摘要：針對多目標穩(wěn)態(tài)視覺誘發(fā)電位（SSVEP）信號識別準確率低、線性識別方法抑制噪聲的同時也會抑制信號本身特征等問題，基于經(jīng)驗模式分解對信號的降噪特性、達芬混沌系統(tǒng)對微弱周期信號的敏感性及噪聲的免疫特性，提出了一種非線性多目標SSVEP信號識別算法。首先，采用共平均參考算法將多通道SSVEP信號融合成單通道信號，通過傅里葉變換求得SSVEP信號的相位譜，為達芬混沌系統(tǒng)周期策動力添加相位；接著，采用經(jīng)驗模式分解降噪，將獲得的第一個本征模函數(shù)輸入到達芬混沌系統(tǒng)中，利用基于頻譜差異的混沌系統(tǒng)狀態(tài)判別方法，求解各目標的刺激頻率幅值；最后，根據(jù)最大刺激頻率幅值確定刺激目標，實現(xiàn)了對多目標SSVEP信號的識別。研究結(jié)果表明：相較于典型相關(guān)分析法，所提非線性信號處理方法的平均識別準確率提高了7.3%，平均信息傳輸速率提高了3.84bit/min。該研究為探究非線性SSVEP信號解碼算法提供了新方向。

關(guān)鍵詞：穩(wěn)態(tài)視覺誘發(fā)電位；達芬混沌系統(tǒng)；非線性信號處理；經(jīng)驗模式分解

中圖分類號：TP391.4 文獻標志碼：A

DOI：10.7652/xjtuxb202406004 文章編號：0253-987X（2024）06-0034-09

Combined Empirical Pattern Decomposition and Chaos Theory for Steady-State Visual Evoked Potential Electroencephalogram Recognition

GUO Xiaobing1， XU Guanghua1，2，3， LI Hui1， XIE Jieren1， JIANG Hanli1， ZHANG Sicong1

（1. School of Mechanical Engineering， Xi’an Jiaotong University， Xi’an 710049， China; 2. State Key Laboratory for

Manufacturing Systems Engineering， Xi’an Jiaotong University， Xi’an 710049， China; 3. The First Affiliated

Hospital of Xi’an Jiaotong University， Xi’an 710061， China）

Abstract：Aiming at the problems of low recognition accuracy of multi-target SSVEP signals and suppression of the characteristics of signal while the linear recognition method suppresses noise， this paper proposes a nonlinear multi-objective SSVEP signal recognition algorithm based on the noise reduction characteristics of empirical mode decomposition， Duffing chaotic system’s sensitivity to weak periodic signals and the immune characteristics of noise. First， multi-channel SSVEP signals are integrated into single-channel signals by using the co-average reference algorithm. Then， the phase spectrum of SSVEP signal is obtained by Fourier transform， and the phase is added to the periodic dynamics of Duffing chaotic system. After empirical mode decomposition noise reduction， the first eigenmode function obtained is input into Duffing chaotic system， and the amplitude of each target stimulus frequency is solved by using the chaotic system state discrimination method based on spectral difference. Finally， the stimulus target was determined according to the amplitude of the maximum stimulus frequency and multi-target SSVEP signals are recognized. The results show that the average recognition accuracy of the proposed nonlinear signal processing method is 7.3% higher than that of typical correlation analysis. The information transmission rate increases by 3.84bit/min. The method provides a new direction for exploring nonlinear SSVEP signal decoding algorithms.

Keywords：steady-state visual evoked potential signals; Duffing chaos system; nonlinear signal processing; empirical mode decomposition

腦機接口（BCI）是指不借助其他輔助手段，使人腦直接與外部設備進行通信的技術(shù)。目前，腦機接口使用者能夠與外部設備進行通信和控制，且不依賴于周圍神經(jīng)和肌肉［1］。在各類腦電信號中，穩(wěn)態(tài)視覺誘發(fā)電位（SSVEP）信號由于具有采集成本低、記錄方便、高時間分辨率等優(yōu)點，因而獲得了廣泛的關(guān)注和研究。作為一種新型的人機交互方式，基于SSVEP信號的腦機接口系統(tǒng)在很多應用場景下已經(jīng)實現(xiàn)了直接控制外部設備，例如目前存在的多自由度輪椅［2］、腦控無人機等。

基于SSVEP信號的腦機接口系統(tǒng)中，其核心技術(shù)在于對信號的正確識別分類。SSVEP信號的識別算法通常分為時域、頻域和時頻域3種形式。時域方法通常包括以典型相關(guān)分析（CCA）為代表的各種CCA變體，而基于CCA的時域方法又可分為有監(jiān)督和無監(jiān)督兩種。其中，有監(jiān)督方法以模板相關(guān)性分析（TRCA）為代表，能夠?qū)崿F(xiàn)對短數(shù)據(jù)的高準確識別和高信息傳輸，其缺點是需要事先采集被試者的腦電信號模板，由于腦電信號的時變特性及特異性，導致有監(jiān)督方法的跨被試效果較差；而無監(jiān)督方法則以CCA以及濾波器組典型相關(guān)分析（FBCCA）為主，該方法不需要被試者的腦電信號模板，跨被試效果也比較好。因此，許多BCI研究要么直接采用標準CCA算法，要么采用標準CCA算法作比較［3-5］，可以說CCA算法在基于SSVEP信號的BCI系統(tǒng)中應用廣泛。然而，由于CCA算法為線性方法，在抑制噪聲的同時信號本身的特征也會受到抑制，且不同被試者腦電信號差異巨大，導致CCA算法的普適能力不強。頻域方法主要包括傅里葉變換（FT）和功率譜密度（PSDA）。PSDA法是檢測SSVEP信號［6］時應用最廣泛的技術(shù)之一，而傅里葉變換最初針對的是線性信號和平穩(wěn)信號，因此只有對SSVEP信號進行合理分割，才能假定每段信號是線性和平穩(wěn)的。時頻域分析方法包括短時傅里葉變換（STFT）及小波變換（WT）。短時傅里葉變換盡管可以采用時頻域聯(lián)合分析SSVEP信號，但由于其窗口大小固定，會導致信號在不同時間段內(nèi)頻譜分辨率的失配問題；而小波變換具有自適應分辨率，可以彌補短時傅里葉變換的不足，但小波變換的準確性嚴重依賴于基函數(shù)的選取，且在多尺度分析時計算復雜度相對較高。

基于混沌系統(tǒng)的信號處理是近20年發(fā)展起來的一門新興交叉學科， Birx等［7］首先進行了混沌檢測微弱信號的初次探索，是混沌系統(tǒng)在信號處理領(lǐng)域的首次應用。Li等［8］利用混沌系統(tǒng)對海波中的微弱雷達信號進行了檢測，但并未進行深入研究。李國正等［9］利用Lorenz系統(tǒng)，采用驅(qū)動-響應法構(gòu)建同步混沌檢測系統(tǒng)，實現(xiàn)了對信號的頻率檢測。Li等［10］利用耦合Duffing 振子系統(tǒng)，根據(jù)振子系統(tǒng)的狀態(tài)變化實現(xiàn)了微弱信號的檢測。賴志慧等［11］采用變尺度方法，在不改變 Duffing 振子系統(tǒng)參數(shù)的條件下實現(xiàn)了任意頻率信號檢測。齊雁等［12］利用達芬混沌系統(tǒng)對噪聲的免疫性以及初值條件的敏感性，實現(xiàn)了對軌道移頻信號的上下邊頻、載頻以及低頻的檢測。Leung［13］利用混沌系統(tǒng)具有有限維的性質(zhì)，提出了最小相空間體積法，實現(xiàn)了混沌噪聲中AR模型的參數(shù)估計和正弦信號頻率估計。鄧宏貴等［14］利用小波閾值降噪，實現(xiàn)了對微弱周期信號的特征提取，進而實現(xiàn)了對微弱周期信號的檢測。牛偉等［15］利用信號互相關(guān)特性實現(xiàn)了對信號的降噪，并將降噪后的信號輸入到混沌系統(tǒng)中，提高了航空發(fā)動機故障檢測的準確性和有效性。Huang等［16］利用混沌的窄帶特性，使用小波多分辨率分析實現(xiàn)了將混沌和掩藏在其中的目標信號分離。孫彥龍［17］將經(jīng)驗模式分解與雙耦合達芬振子相結(jié)合，實現(xiàn)了對強噪背景下微弱信號的檢測。鞏學芳等［18］提出了一種改進雙耦合達芬振子算法，減少了傳統(tǒng)模型的計算量。汪金山等［19］從數(shù)值分析角度上對混沌系統(tǒng)檢測微弱信號的原理進行了闡釋。張健等［20］介紹了混沌檢測技術(shù)的最新進展。石敏等［21］通過引入檢測率概念，實現(xiàn)了對混沌系統(tǒng)信號檢測能力的表征。劉彩紅［22］將混沌系統(tǒng)引入到水下微弱信號的檢測中。馬程［23］引入分數(shù)階達芬混沌系統(tǒng)，提高了混沌系統(tǒng)的抗噪能力。劉劍鳴［24］利用三維混沌系統(tǒng)抗噪能力更高的特性，實現(xiàn)了波形畸變的水聲信號檢測。魏自明［25］利用Liu系統(tǒng)搭建了混沌系統(tǒng)電路板，實現(xiàn)了混沌系統(tǒng)信號檢測的應用。

在SSVEP信號解碼方面，Zhang等［26］利用達芬混沌系統(tǒng)實現(xiàn)了對單目標SSVEP信號的識別，并通過實驗驗證了相較于普通CCA算法，達芬混沌系統(tǒng)對腦電信號不敏感者的信號識別準確率更高，但在單目標SSVEP信號解碼過程中，需要提前已知刺激頻率，這會導致信號標簽提前暴露；而對于多目標SSVEP信號識別，由于刺激頻率事先已知，則并不存在標簽暴露問題。

因此，為了避免數(shù)據(jù)標簽泄露以及提高多目標SSVEP信號的識別準確率，本文提出了一種基于經(jīng)驗模式分解和達芬混沌系統(tǒng)的非線性多目標SSVEP信號識別算法。首先，對共平均參考算法融合后的單通道SSVEP信號進行經(jīng)驗模式分解，將獲得的第一個本征模函數(shù)IMF1輸入到達芬混沌系統(tǒng)中；然后，通過傅里葉變換求得單通道SSVEP信號的相位譜，為達芬混沌系統(tǒng)周期策動力添加相位；接著，利用基于頻譜差異的達芬混沌系統(tǒng)相變狀態(tài)判別方法，求解SSVEP信號中各刺激頻率的幅值；最后，根據(jù)最大刺激頻率幅值確定刺激目標。

1 算法總體流程

本文提出的基于經(jīng)驗模式分解和達芬混沌系統(tǒng)的多目標SSVEP信號識別算法具體步驟如下。

步驟1 對采集到的多通道SSVEP信號進行濾波處理。

步驟2 采用共平均參考算法對SSVEP信號進行通道融合，得到單通道SSVEP信號。

步驟3 通過傅里葉變換求解SSVEP信號相位譜，為后續(xù)求解SSVEP信號的不同頻率幅值設置周期策動力相位。

步驟4 對信號進行經(jīng)驗模式分解降噪，得到第一個本征模函數(shù)IMF1。

步驟5 將IMF1函數(shù)輸入到達芬混沌系統(tǒng)中求解微分方程，通過基于頻譜差異的混沌系統(tǒng)相變狀態(tài)判別方法，求得不同目標頻率信號幅值。

步驟6 將得到的信號幅值進行比較，確定刺激目標。

算法的總體流程如圖1所示。下文將對本算法的理論背景及細節(jié)開展詳細闡述，并通過試驗驗證展示其優(yōu)越性。

2 信號預處理

2.1 濾波

由于SSVEP信號中存在多種干擾噪聲，如眼電、肌電、50Hz工頻等，因此對獲得的原始SSVEP信號首先應進行帶通濾波。由于本文中所使用SSVEP信號的刺激頻率范圍為6～14Hz，且在后續(xù)使用CCA算法做對比時使用的正余弦信號模板并不涉及高階諧波，因此選擇帶通濾波器的頻帶范圍為2～21Hz。

2.2 共平均參考算法

由于達芬混沌系統(tǒng)通常處理的是一維信號，因此在對信號進行濾波操作后，需要將多通道SSVEP信號進行融合。本文所選擇的通道融合算法為共平均參考（CAR），該算法的核心思想是通過差分對信號中的不同信息進行提取，數(shù)學公式如下

VCARI=VI－1n∑nj=1Vj（1）

式中：VI為所選擇的電極電位；VCARI為電極I與參考電極的電位差；n為電極數(shù)目；Vj為第j個電極電位。在本文中，所選擇的電極為大腦枕區(qū)腦電電極POz。

2.3 經(jīng)驗模式分解

由于SSVEP信號的低信噪比會嚴重影響其相空間結(jié)構(gòu)，從而影響后續(xù)基于達芬混沌系統(tǒng)的信號幅值求解，因此需要對信號進行降噪處理。由于經(jīng)驗模式分解（EMD）作為一種時頻信號處理方式，能夠通過數(shù)據(jù)自身的時間尺度信息進行自適應分解，且在處理非線性非平穩(wěn)信號時具有突出優(yōu)勢，因此本文選擇EMD分解對獲得的單通道SSVEP信號進行降噪。

EMD分解的核心是將信號分解為多個本征模函數(shù)IMF的疊加，本征模函數(shù)必須滿足以下兩個條件：①函數(shù)在整個時間范圍內(nèi)，局部極值點和過零點的數(shù)目必須相等或最多相差一個；②在任意時刻點，局部最大值的上包絡線和局部最小值的下包絡線均值必須為0。

EMD分解的具體步驟如下。

步驟1 標出函數(shù)局部極值點。

步驟2 連接極大值點構(gòu)成上包絡線，連接極小值點構(gòu)成下包絡線。

步驟3 求解上、下包絡線的均值。

步驟4 用輸入信號減去上、下包絡線的均值，得到中間信號h1。

步驟5 判斷h1是否滿足本征模函數(shù)，若不滿足，則重復上述過程；若滿足，則h1可作為IMF，接下來利用輸入信號減去h1，對所得序列繼續(xù)重復分解過程。

對上述過程得到的單通道SSVEP信號進行EMD分解，由于本文后續(xù)試驗所使用SSVEP信號的刺激頻率為中低頻段6～14Hz，且IMF1函數(shù)已包含了數(shù)據(jù)的主要頻率分量，可以濾除掉部分高頻噪聲，只使用一個本征模函數(shù)也能夠能簡化計算，因此選擇IMF1函數(shù)作為結(jié)果，輸入到達芬混沌系統(tǒng)中開展分析。

3 達芬混沌系統(tǒng)構(gòu)建

3.1 混沌系統(tǒng)參數(shù)設置

達芬混沌系統(tǒng)中各參數(shù)的選擇對SSVEP信號識別結(jié)果起著至關(guān)重要的作用。Holmes型Duffing振子的具體形式可表示如下

+k－x+x3=γcos（ωt+φ）（2）

式中：x、、分別為達芬系統(tǒng)振子的位移、速度和加速度；k為阻尼系數(shù)；－x+x3為非線性恢復力；γ為周期策動力幅值；ω為周期策動力角頻率；φ為周期策動力初始相位；γcos（ωt+φ）為混沌系統(tǒng)周期策動力。

在內(nèi)置周期策動力的作用下，混沌系統(tǒng)會隨著力幅值的變化發(fā)生改變，導致系統(tǒng)在不同的狀態(tài)之間變化。在混沌系統(tǒng)所有的狀態(tài)變化中，混沌態(tài)向大尺度周期態(tài)的變化具有突變性且相變點唯一，如圖2所示。當系統(tǒng)處于混沌態(tài)時，若將微弱信號引入到系統(tǒng)中，則會對內(nèi)置周期策動力產(chǎn)生擾動，可能使得系統(tǒng)狀態(tài)由混沌態(tài)變?yōu)榇笾芷趹B(tài)，二者的相空間示意圖如圖3所示，圖中曲線即為達芬混沌系統(tǒng)相空間軌跡。圖2和圖3均為數(shù)值模擬結(jié)果，因此相關(guān)量無具體單位。

在添加達芬混沌系統(tǒng)周期策動力時，力、頻率、相位都會影響識別精度。對于本文所采用的混沌系統(tǒng)，力的大小設置為混沌系統(tǒng)相變閾值0.826。由于采用變尺度法，周期策動力角頻率設置為歸一化角頻率。

3.3 混沌系統(tǒng)相變狀態(tài)判別

利用達芬混沌系統(tǒng)確定不同刺激頻率的信號幅值，關(guān)鍵在于對系統(tǒng)相變狀態(tài)作出正確判斷。傳統(tǒng)的方法有直觀法和定量法，直觀法通過人為觀察系統(tǒng)的相軌跡判斷系統(tǒng)狀態(tài)，缺點在于判別準確率低，從而影響識別結(jié)果；而定量法需要計算系統(tǒng)的某個特征量，比如李雅普諾夫指數(shù)、分數(shù)維數(shù)、柯爾莫哥洛夫熵等，缺點在于計算量大，時間復雜度高。

文獻［26］提出了基于頻譜差異的混沌系統(tǒng)狀態(tài)快速判別算法，該研究表明：當達芬混沌系統(tǒng)處于混沌態(tài)時，系統(tǒng)輸出變量頻譜主峰兩側(cè)具有明顯的不對稱性；而當系統(tǒng)處于周期態(tài)時，主峰兩側(cè)的數(shù)據(jù)呈對稱分布。本文采用該方法，得到了達芬混沌系統(tǒng)混沌態(tài)和周期態(tài)下系統(tǒng)輸出位置的頻譜圖，如圖5所示?；谏鲜鲂再|(zhì)，選擇對輸出變量頻譜主峰兩側(cè)數(shù)據(jù)先求和，然后再做比值來判斷混沌系統(tǒng)狀態(tài)。定義混沌系統(tǒng)頻譜對稱度指標ZSSCS，表達式如下

ZSSCS=∑M－1p=1Yp∑2M－1q=M+1Yq（8）

式中：M為頻譜峰值所對應橫坐標的序數(shù)；Yp、Yq分別為經(jīng)快速傅里葉變換后橫坐標所對應的系統(tǒng)輸出。

采用ZSSCS指標評價方法能夠消除不同量綱帶來的影響，理論上只有當此指標為1時，才能判斷系統(tǒng)處于周期態(tài)。但在實際應用過程中，計算誤差難以避免，因此需要人為設定閾值。本文中，閾值設置為2.5。

3.4 多目標SSVEP信號幅值求解

完成達芬混沌系統(tǒng)各項參數(shù)的設置后，需要求解SSVEP信號中不同刺激頻率的信號幅值?；诨煦缋碚摰奈⑷跣盘柫炕瘷z測方法，根據(jù)混沌系統(tǒng)方程式（7），將周期策動力設置為臨界閾值的0.826，此時的系統(tǒng)正處于混沌態(tài)。針對所要求解的刺激頻率，根據(jù)SSVEP信號相位譜為周期策動力設置相位，將經(jīng)過EMD分解后的SSVEP信號IMF1分量輸入到混沌系統(tǒng)中，考慮達芬混沌系統(tǒng)狀態(tài)演化時間，周期策動力作用時間設置為500s。由于SSVEP信號與周期策動力信號的長度不相等，通過補零方式對SSVEP信號進行延拓，采用四階龍格庫塔方法求解達芬混沌系統(tǒng)微分方程，根據(jù)輸出信號頻譜判斷混沌系統(tǒng)狀態(tài)。如果發(fā)生相變，則證明信號中含有對應刺激頻率的周期信號，此時按固定步長減小周期策動力幅值，直到混沌系統(tǒng)轉(zhuǎn)換為混沌態(tài)。周期策動力幅值變化即為SSVEP信號中對應刺激頻率的信號幅值，通過比較不同刺激頻率的信號幅值，最大幅值所對應的刺激頻率即為刺激目標。上述過程的算法流程如圖6所示。

4 試驗驗證

4.1 被試者及應用場景

試驗共選擇6名被試者，年齡分布在20～27歲，均具有正?；蛘叱C正正常視力。本次試驗模擬的應用場景是基于SSVEP信號的腦控智能輪椅，該輪椅原型由西安交通大學徐光華教授團隊自主開發(fā)，如圖7所示。輪椅具備5個功能，包括左轉(zhuǎn)、右轉(zhuǎn)、加速、停止和后退。采集設備選取g.USBamp采集系統(tǒng)，采樣頻率為1000Hz，采集枕區(qū)8個電極（POz、PO3、PO4、PO5、PO6、Oz、O1和O2）的EEG信號。

4.2 試驗過程

試驗屏幕共呈現(xiàn)5個不同頻率的刺激范式，被試者在一次試驗中只關(guān)注一個目標，計算機對采集到的腦電數(shù)據(jù)進行分析，發(fā)送相應的控制指令到腦控輪椅，從而實現(xiàn)相應的動作。刺激范式選擇為棋盤格。每名被試者分別執(zhí)行兩輪試驗，在每一輪試驗中，被試者需要注視5個刺激范式各一次，單次試驗開始前有0.3s的視覺提示，然后進行3s的視覺刺激。每次試驗間隔，被試者有0.7s的休息時間。具體的試驗流程如圖8所示。

5 結(jié)果分析

5.1 驗證CAR算法對提高信噪比的有效性

根據(jù)文獻［27］對于信噪比的描述，噪聲可定義為除目標頻率外的所有頻率頻譜振幅平方的平均值，頻率范圍為6～14Hz，間隔為2Hz。因此，信噪比TSNR的表達式可寫為

TSNR=4A2ftarget∑f≠ftargetA2f（9）

式中：ftarget為目標刺激頻率；Aftarget為目標刺激頻率幅值；Af為根據(jù)頻率f得到的頻譜振幅。

對采集到的60次試驗數(shù)據(jù)進行帶通濾波后，選擇POz作為電極，采用CAR算法處理數(shù)據(jù)，計算得到信號處理前、后信噪比的變化，如圖9所示。通過配對t檢驗，在顯著水平plt;0.01的條件下，驗證了CAR算法對于提高SSVEP信號信噪比的有效性。

5.2 準確率

CCA算法作為一種線性分析方法，在SSVEP信號識別中一直占據(jù)著主導地位。設置視覺延遲系統(tǒng)時間為0.15s，數(shù)據(jù)長度為3s，考慮到本文算法的原理，將其命名為EMD-Chaos，與CCA算法進行對比，得到2種算法的準確率如表1所示。

從表1可以看出，相較于CCA算法，本文算法的平均準確率提高了6.7%，且在6名被試者的識別中，有3名被試者的準確率高于CCA算法，僅1名被試者的準確率低于CCA算法，充分表明了本文算法的優(yōu)越性。

5.3 信息傳輸速率

信息傳輸速率（ITR）是衡量腦機接口系統(tǒng)的一個重要指標，為了更好地體現(xiàn)本文算法的優(yōu)越性，分別采用CCA算法和本文算法開展計算，得到的信息傳輸速率列于表2。

由于視覺系統(tǒng)延遲時間為0.15s，實際應用于目標識別的數(shù)據(jù)長度為2.85s，因此用于計算ITR的數(shù)據(jù)長度應為3s。定義信息傳輸速率SITR的表達式如下

SITR=log2N+Plog2P+（1－P）log21－PN－1（60/T）（10）

式中：N為目標數(shù)；P為算法識別準確率；T為信號長度。

由表2可見，相較于CCA算法，本文算法的平均傳輸速率提高了3.84bit/min，且在6名被試者的識別中，仍有3名被試者的信息傳輸速率高于CCA算法，只有1名被試者的信息傳輸速率低于CCA算法，同樣驗證了本文算法的顯著優(yōu)勢。

6 結(jié) 論

（1）提出了一種基于EMD分解和達芬混沌系統(tǒng)的非線性多目標SSVEP信號識別算法，利用共平均算法和EMD分解對信號的降噪特性，以及達芬混沌系統(tǒng)對微弱周期信號的敏感特性和對噪聲的免疫特性，求得SSVEP信號中各刺激頻率信號的幅值，并通過對比確定幅值所在頻率從而判斷被試者所注視的目標。

（2）通過試驗驗證，發(fā)現(xiàn)相較于典型相關(guān)分析CCA法，本文算法的平均準確率提高了6.7%，平均傳輸速率提高了3.84bit/min。

（3）區(qū)別于文獻［28］提出的通過閾值篩選多個EMD本征模函數(shù)進行SSVEP信號識別，本文只采用第一個本征模函數(shù)IMF1進行SSVEP信號后續(xù)的分析與識別，既減少了不同被試者閾值設置所存在的誤差，提高了識別穩(wěn)定性，又減少了計算復雜度，提高了整個系統(tǒng)識別效率。

本文為探索多目標SSVEP信號非線性解碼算法提供了新的方向，未來的工作將會以此為參考，縮短SSVEP信號使用長度，實現(xiàn)短時識別。

參考文獻：

［1］WOLPAW J R， BIRBAUMER N， HEETDERKS W J， et al. Brain-computer interface technology： a review of the first international meeting ［J］. IEEE Transactions on Rehabilitation Engineering， 2000， 8（2）： 164-173.

［2］LI Jie， JI Hongfei， CAO Lei， et al. Evaluation and application of a hybrid brain computer interface for real wheelchair parallel control with multi-degree of freedom ［J］. International Journal of Neural Systems， 2014， 24（4）： 1450014.

［3］BISHT A， SRIVASTAVA S， PURUSHOTHAMAN G. A new 360° rotating type stimuli for improved SSVEP based brain computer interface ［J］. Biomedical Signal Processing and Control， 2020， 57： 101778.

［4］LIN Ke， CINETTO A， WANG Yijun， et al. An online hybrid BCI system based on SSVEP and EMG ［J］. Journal of Neural Engineering， 2016， 13（2）： 026020.

［5］MORA N， DE MUNARI I， CIAMPOLINI P， et al. Plug amp; play brain-computer interfaces for effective active and assisted living control ［J］. Medical amp; Biological Engineering amp; Computing， 2017， 55（8）： 1339-1352.

［6］ANGRISANI L， ARPAIA P， ESPOSITO A， et al. A wearable brain-computer interface instrument for augmented reality-based inspection in industry 4.0 ［J］. IEEE Transactions on Instrumentation and Measurement， 2020， 69（4）： 1530-1539.

［7］BIRX D L， PIPENBERG S J. Chaotic oscillators and complex mapping feed forward networks （CMFFNs） for signal detection in noisy environments ［C］//［Proceedings 1992］ IJCNN International Joint Conference on Neural Networks. Piscataway， NJ， USA： IEEE， 1992： 881-888.

［8］LI B X， HAYKIN S. Chaotic detection of small target in sea clutter ［C］//1993 IEEE International Conference on Acoustics， Speech， and Signal Processing. Piscataway， NJ， USA： IEEE， 1993： 237-240.

［9］李國正， 譚南林， 蘇樹強， 等. 基于Lorenz混沌同步系統(tǒng)的未知頻率微弱信號檢測 ［J］. 振動與沖擊， 2019， 38（5）： 155-161.

LI Guozheng， TAN Nanlin， SU Shuqiang， et al. Unknown frequency weak signal detection based on Lorenz chaotic synchronization system ［J］. Journal of Vibration and Shock， 2019， 38（5）： 155-161.

［10］LI Ning， LI Le， YANG Dongsheng， et al. The research of weak fault signal detection based on the duffing oscillator coupled synchronization ［C］//2011 Fourth International Workshop on Chaos-Fractals Theories and Applications. Piscataway， NJ， USA： IEEE， 2011： 319-323.

［11］賴志慧， 冷永剛， 孫建橋， 等. 基于Duffing振子的變尺度微弱特征信號檢測方法研究 ［J］. 物理學報， 2012， 61（5）： 60-68.

LAI Zhihui， LENG Yonggang， SUN Jianqiao， et al. Weak characteristic signal detection based on scale transformation of Duffing oscillator ［J］. Acta Physica Sinica， 2012， 61（5）： 60-68.

［12］齊雁， 武曉春. 基于Duffing振子的軌道移頻信號檢測方法研究 ［J］. 鐵道標準設計， 2015， 59（3）： 106-109.

QI Yan， WU Xiaochun. Duffing oscillator based track frequency-shift signal detection ［J］. Railway Standard Design， 2015， 59（3）： 106-109.

［13］LEUNG H. Sinusoidal frequency estimation in chaotic noise ［J］. ICASSP， 1995， 2（3）： 1344-1347.

［14］鄧宏貴， 曹文暉， 楊兵初， 等. 基于混沌理論和小波變換的微弱周期信號檢測方法 ［J］. 中南大學學報（自然科學版）， 2012， 43（5）： 1773-1779.

DENG Honggui， CAO Wenhui， YANG Bingchu， et al. Weak periodical signal detection based on wavelet threshold de-noising and chaos theory ［J］. Journal of Central South University（Science and Technology）， 2012， 43（5）： 1773-1779.

［15］牛偉， 郭陽明， 王森， 等. 基于混沌振子陣列的航空發(fā)動機早期故障檢測方法 ［J］. 航空計算技術(shù)， 2022， 52（2）： 9-12.

NIU Wei， GUO Yangming， WANG Sen， et al. Early fault detection method of aero-engine based on chaotic oscillator array ［J］. Aeronautical Computing Technique， 2022， 52（2）： 9-12.

［16］HUANG Xiangao， XU Jianxue， HUANG Wei， et al. Unmasking chaotic mask by a wavelet multiscale decomposition algorithm ［J］. International Journal of Bifurcation and Chaos， 2001， 11（2）： 561-569.

［17］孫彥龍. 基于達芬振子的微弱機械故障信號檢測及特征提取方法 ［D］. 秦皇島： 燕山大學， 2016.

［18］鞏學芳， 徐武德， 馬芳蘭， 等. 基于改進雙耦合Duffing振子的微弱信號檢測方法 ［J］. 自動化與儀器儀表， 2022（10）： 42-45， 50.

GONG Xuefang， XU Wude， MA Fanglan， et al. Weak signal detection method based on improved dual-coupling duffing vibrator ［J］. Automation amp; Instrumentation， 2022（10）： 42-45， 50.

［19］汪金山， 汪曉東， 施曉鐘， 等. 基于Duffing混沌系統(tǒng)微弱信號檢測的數(shù)值分析 ［J］. 儀器儀表學報， 2005， 26（S1）： 33-34.

WANG Jinshan， WANG Xiaodong， SHI Xiaozhong， et al. Numerical analysis for weak signal detection based on duffing chaotic system ［J］. Chinese Journal of Scientific Instrument， 2005， 26（S1）： 33-34.

［20］張健， 王竹萍， 呂寧， 等. 基于混沌理論的檢測技術(shù)進展 ［J］. 電子器件， 2005， 28（2）： 307-311.

ZHANG Jian， WANG Zhuping， L Ning， et al. Development of detection technology based on chaos theory ［J］. Chinese Journal of Electron Devices， 2005， 28（2）： 307-311.

［21］石敏， 陳迎春， 虢應華. 不同信噪比下混沌系統(tǒng)弱信號檢測性能分析 ［J］. 艦船電子工程， 2018， 38（2）： 124-127.

SHI Min， CHEN Yingchun， GUO Yinghua. Performance analysis of weak signal detection based on chaotic system under different Snr ［J］. Ship Electronic Engineering， 2018， 38（2）： 124-127.

［22］劉彩紅. 基于Duffing混沌系統(tǒng)的弱信號檢測 ［D］. 哈爾濱： 哈爾濱工程大學， 2016.

［23］馬程. 基于分數(shù)階混沌系統(tǒng)的微弱信號檢測 ［D］. 廣州： 暨南大學， 2014.

［24］劉劍鳴. 帶有余弦函數(shù)的三維混沌弱信號檢測系統(tǒng)及電路實現(xiàn) ［J］. 計量學報， 2019， 40（2）： 306-314.

LIU Jianming. Three dimensional chaotic weak signal detection system with cos function and its circuit implementation ［J］. Acta Metrologica Sinica， 2019， 40（2）： 306-314.

［25］魏自明. 基于混沌弱信號檢測的聲波通信系統(tǒng)研究 ［D］. 秦皇島： 燕山大學， 2017.

［26］ZHANG Kai， XU Guanghua， DU Chenghang， et al. Weak feature extraction and strong noise suppression for SSVEP-EEG based on chaotic detection technology ［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2021， 29： 862-871.

［27］LI Hui， XU Guanghua， LI Zejin， et al. A precise frequency recognition method of short-time SSVEP signals based on signal extension ［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2023， 31： 2486-2496.

［28］OJHA M K， MUKUL M K. A novel approach based on EMD to improve the performance of SSVEP based BCI system ［J］. Wireless Personal Communications， 2021， 118（4）： 2455-2467.

（編輯 李慧敏 劉楊）