張學(xué)軍, 楊京儒

(1.南京郵電大學(xué)電子與光學(xué)工程學(xué)院, 南京 210023; 2.南京郵電大學(xué)柔性電子(未來(lái)技術(shù))學(xué)院, 南京 210023)

腦機(jī)接口(brain computer interface,BCI) 是指通過(guò)檢測(cè)大腦活動(dòng)時(shí)產(chǎn)生的腦電波,實(shí)現(xiàn)大腦直接與外部設(shè)備進(jìn)行通信和控制,而大腦外周神經(jīng)和肌肉不參與外部設(shè)備的互動(dòng)[1-2]。BCI系統(tǒng)首先對(duì)被試在不同的認(rèn)知任務(wù)下的腦電信號(hào)進(jìn)行相關(guān)的特征提取,再對(duì)提取出來(lái)的特征通過(guò)相關(guān)的分類器進(jìn)行分類,最后根據(jù)分類的結(jié)果生成控制命令,將控制命令發(fā)送給被控對(duì)象,實(shí)現(xiàn)腦控外部設(shè)備的功能[3-4]。因此,腦機(jī)接口在醫(yī)療康復(fù)等方面有著重要的應(yīng)用[5]。除傳統(tǒng)的功能恢復(fù)和嚴(yán)重運(yùn)動(dòng)障礙患者的神經(jīng)康復(fù)領(lǐng)域,BCI系統(tǒng)還被廣泛應(yīng)用于環(huán)境控制、運(yùn)動(dòng)娛樂(lè)和情緒識(shí)別[6-7]。而在腦機(jī)接口中,低成本、無(wú)創(chuàng)傷的頭皮腦電(electroencephalogram,EEG)受到研究者們的廣泛關(guān)注[8]。與其他非侵入性神經(jīng)成像方法,如功能性近紅外光譜、功能性磁共振成像、腦磁圖等相比,腦電圖具有時(shí)間分辨率高、易于獲取、成本低等優(yōu)點(diǎn)[9]。

在基于腦電圖的腦機(jī)接口研究中,有幾種常用的無(wú)創(chuàng)電生理信號(hào)源可作為腦機(jī)接口系統(tǒng)的控制信號(hào),如穩(wěn)態(tài)視覺(jué)誘發(fā)電位(steady-state visual evoked potential,SSVEP)[10]、皮層慢電位[11]、事件相關(guān)同步[12]、P300誘發(fā)電位[13]。其中,SSVEP是EEG中最常見(jiàn)的一種神經(jīng)生理信號(hào),與其他電生理信號(hào)源相比,基于SSVEP的BCI具有較高的信息傳遞率(ITR)、信噪比(SNR)和分類精度[14]。

SSVEP是指當(dāng)用戶在受到按照一定頻率(一般大于4 Hz)閃爍的目標(biāo)刺激時(shí),在用戶大腦的枕葉區(qū)產(chǎn)生的與刺激頻率一致的準(zhǔn)周期振蕩電平信號(hào)。一般基于SSVEP的BCI包含多個(gè)命令,每個(gè)命令對(duì)應(yīng)一個(gè)特定頻率的刺激。因此,用戶可以通過(guò)連續(xù)注視不同的目標(biāo)刺激來(lái)輸出命令[15]。

在檢測(cè)和提取SSVEP的特征中,常見(jiàn)的算法有離散傅里葉變換[16]、短時(shí)傅里葉變換[17]、功率譜密度分析(power spectral density,PSD)[18]、典型相關(guān)分析(canonical correlation analysis,CCA)[19]等,其中CCA具有效率高、信噪比好、實(shí)現(xiàn)簡(jiǎn)單、學(xué)科間可變性低、可以使用諧波頻率、不需要訓(xùn)練要求等優(yōu)點(diǎn)[20]。

在標(biāo)準(zhǔn)CCA方法的基礎(chǔ)上,近年來(lái)提出了一些擴(kuò)展的CCA的方法,如CCA系數(shù)聚類分析、基于單個(gè)模板的CCA[21]、多路CCA[22]和濾波器組的典型相關(guān)分析(filter bank canonical correlation analysis,FBCCA)等。Lee等[23]發(fā)明了一種基于FBCCA的自適應(yīng)窗口SSVEP分類方法,有效地提高了SSVEP信號(hào)的識(shí)別準(zhǔn)確率。但通過(guò)標(biāo)準(zhǔn)CCA和FBCCA進(jìn)行SSVEP的特征提取與分類時(shí),比較的是一組選定導(dǎo)聯(lián)的SSVEP信號(hào)和參考信號(hào)之間的相關(guān)性系數(shù),并沒(méi)有充分利用每個(gè)導(dǎo)聯(lián)的單獨(dú)特性。

使用PSD分析來(lái)進(jìn)行SSVEP的特征提取雖然能夠完整利用單個(gè)導(dǎo)聯(lián)的特性,但是存在噪聲影響大,沒(méi)有利用導(dǎo)聯(lián)組整體特性,識(shí)別準(zhǔn)確率低的問(wèn)題。

為了提高SSVEP特征提取的準(zhǔn)確率,充分利用每個(gè)導(dǎo)聯(lián)的單獨(dú)特性與導(dǎo)聯(lián)組的整體特性,提出一種基于PSD的FBCCA穩(wěn)態(tài)視覺(jué)誘發(fā)電位腦電信號(hào)識(shí)別方法。為驗(yàn)證基于PSD特征的FBCCA腦電信號(hào)識(shí)別方法的效果,通過(guò)采集8名被試的SSVEP腦電信號(hào),對(duì)采集到的腦電信號(hào)使用基于PSD特征的FBCCA腦電信號(hào)識(shí)別方法進(jìn)行分類實(shí)驗(yàn)。同時(shí)使用PSD、CCA、FBCCA的方法對(duì)采集到的腦電信號(hào)進(jìn)行分類處理與比較。基于PSD特征的FBCCA腦電信號(hào)識(shí)別方法可以提高SSVEP識(shí)別的普適性與準(zhǔn)確率,為腦機(jī)接口系統(tǒng)控制設(shè)備的實(shí)際應(yīng)用領(lǐng)域提供了一種新的思路。

1 基于PSD的FBCCA目標(biāo)識(shí)別算法

1.1 信號(hào)預(yù)處理

采集到的SSVEP信號(hào)需要經(jīng)過(guò)預(yù)處理來(lái)去除噪聲,提高后續(xù)的分類準(zhǔn)確率。因?yàn)椴杉腟SVEP信號(hào)刺激頻率均處于5～17 Hz,為減少后續(xù)分析時(shí)諧波分量的丟失,因此首先將采集到信號(hào)通過(guò)4～90 Hz的帶通濾波器進(jìn)行濾波。同時(shí)為了降低系統(tǒng)工作時(shí)的工頻干擾,將處理過(guò)的信號(hào)再經(jīng)過(guò)一個(gè)50Hz陷波濾波器進(jìn)行濾波。

1.2 典型相關(guān)性分析

CCA 屬于多元統(tǒng)計(jì)學(xué),能夠研究變量對(duì)之間的相互關(guān)系,通過(guò)對(duì)變量之間的互協(xié)方差矩陣的研究來(lái)定量反映兩組指標(biāo)之間的整體相關(guān)性。CCA方法是針對(duì)兩組多維變量信號(hào)X、Y,找到一組矢量WX、WY,使得x=XTWX,y=YTWY并且X和Y的相關(guān)性最大。而對(duì)于WX和WY,存在如式(1)所示的關(guān)系。

(1)

式(1)中:ρ為相關(guān)性,當(dāng)ρ取最大值時(shí),即可求得WX和WY的最大典型相關(guān)系數(shù)。

將CCA應(yīng)用于SSVEP信號(hào)的分析時(shí),一般將X設(shè)定為一組多導(dǎo)聯(lián)的腦電信號(hào),而Y設(shè)定為一組對(duì)應(yīng)的參考信號(hào)。

(2)

式(2)中:Nh為諧波數(shù)量;f為對(duì)應(yīng)刺激頻率;t為時(shí)間。

可以通過(guò)計(jì)算得出多導(dǎo)聯(lián)腦電信號(hào)和參考信號(hào)的最大典型相關(guān)系數(shù),而最大典型相關(guān)系數(shù)所對(duì)應(yīng)的頻率就是 SSVEP 信號(hào)的識(shí)別結(jié)果。

1.3 濾波器組典型相關(guān)分析

FBCCA是針對(duì)CCA算法在分析SSVEP信號(hào)時(shí)會(huì)忽略諧波分量而進(jìn)行改進(jìn)的算法。FBCCA首先通過(guò)具有不同通帶的N個(gè)帶通濾波器對(duì)原始腦電信號(hào)進(jìn)行子帶分解,濾波器分解出的子帶分量為XSBn,其中n為濾波器對(duì)應(yīng)序號(hào),n=1,2,…,N。再對(duì)每一個(gè)子帶分量分別應(yīng)用標(biāo)準(zhǔn)CCA處理,得到子帶分量與所有刺激頻率對(duì)應(yīng)的參考信號(hào)之間的相關(guān)值Yfk,其中,k為參考信號(hào)對(duì)應(yīng)序號(hào),最后通過(guò)計(jì)算得出N個(gè)相關(guān)值組成的相關(guān)向量ρk,可表示為

(3)

再通過(guò)ρk計(jì)算出所有子帶相關(guān)性系數(shù)的加權(quán)平方和Wρk,可表示為

(4)

式(4)中:w(n)為對(duì)應(yīng)子帶分量的權(quán)值,其中n∈[1N],

w(n)=n-a+b

(5)

式(5)中:a、b為調(diào)參系數(shù),當(dāng)a取1.25,b取0.25時(shí),可以使FBCCA分類準(zhǔn)確率達(dá)到最大[23]。

對(duì)應(yīng)不同的參考信號(hào)k,求出最大的Wρk,其所對(duì)應(yīng)的頻率就是 SSVEP 信號(hào)的識(shí)別結(jié)果。

1.4 功率譜密度分析

PSD分析是針對(duì)在SSVEP中不同刺激頻率使用戶產(chǎn)生頻率不同的響應(yīng)的這一特點(diǎn)所設(shè)計(jì)的。

假定有K個(gè)不同頻率的刺激信號(hào),它們的刺激頻率分別是f1、f2,…,fK。對(duì)預(yù)處理完的SSVEP信號(hào)進(jìn)行快速傅里葉變換,求取到信號(hào)的功率譜密度P(fk),其中k=1,2,…,K。

通過(guò)給定頻率fk的功率譜密度P(fk)與其n個(gè)相鄰的頻率的功率譜密度的比值計(jì)算出SSVEP信號(hào)的信噪比SNK(fk),計(jì)算公式為

(6)

式(6)中:n的取值為偶數(shù);s為頻率分辨率,s=采樣率/采樣點(diǎn)數(shù);q為中間變量。

將求取出的SNK(fk)進(jìn)行比較,其中,最大的SNK(fk)對(duì)應(yīng)的頻率fk即認(rèn)定為SSVEP信號(hào)的識(shí)別結(jié)果。

1.5 基于PSD的FBCCA目標(biāo)識(shí)別算法

為功率譜密度均值圖1 基于PSD的FBCCA的目標(biāo)識(shí)別算法流程圖Fig.1 Flow chart of target recognition algorithm of FBCCA based on PSD

步驟1SSVEP腦電信號(hào)采集。由于SSVEP響應(yīng)主要在枕葉視覺(jué)區(qū),因此采集O1、OZ、O2、PO3、POZ、PO4、PO5、PO7這8個(gè)導(dǎo)聯(lián)。

步驟2SSVEP腦電信號(hào)預(yù)處理。將采集到的腦電信號(hào)進(jìn)行預(yù)處理,首先將采集到信號(hào)通過(guò)4～90 Hz的帶通濾波器進(jìn)行濾波。再將處理過(guò)的信號(hào)再經(jīng)過(guò)一個(gè)50 Hz陷波濾波器進(jìn)行濾波。

步驟3濾波器組進(jìn)行子帶分解。采用的帶通濾波器組有9個(gè)子頻帶,其中第n(n=1,2,…,9)個(gè)子頻帶為從[(n-1)10+5] Hz頻率開(kāi)始,到90 Hz結(jié)束。在實(shí)現(xiàn)帶通濾波時(shí),每個(gè)子帶在通帶兩側(cè)增加2Hz的額外帶寬。將經(jīng)過(guò)預(yù)處理的SSVEP腦電信號(hào)放入濾波器組進(jìn)行子帶分解。

步驟4FBCCA分析。根據(jù)刺激頻率設(shè)置參考信號(hào),參考信號(hào)的諧波數(shù)量設(shè)置為90/f取整。通過(guò)式(4)計(jì)算出信號(hào)與參考信號(hào)的所有子帶相關(guān)性系數(shù)的加權(quán)平方和Wρk,再根據(jù)對(duì)應(yīng)不同參考信號(hào)的Wρk進(jìn)行大小排序,找出最大的3個(gè)Wρk對(duì)應(yīng)的參考信號(hào)頻率f1、f2、f3,并記錄下它們Wρk為Wρ1、Wρ2、Wρ3。

(7)

表對(duì)應(yīng)可信度Cl增值的對(duì)比結(jié)果Table 1 Comparison results of to the increase of credibility Cl

2 實(shí)驗(yàn)數(shù)據(jù)

2.1 實(shí)驗(yàn)范式設(shè)計(jì)

實(shí)驗(yàn)采用黑白色塊翻轉(zhuǎn)的穩(wěn)態(tài)視覺(jué)刺激誘發(fā)范式。利用E-prime實(shí)現(xiàn),分辨率為 1 920×1 080 像素,刷新率為144 Hz的顯示器作為輸出。屏幕背景為白色,刺激色塊大小為300×300像素。在每次刺激開(kāi)始前,為受試者提供注視點(diǎn),并給予受試者足夠的休息時(shí)間。

當(dāng)受試者準(zhǔn)備完成后,由受試者主動(dòng)按下鍵盤(pán)。為了防止受試者肢體移動(dòng)所帶來(lái)的肌電影響,在受試者按下按鍵后,系統(tǒng)會(huì)在之后5～10 s后的隨機(jī)時(shí)間段里,在注視點(diǎn)處放出刺激色塊。刺激色塊的閃爍頻率為5、6、7、8、9、11、13、17 Hz隨機(jī)出現(xiàn)。在一輪刺激中,每種刺激頻率均會(huì)出現(xiàn)5次,一共給予受試者40次刺激,每次刺激時(shí)長(zhǎng)為5 s。在一次刺激結(jié)束后,為防止受試者出現(xiàn)視覺(jué)疲勞等情況,系統(tǒng)將進(jìn)入為受試者提供注視點(diǎn)的界面。等待受試者準(zhǔn)備完成,按下按鍵后再進(jìn)入下次的刺激階段。

實(shí)驗(yàn)共招募8名視力或是矯正視力正常的健康被試(S1～S8)。被試者的年齡均處于22～24歲。每名被試在接收實(shí)驗(yàn)時(shí)均保證睡眠充足,精神狀態(tài)良好。實(shí)驗(yàn)開(kāi)展時(shí),保證處于安靜的環(huán)境。被試需要在實(shí)驗(yàn)進(jìn)行過(guò)程中保持舒適坐姿,與顯示器保持0.5～1 m的距離。實(shí)驗(yàn)場(chǎng)景如圖2所示。

圖2 實(shí)驗(yàn)場(chǎng)景Fig.2 Experimental scene

在采集SSVEP信號(hào)時(shí),要求被試盡量保持平靜并減少眨眼、咀嚼等肌肉運(yùn)動(dòng)活動(dòng)。每名受試者進(jìn)行兩輪實(shí)驗(yàn),每輪實(shí)驗(yàn)間為受試者提供至少1 h的休息時(shí)間,直到受試者得到充分的休息為止。

2.2 信號(hào)采集

實(shí)驗(yàn)采用Neuroscan公司生產(chǎn)的腦電64-256導(dǎo)腦電采集系統(tǒng),電極帽采用Neuroscan的Quik-Cap64導(dǎo)電極帽。信號(hào)采樣率設(shè)定為1 kHz,電極分布按照國(guó)際標(biāo)準(zhǔn)的10-20電極安放法放置,電極編號(hào)如圖3中字母與數(shù)字所示。實(shí)驗(yàn)一共采集枕葉區(qū)的O1、OZ、O2、PO3、POZ、PO4、PO5、PO6這8個(gè)導(dǎo)聯(lián)的腦電信號(hào)。采集導(dǎo)聯(lián)分布如圖3中橢圓圈出部分所示。

字母與數(shù)字為電極編號(hào),如P2、PO4、F1等;橢圓圈出部分為采集導(dǎo)聯(lián)分布圖3 采集導(dǎo)聯(lián)分布示意Fig.3 Distribution diagram of acquisition channels

為了去除肌電、眼電,還采集了M1、M2、VEOU、VEOL、HEOL、HEOR這6個(gè)特殊導(dǎo)聯(lián)。腦電采集軟件采用Curry7,在完成原始信號(hào)采集后,使用Curry7完成原始信號(hào)中的肌電、眼電的去除。

3 實(shí)驗(yàn)結(jié)果分析

3.1 比較方法介紹

為了驗(yàn)證所提方法,設(shè)置以下3種方法來(lái)處理同一數(shù)據(jù)集作為對(duì)比。

(1)功率譜密度分析的方法(PSD),直接提取出SSVEP信號(hào)中的功率譜密度特征,選取和刺激頻率相匹配的幾個(gè)特定的頻段的功率信息,通過(guò)對(duì)不同頻段的功率譜密度的大小進(jìn)行比較,最后完成對(duì)實(shí)驗(yàn)信號(hào)的分類。

(2)典型相關(guān)性分析(CCA)的方法,直接對(duì)SSVEP信號(hào)進(jìn)行典型相關(guān)性分析,計(jì)算出信號(hào)與參考信號(hào)間的相關(guān)系數(shù),完成信號(hào)的分類。

(3)濾波器組典型相關(guān)性分析(FBCCA)的方法,先將SSVEP信號(hào)投入設(shè)置好的濾波器組中,提取出包含相關(guān)諧波特征的子帶,再使用CCA來(lái)計(jì)算出子帶信號(hào)與參考信號(hào)間的相關(guān)系數(shù),最后求取所有子帶和參考信號(hào)的相關(guān)性系數(shù)的加權(quán)平方和,完成信號(hào)的分類。

實(shí)驗(yàn)對(duì)比的參考標(biāo)準(zhǔn)主要為信號(hào)的分類準(zhǔn)確率與信息傳輸率。

3.2 分類準(zhǔn)確率分析

實(shí)驗(yàn)的計(jì)算在MATLAB R2020a環(huán)境中進(jìn)行。8名受試者均進(jìn)行了兩次實(shí)驗(yàn),共采集到640組實(shí)驗(yàn)信號(hào)。為了充分驗(yàn)證所提出的針對(duì)SSVEP信號(hào)識(shí)別算法的有效性,將采集到的實(shí)驗(yàn)信號(hào)通過(guò)0.5、1、1.5、2、2.5、3 s的時(shí)間窗,時(shí)間窗截取設(shè)置為有效實(shí)驗(yàn)信號(hào)2.5 s處,前后對(duì)稱截取對(duì)應(yīng)時(shí)間長(zhǎng)度。對(duì)通過(guò)時(shí)間窗截取的實(shí)驗(yàn)信號(hào)分別通過(guò)PSD的方法、CCA、FBCCA和FBCCA與PSD分析結(jié)合的目標(biāo)識(shí)別方法進(jìn)行分類處理,統(tǒng)計(jì)受試者在不同時(shí)間窗長(zhǎng)度的平均識(shí)別準(zhǔn)確率,結(jié)果如圖4所示。

圖4 不同時(shí)間窗長(zhǎng)度識(shí)別準(zhǔn)確率比較Fig.4 Comparison of recognition accuracy of different time window lengths

從圖4可以看出,FBCCA與PSD分析結(jié)合的目標(biāo)識(shí)別方法擁有最高的平均分類準(zhǔn)確率。在時(shí)間窗較短時(shí),0.5 s時(shí),FBCCA與PSD分析結(jié)合的目標(biāo)識(shí)別方法的準(zhǔn)確率為66.47%,優(yōu)于CCA的62.61%和FBCCA的63.98%。并且與PSD分析方法的67.02%準(zhǔn)確率結(jié)果相近。在時(shí)間窗長(zhǎng)度為1 s時(shí),FBCCA與PSD分析結(jié)合的目標(biāo)識(shí)別方法的準(zhǔn)確率為86.61%,優(yōu)于PSD分析方法的81.17%,CCA的76.23%和FBCCA的77.75%。而在時(shí)間窗較長(zhǎng)時(shí),3 s時(shí),FBCCA與PSD分析結(jié)合的目標(biāo)識(shí)別方法的準(zhǔn)確率要大幅優(yōu)于CCA和PSD分析的方法,且略優(yōu)于FBCCA的方法,準(zhǔn)確率達(dá)到94.78%。

在時(shí)間窗長(zhǎng)度較短時(shí),實(shí)驗(yàn)信號(hào)依然能夠保存較完整的功率譜特征,如圖5所示,對(duì)刺激頻率為5 Hz,時(shí)間窗長(zhǎng)度為0.5 s時(shí)OZ導(dǎo)聯(lián)的信號(hào)進(jìn)行功率譜分析,可以看到其功率譜密度特征仍十分明顯。

圖5 刺激頻率5 Hz,時(shí)間窗0.5 s的OZ導(dǎo)聯(lián)功率譜密度Fig.5 Power spectral density of OZ channel with stimulation frequency of 5 Hz and time window of 0.5 s

因此FBCCA與PSD分析結(jié)合的目標(biāo)識(shí)別方法能夠保證在短時(shí)間窗情況下依然有較高的分類準(zhǔn)確率。而在時(shí)間窗長(zhǎng)度較長(zhǎng)時(shí),FBCCA擁有很高的識(shí)別準(zhǔn)確率,保證了FBCCA與PSD分析結(jié)合的目標(biāo)識(shí)別方法在長(zhǎng)時(shí)間窗下的識(shí)別準(zhǔn)確率。

將時(shí)間窗長(zhǎng)度固定為3 s,統(tǒng)計(jì)不同刺激頻段的實(shí)驗(yàn)信號(hào)在功率譜密度分析的方法、CCA、FBCCA和FBCCA與PSD分析結(jié)合的目標(biāo)識(shí)別方法進(jìn)行分類處理后的平均準(zhǔn)確率,結(jié)果如圖6所示。

圖6 3 s時(shí)間窗的識(shí)別準(zhǔn)確率與刺激頻率的關(guān)系Fig.6 Relationship between recognition accuracy of 3 s time window and stimulation frequency

從圖6可以看出,在低頻段部分,這4種算法都有較高的識(shí)別準(zhǔn)確率,但隨著刺激頻率的升高,只有FBCCA與PSD分析結(jié)合的目標(biāo)識(shí)別方法依然保持較高的識(shí)別準(zhǔn)確率。這是因?yàn)殡S著刺激頻率的升高,SSVEP的響應(yīng)峰值會(huì)有所降低,只用PSD分析的方法不能很好的從信號(hào)中分辯出響應(yīng)的頻率特征。而FBCCA與PSD分析結(jié)合的目標(biāo)識(shí)別方法通過(guò)FBCCA分析,能夠?qū)㈨憫?yīng)頻率鎖定在3個(gè)頻段,再使用PSD分析,因此能夠得到較好的分類結(jié)果。

3.3 信息傳輸率分析

計(jì)算這4種方法的信息傳輸率ITR[24], 計(jì)算公式為

(8)

式(8)中:T為時(shí)間窗長(zhǎng)度;N為參與分類的刺激頻率數(shù);Pc為分類準(zhǔn)確率。

由于每個(gè)被試的注意轉(zhuǎn)移時(shí)間不同,因此計(jì)算ITR時(shí)使用的實(shí)際為SSVEP信號(hào)時(shí)長(zhǎng)加0.5 s的注意轉(zhuǎn)移時(shí)間。

經(jīng)過(guò)計(jì)算,4種分類方法和時(shí)間窗長(zhǎng)度對(duì)應(yīng)的ITR如表2所示。

表2 不同時(shí)間窗長(zhǎng)度對(duì)應(yīng)的ITR比較Table 2 Comparison of ITR corresponding to different time window lengths

當(dāng)SSVEP信號(hào)長(zhǎng)度為1 s時(shí),FBCCA與PSD結(jié)合的目標(biāo)識(shí)別方法的ITR達(dá)到80.90 bit/min,比PSD、CCA和FBCCA均有較大提升。

4 結(jié)論

(1)針對(duì)傳統(tǒng)的CCA和FBCCA進(jìn)行SSVEP的特征提取與分類時(shí),沒(méi)有充分利用每個(gè)導(dǎo)聯(lián)的單獨(dú)功率譜密度特征信息;而使用PSD分析沒(méi)有利用導(dǎo)聯(lián)組整體特性的缺點(diǎn),提出一種基于FBCCA與PSD分析的SSVEP識(shí)別算法,此算法利用FBCCA尋找到與目標(biāo)SSVEP信號(hào)相似的參考信號(hào),根據(jù)參考信號(hào)選擇對(duì)應(yīng)的濾波器組,讓目標(biāo)信號(hào)經(jīng)過(guò)濾波器組,來(lái)降低噪聲的影響,最后通過(guò)PSD分析來(lái)鎖定最終的響應(yīng)頻率,完成SSVEP信號(hào)分類的方法。

(2)實(shí)驗(yàn)結(jié)果表明,本文算法在針對(duì)較短時(shí)間窗的SSVEP進(jìn)行分類時(shí),即可達(dá)到很好的分類效果。在時(shí)間窗口長(zhǎng)度為0.5 s時(shí),本文算法就能達(dá)到66.47%,優(yōu)于PSD、CCA和FBCCA的分類準(zhǔn)確率。針對(duì)刺激頻率的變化,此算法可以在刺激頻率為5～17 Hz保證較高的識(shí)別準(zhǔn)確率與穩(wěn)定性。同時(shí)此算法在時(shí)間窗口長(zhǎng)度達(dá)到1 s時(shí),信息傳輸率可以達(dá)到80.90 bit/min。表明所提出的一種基于FBCCA與PSD分析的SSVEP識(shí)別算法適用于SSVEP信號(hào)的分類,可以進(jìn)一步提高分類的準(zhǔn)確率,有較強(qiáng)的穩(wěn)定性,能夠達(dá)到較高的信息傳輸率。為SSVEP腦-機(jī)接口在分類準(zhǔn)確率和穩(wěn)定性提高等方面提供了實(shí)驗(yàn)借鑒。