提出一個多頻率刺激源誘發(fā)的穩(wěn)態(tài)視覺誘發(fā)電位（SSVEP）腦—機接口系統(tǒng),針對時域腦電信號特征維數(shù)過多等問題,采用一種局部線性嵌入算法（LLE）對經(jīng)過預處理的腦電數(shù)據(jù)進行降維。實驗結(jié)果表明,隨著分析時間窗的增大,經(jīng)典功率譜密度分析（PSDA）與典型相關(guān)分析（CCA）等方法相比,基于LLE的非線性數(shù)據(jù)降維方法具有一定優(yōu)勢。當時間窗為1.65s時,其分類準確率達92.92%,信息傳輸率達59.62 bits/min,遠遠優(yōu)于其它方法。 

【文章來源】：軟件導刊. 2020,19(05)

【文章頁數(shù)】：5 頁

【部分圖文】：

-20國際標準導聯(lián)位置1.2數(shù)據(jù)預處理因?qū)嶒灜h(huán)境問題在實驗過程中不可避免產(chǎn)生一些誤

軟件導刊2020年圖3在15Hz視覺刺激頻率下Oz電極采集的20次平均EEG及其功率譜1.3空間濾波數(shù)據(jù)預處理可有效解決系統(tǒng)誤差對實驗結(jié)果造成的影響，但是獲取的腦電信號較為微弱、能量不集中［20］，其對噪音比的增強受到限制。因此，對預處理后的數(shù)據(jù)還需通過空間濾波增強噪音。關(guān)于空間濾波的研究較多，但這些方法應(yīng)用在多頻率的SSVEP濾波上存在很多不足。例如PCA是建立在完全無關(guān)基礎(chǔ)上選擇最大值作為空間濾波器，但SSVEP信號與其它腦電信號具有一定關(guān)聯(lián)；共空間模式的原理是利用矩陣對角化，找到最優(yōu)的空間濾波器進行投影，使兩類信號差異最大化，從而增強信噪比，但是共空間模式需事先構(gòu)造刺激和非刺激腦電片段，過程較為繁瑣；ICA方法需事先知道頻率才能選擇濾波器。結(jié)合各種因素和情況，使用電極選擇和簡單加權(quán)融合方法雖沒有達到預期最佳效果，但適用性非常廣，沒有必要根據(jù)個體差異分別選擇空間濾波器。最常用的空間融合方法是拉普拉斯融合，其原理是使用式（3）的加權(quán)系數(shù)計算中間電極信號與周圍同距電極信號的差，去除局部共同噪聲達到增強SSVEP信噪比的目的。W=[-14?-14?1?-14?-14?]T（3）SSVEP在枕區(qū)的響應(yīng)比其它區(qū)域更明顯，因此將Oz作為中間電極，PO3、O1、O2和PO4電極為同距電極。則經(jīng)過空間濾波的腦電信號x(t)可以由式（4）表示。x(t)=WTxˉi?i[PO3?O1?Oz?O2?PO4]（4）1.4局部線性嵌入算法2000年，Roweis&Sa［21］提出了一種局部線性嵌入算法（LocallyLinearEmbedding，LLE），該算法主要針對非線性信號的優(yōu)化問題，

第5期420-2-4U/uv00.20.40.60.811.21.41.61.82t/s（b）預處理后的腦電信號圖4預處理效果2.2時間窗長度對分類準確率的影響系統(tǒng)正確輸入指令占所有輸入指令的比例稱為分類準確率，是腦機接口系統(tǒng)常用的評價指標。圖5和表1是不同時間窗下PSDA、CCA和LLE三種方法的平均分類準確率。初始時間窗長度是0.25s，步長0.1，最大時間窗長度為1.6。結(jié)合圖6和表1可以看出，隨著時間窗長度的增加，3種方法的分類準確率都相應(yīng)提升。當時間窗長度小于0.6s時，基于流形學習的非線性數(shù)據(jù)降維方法（LLE）的分類準確率最高，3種方法的平均分類準確率差異較大。當時間窗長度大于0.6s時，3種方法的平均分類準確率相差無幾。在最大時間窗下平均分類準確率最高的是基于流形學習的非線性數(shù)據(jù)降維方法（LLE）。100908070605040Accu/%0.40.60.811.21.4t/sPSDACCALLE圖5不同時間窗長度下3種算法平均分類準確率變化表1不同時間窗長度下3種算法平均分類準確率t/sLLE（%）PSDA（%）CCA（%）0.2573.3552.7359.140.4576.0457.4472.690.6580.4578.8279.920.8583.3382.2484.491.0587.5483.3886.031.2587.8985.4288.591.4591.9986.8889.701.6592.0589.6091.272.3時間窗長度對信息傳輸率的影響每分鐘系統(tǒng)傳輸?shù)男畔⒘慷x為信息傳輸速率（InformationTransferRate，ITR），是腦—機接口中的一個重要評價指標。ITR的定義如式（10）和式（11）所示。B(bits/symbol)=log2(N)+P·log2(P)

【參考文獻】：
期刊論文
[1]不同灰度值刺激產(chǎn)生的穩(wěn)態(tài)視覺誘發(fā)電位比較[J]. 李東閣.  中國醫(yī)學物理學雜志. 2019(03)
[2]基于腦機接口的康復訓練系統(tǒng)[J]. 楊幫華,李博.  系統(tǒng)仿真學報. 2019(02)
[3]腦干聽覺誘發(fā)電位在眩暈中的應(yīng)用價值[J]. 師娟.  中外醫(yī)療. 2017(36)
[4]視覺通路下閃光刺激對SSVEP影響的仿真研究[J]. 郭湛超,覃玉榮,趙隆.  電子測量與儀器學報. 2016(04)
[5]頻域技術(shù)應(yīng)用于點云配準研究[J]. 朱凌,楊紅粉.  地理信息世界. 2015(03)
[6]基于CCA的SSVEP性能研究[J]. 笪鋮璐,陳志陽,黃麗亞.  計算機技術(shù)與發(fā)展. 2015(05)
[7]基于視覺雙特征的并行聯(lián)合腦-機接口范式的研究[J]. 丁佳,張娟,王索剛.  科學技術(shù)與工程. 2015(10)
[8]眼電偽跡自動去除方法的研究與分析[J]. 李明愛,梅意城,孫炎珺,楊金福.  儀器儀表學報. 2014(11)
[9]誘發(fā)電位在兒科臨床的應(yīng)用[J]. 楊健,王昕.  國際兒科學雜志. 2009 (06)

博士論文
[1]基于視覺誘發(fā)電位的腦—機接口分析算法優(yōu)化及實時控制系統(tǒng)構(gòu)建[D]. 張宇.華東理工大學 2013

碩士論文
[1]基于腦機接口的機械臂遙操作控制[D]. 邱詩元.華南理工大學 2017
[2]優(yōu)化思維任務(wù)模式的MI-BCI技術(shù)研究[D]. 方振東.天津理工大學 2016
[3]多類運動想象腦電信號的識別及其在BCI中的應(yīng)用[D]. 康莎莎.安徽大學 2016
[4]基于SSVEP的腦機接口系統(tǒng)研究與設(shè)計[D]. 楊俊宇.南京郵電大學 2015
[5]基于穩(wěn)態(tài)視覺誘發(fā)電位的腦機接口的研究[D]. 王瑞敏.南京理工大學 2015



本文編號：3088149