的平均离线信息传输率为94.17 b/min,平均识别准确率为93.3%,相比于无监督典型相关分析方法和有监督支持向量机分析方法,识别准确率分别提升了48.73%、41.21%。该方法具有较高的目标识别效率及鲁棒性,有效提高了基于稳态视觉诱发电位信号的脑-机接口的性能。     

用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

基于稳态视觉诱发电位的脑-机接口实验研究

为提取应用于脑-机接口系统的稳态视觉诱发电位信号(SSVEP),运用叠加平均与快速傅里叶变换(FFT)相结合的方法,由其频谱图上得到作为输入信号的稳态视觉诱发电位信号.通过实验确定了叠加平均次数与最佳视觉刺激颜色,并对混合闪光刺激下SSVEP的提取进行了研究.实验结果表明,该方法提取出的SSVEP信号能够反映使用者的控制意图,可应用于脑-机接口系统.     

一种基于SSVEP的脑-机接口阅读系统

针对目前基于脑-机接口(BCI)的应用系统较少的问题,设计了一个可以帮助严重运动障碍残疾人实现书籍阅读的系统。系统基于稳态视觉诱发电位(SSVEP)脑-机接口,采用CPLD平台设计视觉刺激模块,运用典型相关分析(CCA)算法在Visual C++平台上设计一个实时在线程序采集,分析脑电信号,并产生控制信号用于控制鼠标移动和阅读器翻页等操作。通过八位受试者的实验数据表明,设计的SSVEP脑-机接口阅读系统,产生控制指令的正确率高达94.8%,信息传输率(ITR)为40.98比特/分钟。该系统可以有效改善严重运动障碍残疾人无法与外界交流的生活现状,提高残疾人的生活品质。     

相位同步方法用于稳态视觉诱发电位的测量

稳态视觉诱发电位(SSVEP)被广泛用于脑-机接口和脑电的稳态标记频率检测中.在这些研究中,都需要解决一个问题:当视觉刺激的频率发生变化时,如何通过分析SSVEP信号,快速准确地跟踪上这种变化.解决这个问题通常的分析方法是利用信号的频谱特征.该文依据稳态视觉诱发电位与视觉刺激之间的时间锁定关系,提出用相位同步化方法来解决这个问题.实验结果表明,相位同步化方法能够更加准确地定位刺激频率的变化时刻.在SSVEP研究中,相位同步化可以作为一个新的可资利用的特征.     

改进的多变量同步指数脑机接口分类算法

近年来,稳态视觉诱发电位（steady-state visual evoked potential, SSVEP）范式脑机接口（Brain-computer interface, BCI）得到了日益广泛的研究。如何选择不同的分类特征,对于提高频率识别的准确率,改善SSVEP-BCI系统至关重要。针对少目标刺激范式的SSVEP-BCI系统,本文提出小波包变换（wavelet packet transform, WPT）同多变量同步指数（multivariate synchronization index,MSI）相结合的方法,对10名被试者的400组SSVEP数据进行特征提取并分类。在分类过程中,讨论了在导联数量和数据长度两个参数对改进算法的影响。实验结果表明：在数据长度为1.5 s,导联7导的条件下,基于WPT-MSI的SSVEP算法的分类准确率达到98.94%,信息传输率为76.24 bit/min。明显优于典型的MSI算法和其他改进算法,具有显著提高的频率识别正确率。     

基于稳态视觉诱发电位的脑电控制上肢康复机器人

针对现阶段基于脑机接口(brain-computer interface,BCI)的康复机器人存在多目标分类时间长、识别准确率仍有待提升的问题,设计了一种由脑电信号控制的上肢康复机器人,对脑电信号中的稳态视觉诱发电位(steady-state visual evoked po-tential,SSVEP)分类,进而判断出受试意图并输出相应动作指令.基于MATLAB的Psychtoolbox工具箱设计了包含5个刺激矩形的频闪界面作为视觉刺激器,刺激大脑生成SSVEP信号,对应上肢康复机器人的5个控制指令.运用多导联同步指数(multivariate synchronization index,MSI)算法对采集到的信号进行分类并输出控制指令,机器人在接收指令后执行特定动作.实验得到的机器人动作正确率最佳为98.33％,平均信息传输速率为23.11 bit/min.结果表明:SSVEP信号控制的上肢康复机器人在辅助治疗的方面具有良好的应用前景,可以有效提高肢体偏瘫患者的康复效果.     

基于约束独立分量分析的脑电特征提取

针对脑机接口(brain computerinterface,BCI)系统特征提取较慢的现状,提出基于约束独立分量分析(constrainedindependentcomponentanalysis,cICA)的P300特征提取方法.首先,针对各位P300实验被试,通过EEG图像研究其特有P300时域特性;然后,根据P300特性构建参考信号,并将参考信号与独立分量分析(independentcomponentanalysis,ICA)方法结合,基于64导联EEG,提取出与P300相关度最大的独立分量;最后,依据提取出的独立分量构造3维特征向量进行分类.实验采用线性分类器,针对BCICompetitionIIdatasetIIb和BCICompetitionIIIdatasetII两组公共数据集进行了验证.结果表明,提出方法在3次叠加平均下识别正确率达671%,15次达952%,在相同实验条件下,分类时间也较其他方法缩短.     

基于AAR模型和累积频带能量的特征提取方法

提出了一种自适应自回归（AAR）模型参数和累积频带能量相结合的特征提取方法,该特征应用于基于运动想象脑．机接口（BCI）之中,实现左右手运动想象分类,改善BCI系统的性能．首先,对头皮EEG数据进行小波分解和重构,去除EEG中的噪声,得到不同频带的EEG数据．然后,提取EEG数据的AAR模型参数特征和不同频带的频带能量特征,提出了累积频带能量特征和AAR与累积频带能量相结合的特征提取方法,分别以AAR模型参数、频带能量、累积频带能量和AAR＋累积频带能量为特征,利用线性判别分析（LDA）分类器对左右手运动想象任务进行特征分类．最后,对不同特征的分类结果进行比较,得出以AAR＋累积频带能量作为特征在BCI系统中的优越性能．     

融合频带能量特征和双向门控循环单元的运动想象意图识别

针对脑电信号分类正确率低的问题,结合频带能量、小波包变换和双向门控循环网络,提出了一种基于频带能量特征序列和深度学习算法的运动想象意图识别方法。首先,利用小波包变换对脑电信号进行分解、重构,获得运动想象相关频带信号;其次,对所得频带信号进行加窗,并滑动截取,通过计算所截每段信号能量,实现能量特征的时序化分解;最后利用双向门控循环网络对脑电信号进行识别并输出分类结果。实验结果表明:所提算法取得了92.1%的分类正确率,表明所提方法是切实可行的,能够有效改善分类识别率。     

基于降维Householder变换的多任务运动想象脑电信号特征提取研究

近年来,针对传统的左右手运动想象BCI系统信息传输速率低这一现状,众多脑-机接口(BCI)研究团队开始着眼于对多任务运动想象脑电信号的研究,相比于两类模式识别,多类模式识别能够有效提高BCI系统的信息传输速率。如何准确提取出多任务脑电信号的特征,是实现多任务BCI系统的关键。采用了基于初等反射变换(又称Householder变换)的矩阵近似联合对角化算法,将CSP算法应用于多任务运动想象脑电信号的特征提取,对EEG信号采集效果较好的受试者,四任务运动想象脑电信号的分类准确率提升至80%以上,为在线BCI系统的实现奠定了坚实的基础。     

数据区间优化对SSVEP算法性能的影响

稳态视觉诱发电位(steady-state visual evoked potential, SSVEP)响应的个体差异性较大,不同环境下各被试者脑电信号的质量有差别.针对这个问题,研究了SSVEP中数据区间的优化对CCA(典型相关分析)和ECCA(扩展典型相关分析)方法分类结果的影响.首先通过网格搜索方法找到脑电信号的最优数据区间,然后使用CCA和ECCA方法对该区间数据进行特征识别,使得识别效果得到提升.实验结果表明,同时对数据区间起始点和终点进行优化能够有效提升信息传输率(ITR),数据区间优化后的CCA和ECCA分类平均ITRs为(61.18±27.20)bit/min和(71.37±32.24)bit/min,比使用传统的仅优化数据区间终点的方法提高了29.89%和8.3%,证明了通过数据区间优化能够提升SSVEP算法的性能.     

组稀疏贝叶斯逻辑回归的P300信号通道自动选择算法

为了提高脑机接口中P300脑电信号的分类准确率和计算速度,提出一种组稀疏贝叶斯逻辑回归的P300脑电信号通道自动选择算法.该算法首先在贝叶斯框架下建立P300脑电信号的解码模型,其次提出先验的组自动相关确定(GARD)方法构建组稀疏约束下的P300脑电通道权重系数,最后通过最大似然估计来求解超参数并选出P300脑电通道最优子集,避免了大量的交叉验证过程.所提方法在BCI竞赛数据和自采集数据上进行了验证分析.实验结果表明,所提的方法能够自动选择P300脑电通道子集,提高了P300特征分类准确率.