[发明专利]基于稳态视觉诱发电位脑电信号识别的个体模板重构方法

说明书

本发明公开了基于稳态视觉诱发电位脑电信号识别的个体模板重构方法。本发明首先采集大脑皮层枕区上对应电极通道的稳态视觉诱发电位脑电信号数据并预处理；构建人工正‑余弦参考信号，分别选择两种信号质量评价指标，和两种计算方式，计算各训练数据的权重系数，重构包含受试者个体信息的模板信号；分别对脑电信号、人工正‑余弦参考信号和个体模板信号两两之间进行典型相关分析，计算得到的空间滤波器映射到信号上可以得到多种特征；针对本数据集重新选择系数特征组合，与标准扩展典型相关分析相比，重构后的个体模板信号包含了更多的SSVEP响应，提升了算法的识别性能，降低了算法的计算消耗时间。

技术领域

本发明涉及稳态视觉诱发电位脑电信号识别方法，特别涉及一种基于稳态视觉诱发电位脑电信号识别的个体模板重构方法。

背景技术

脑科学是研究人类脑部结构与功能的学科，其核心是以大脑为认知主体的神经科学。脑机接口(brain-computer interface,BCI)技术是指不依赖人体的外围神经和肌肉组织，通过解码大脑的意识活动从而实现人脑与外部设备的通信交流。目前脑机接口的发展受限于识别率低、通信速度慢等问题，而基于稳态视觉诱发电位的脑机接口系统(SSVEP-BCIs)由于其具有较高的识别准确率、信息传输率，以及实验环境配置简单、受试者仅需进行少量的训练等优点，近十年来备受关注与发展。

典型相关分析算法(canonical correlation analysis,CCA)是一种经典的多元统计方法，用于测量两组变量之间的潜在相关性。其目标是寻找一对线性组合，使得经过变换后的两组变量之间相关性最大。作为一种良好的空间滤波算法，典型相关分析被广泛用于稳态视觉诱发电位脑电信号的识别中。CCA最初被用来检测频率，但随着越来越多的实验范式采用联合频率、相位的编码方式，如何在识别过程中有效利用SSVEP的相位信息变得很重要。有学者将标准CCA(sCCA)与基于个体模板的CCA(it-CCA)结合，加入训练数据，提出了扩展典型相关分析(extended CCA,eCCA)，大幅度提升了标准CCA的识别性能。

发明内容

本发明针对部分空间滤波算法在数据校准阶段选择直接对训练数据平均化，得到的模板信号包含的稳态视觉诱发电位信息可能不够可靠的问题，分别引入两种信号质量评价指标和两种计算方式对个体模板进行重新构造，提出了一种更为精细的操作，之后再对电话拨号数据集重新选择适合的系数特征组合。

按照发明内容，具体包括以下步骤：

步骤1、使用脑电采集设备采集稳态视觉诱发电位脑电信号；

步骤2、选取位于脑皮层视觉区域(枕区)对应的电极通道，并对信号进行预处理；

步骤3、除预处理后的脑电信号外，再构建人工正-余弦参考信号以及包含受试者个体信息的模板信号；

步骤4、分别对脑电信号、人工正-余弦参考信号和个体模板信号两两之间进行典型相关分析，计算的空间滤波器映射到信号上可以得到多种系数特征；

步骤5、将系数特征集成为最终特征后选择相关系数最大值对应的频率视为识别的目标刺激频率。

本发明由于从计算准确性和计算的复杂性方面进行考虑采用了针对本数据集选择对应的的系数特征组合。

作为优选，在构建个体模板时采用了两种信号质量评价指标和计算方式用于确定训练数据的权重系数，具体步骤如下：

步骤3-1：构建一组与多通道脑电信号长度相同的人工正-余弦参考信号；

步骤3-2：对脑电信号进行快速傅里叶变换，将时域信号转换为频域信号，然后分别以训练数据的频谱均值与信噪比作为评价指标，定义频率f_k处的信噪比为幅频响应曲线中f_k处的幅值与附近L个频率的幅值均值之比：