用于稳态视觉诱发电位特征频率提取的同步压缩短时傅里叶变换方法

针对稳态视觉诱发电位(steady state visual evoked potential,SSVEP)范式下脑电信号(electroencephalograph,EEG)信噪比低、限制其识别正确率提高及脑-机接口应用等问题,根据EEG随机性、近似平稳的特点,提出了用于SSVEP特征频率提取的同步压缩短时傅里叶变换方法。该方法利用短时傅里叶变换对EEG进行时频分析,并通过同步压缩变换对时频平面的能量在频率方向进行重新分配,获得频率曲线更加集中的时频表达;同时为提高EEG信噪比,提取SSVEP脑电中特征频率附近信号进行重构,并利用典型相关分析进行分类识别,有效提高了最终识别正确率。仿真和实验结果表明,该方法极大地提高了信号的信噪比,具有良好的抗噪声性能和信号提取精度,且与传统的经验模态分解和常规滤波方法相比,该方法平均识别正确率最多分别提高了9.98%和4.38%,平均信息传输率最多分别提高了7.57bit/min和2.69bit/min,有效提高了SSVEP范式下脑-机接口的工作性能。     

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.     

面向假肢的场景动画稳态视觉诱发脑控方法

针对现有脑控假肢技术的控制精度低、稳定性差的问题,基于稳态视觉诱发电位(SSVEP)的产生机理,提出一种由场景动画稳态视觉诱发的脑控新范式。该范式以正常人或残疾人的生活场景为刺激源蓝本,根据智能假肢的控制目标,在将生活场景分解为对应的独立刺激场景图、且对其进行灰度标准化处理后,采用方波调制模式对一组对比鲜明的黑白反转色图片进行视觉刺激,由此诱发出一种基于场景动画的SSVEP;进而,通过对场景动画的SSVEP神经传导过程进行数学建模与仿真,建立了一种基于典型相关分析(CCA)的脑电信号处理方法。在专用于场景动画SSVEP的智能假肢脑控平台上进行实验,系统的平均正确率为91.41%,平均信息传输率为15.32bit/min,其最高平均识别率达到了98.44%。实验结果表明:该方法可将正常人生活场景图与传统稳态视觉诱发方法进行结合,不仅能够提高假肢动作的平均识别精度和信息传输率,而且具备可降低使用者视觉疲劳的作用。     

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电信号分类算法比较

基于稳态视觉诱发电位(steady state visual evoked potential,SSVEP)的脑-机接口(brain computer interface,BCI)系统具有分类准确率高、用户不用长时间训练等优点而广受关注.如何高效地对SSVEP信号频率识别而实现更好的分类效果是SS-VEP-BCI的核心问题.采用滤波器组典型相关分析(filter bank canonical correlation analysis,FBCCA)与任务相关成分分析(task-related component analysis,TRCA)对SSVEP信号分类比较研究,探讨了两种方法在数据长度、子带数以及通道数对SS-VEP信号分类效果的影响.35位被试者的数据表明:在数据长度小、时间短的情况下,TRCA具有更高的分类准确率,且子带数设置为5时,分类准确率达到最大.通道数越多分类准确率越高,但是通道个数较少时,TRCA分类效果明显优于FBCCA.研究为SSVEP脑电数据有效性分析以及提高基于SSVEP的脑电信号分类准确率提供了新的思路.     

一种基于稳态视觉诱发电位的脑-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40.98bit/min。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。     

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PSD特征的FBCCA脑电信号识别方法

:当前基于稳态视觉诱发电位 (Steady-State Visual Evoked Potential,SSVEP）的脑机接口使用的都是单一识别算法,针对不同时间长度的识别准确率较低。本文提出了一种基于滤波器组的典型相关分析（Filter Bank Canonical Correlation Analysis,FBCCA）与功率谱密度（Power Spectral Density,PSD）分析相结合的SSVEP识别算法,可以提高SSVEP识别的普适性与准确率。该方法使用FBCCA寻找高相似度的参考频率信号,再通过多组PSD分析来锁定最终的响应频率,完成频率识别。该方法无需经过训练就能得到较高的识别准确率。实验结果表明,在刺激时长为1s时,该方法能达到86.61%的准确率,比PSD分析的方法提升了5.44%,比典型相关性分析方法(Canonical Correlation Analysis,CCA)提升了10.38%的准确率,比FBCCA提升了8.86%的准确率。     

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。     

脑电信号中肌电伪差的实时去除方法研究

为了在线去除脑电信号中的肌电伪差,使用典型相关分析方法,分析了大量被肌电干扰和未被干扰的脑电(EEG)信号,得出了一个合理的自相关阈值.在时域上,肌电伪差和一般的噪声信号比较类似,有比较小的自相关值,在去除肌电伪差时,凡自相关值低于此值的分解成分被识别为肌电伪差.该方法很好地利用了这个特点,将肌电伪差分量与潜在大脑信号分离,然后依据剩下的分解成分重建"干净"的EEG信号.实验结果表明,典型相关分析法在去除肌电伪差时优于独立成分分析法,结合提出的自相关阈值在有效去除肌电伪差的同时,又能较好地保持潜在的大脑信号不变.     

基于编码调制视觉诱发电位脑机接口滤波算法的性能比较

脑机接口(brain-computer interface,BCI)的分类性能一定程度上取决于对脑电信号的预处理方法,这项研究提出了一种空域时域滤波的预处理方法,以解决人类视觉系统中的潜伏延迟对编码调制视觉诱发电位(c-VEP) BCI的目标识别性能的影响。基于一个平均信号和单次试验信号之间的最小均方误差(the least mean square error,LMSE)创建时域空域滤波器,并且通过最小绝对收缩和选择算子(the least absolute shrinkage and selection operator,LASSO)将稀疏约束应用于滤波器的权重系数,并用模板匹配法来对目标进行识别。将算法应用于由63比特的M序列及其循环移位序列调制的16个目标的c-VEP BCI,并与通用的空域滤波算法典型相关分析(CCA)及空域时域逆滤波算法进行比较。结果表明本研究所提出的算法在分类准确率方面优于其他两种算法。     

Boosting the Information Transfer Rate of an SSVEP-BCI System Using Maximal-Phase-Locking Value and Minimal-Distance Spatial Filter Banks

For Brain-Computer Interface(BCI) systems, improving the Information Transfer Rate(ITR) is a very critical issue. This study focuses on a Steady-State Visually Evoked Potential(SSVEP)-based BCI because of its advantage of high ITR. Unsupervised Canonical Correlation Analysis(CCA)-based method has been widely employed because of its high efficiency and easy implementation. In a recent study, an ensemble-CCA method based on individual training data was proposed and achieved an excellent performance with ITR of 267 bit/min.A 40-target SSVEP-BCI speller was investigated in this study, using an integration of Minimal-Distance(MD) and Maximal-Phase-locking value(MP) approaches. In the MD approach, a spatial filter is developed to minimize the distance between the training data and the reference sine signal, and in this study, two different types of distance were compared. In the MP approach, a spatial filter is developed to maximize the Phase-Locking Value(PLV)between the training calibration data and the reference sine signal. In addition to the fundamental frequency of stimulation, the harmonics were used to train MD and MP spatial filters, which formed spatial filter banks. The test data epoch was multiplied by the MP and MD spatial filter banks, and the distances and PLVs were extracted as features for recognition. Across 12 subjects with a 0.4 s-data length, the proposed method realized an average classification accuracy and ITR of 93% and 307 bit/min, respectively, which is significantly higher than the current state-of-the-art method. To the best of our knowledge, these results suggest that the proposed method has achieved the highest ITR in SSVEP-BCI studies.     

利用特征信息的加权典型相关分析算法

典型相关分析（canonical correlation analysis,CCA）是一种寻求同一对象的2组变量之间最大相关性的多元统计方法,通过线性组合各组特征提取出对应的典型相关特征。但在简单地线性组合各组特征时,传统的CCA并未考虑特征的本征属性信息,无法区分主要特征和次要特征。充分运用特征本身的方差信息和提取后的典型相关信息,提出一种利用特征信息的加权典型相关分析（weighted canonical correlation analysis,WCCA）。一方面,利用方差信息对原始特征进行加权处理,使得原始特征的重要性更加具有区分度;另一方面,利用典型相关性对提取后的特征进行加权处理,既进一步增强了特征的主次关系,又保留了小相关性的特征信息。综合这2方面的特征信息,WCCA提取后的特征在分类和识别上更具有表现力。在ORL和AR人脸数据库以及对象识别数据库COIL20上的实验结果验证了该方法的有效性。     

基于视觉双特征的并行联合脑-机接口范式的研究

基于多特征的并行联合脑-机接口与单一特征脑-机接口相比,能利用更多信息和并行方式提高特征提取和系统执行效率。提出了一种基于稳态视觉诱发电位(SSVEP)和运动起始视觉诱发电位(MVEP)的双特征并行联合脑-机接口范式,通过设计3×3字符拼写范式,矩阵中纵列白色竖条按设定频率闪烁诱发SSVEP,横行中白色竖条随机运动诱发MVEP。实验表明,被试者关注目标字符时,两种特征脑电信号被同时诱发出来,并且对两种脑电信号进行特征识别能够检测出被试者选取的目标字符。联合范式并行的刺激编码方式有效节约了刺激诱发时间,为构建更为实用的联合脑-机接口提供了一种实现方法。     

基于脑电图的新型情绪识别特征提取方法

基于脑电图(EEG)信号对情感识别计算进行研究.针对脑电图的特征提取难和模型计算难的问题, 提出了一种从EEG信号中获得可靠区别特征的创新方法.该方法将微分熵与线性判别分析(LDA)相结合,可被应用于情绪EEG信号的特征提取.采用3类情绪EEG数据集进行实验,结果表明该方法能够有效提高EEG分类的性能:与原始数据集的结果相比,平均准确度提高了68%,比单独使用微分熵进行特征提取时的准确度高7%.总执行时间结果证明提出的方法具有较低的时间复杂度.研究结果在3类情感脑电图识别领域具有重要的实用价值,可被应用于实际的工程领域.