[发明专利]稳态视觉诱发电位信号的识别方法、系统及装置

说明书

本发明提供稳态视觉诱发电位信号识别方法、系统及装置，获取脑电信号，利用滑动窗口从所述脑电信号中切分出多个子段数据；针对每个所述子段数据，计算含有的每个预设诱发频率的典型相关因子系数，进而得到每个所述子段数据中各预设诱发频率所对应的序列检测系数；将每个所述序列检测系数与预设阈值进行比对，将不小于所述预设阈值的序列检测系数所对应的预设诱发频率确定为产生所述稳态视觉诱发电位信号的目标频率。本发明改进了脑电信号识别的准确性，大大提升了脑机接口系统的检测效率。

技术领域

本发明涉及脑机接口算法识别研究领域，特别是涉及基于序列检测的稳态视觉诱发电位信号识别方法、系统及装置。

背景技术

在脑电信号模式分析中，稳态视觉诱发电位(Steady-State Visual EvokedPotentials，SSVEP)是一类最常见的应用模式，由于信号稳定性好、可分类别数量较多，常被作为脑机接口系统的控制范式设计运用。传统的SSVEP信号识别方法主要基于频谱特征，利用节律能量分析方法评判对应目标频率的能量值大小，在固定时间窗口内检测到尖峰值对应频率即为选中结果。很多科学家对这一简单的方法进行了改进，使用特征预处理等方法进行了频率特征的优化识别，使得分类效果大大改善。此外，利用频谱和相位双重特征进行分类识别也取得了更优异的识别效率。

除去以上这些监督学习的方法外，无监督的机器学习算法因其更易于搭建实时无需训练的脑机接口系统而得到了更加广泛的关注，相关方法不仅可以用于稳态视觉诱发电位的识别，更能有效的提升信号的信噪比。其中，典型相关分析算法(CanonicalCorrelation Analysis，CCA)是其中一类无监督的模式识别算法。该方法需要进行模式训练，可实时分类脑电信号，且效率较高，是目前最常用于SSVEP信号检测的方法。

然而，这些方法虽然可有效应用于稳态视觉诱发电位的信号识别，却由于均只能进行一次性判别，无法有效地规避暂时性信号干扰。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供稳态视觉诱发电位信号识别方法、系统及装置，用于解决现有技术中的上述问题。

为实现上述目的及其他相关目的，本发明提供一种稳态视觉诱发电位信号识别方法，包括：获取脑电信号，所述脑电信号由包括多个预设诱发频率的刺激信号诱发生成；利用滑动窗口从所述脑电信号中切分出多个子段数据；针对每个所述子段数据，计算含有的每个预设诱发频率的典型相关因子系数；通过各所述典型相关因子系数得到每个所述子段数据中各预设诱发频率所对应的序列检测系数；将每个所述序列检测系数与预设阈值进行比对，将不小于所述预设阈值的序列检测系数所对应的预设诱发频率确定为产生所述稳态视觉诱发电位信号的目标频率。

于本发明一实施例中，所述脑电信号的采集是通过脑电帽实现的，并经与所述脑电帽通信连接的生物信号放大器放大。

于本发明一实施例中，所述计算典型相关因子系数是通过典型相关性分析方法实现的，包括：将对应的刺激信号按预设诱发频率变换成各傅里叶级数及其谐波的形式；将对应的脑电信号的线性组合及变换后的刺激信号的线性组合之间相关性最大的系数作为所述典型相关因子系数。

于本发明一实施例中，所述通过各所述典型相关因子系数得到每个所述子段数据中各预设诱发频率所对应的序列检测系数，包括：计算各所述典型相关因子系数ρ_i的瞬时概率值Pr_i，Pr_i＝ρ_i/M，其中，n所在子段数据中包含的预设诱发频率的个数；第m个子段数据的预设诱发频率i所对应的序列检测系数