[发明专利]一种基于FHN-CCA融合的SSVEP多尺度噪声转移及特征频率检测方法

说明书

一种基于FHN‑CCA融合的SSVEP多尺度噪声转移及特征频率检测方法，先进行多通道SSVEP数据采集，然后通过预实验确定最优通道X，作为正式实验的输出信号，接着进行信号预处理，截断前0.1s无用数据，用巴特沃斯滤波器滤除无用噪声；然后进行FHN模型参数初始化及FHN模型处理，将预处理后的信号和噪声送入到FHN模型进行随机共振处理，再基于空间滤波和模板匹配的CCA方法以识别目标频率，最后进行频率匹配检测；本发明实现特征频率的高精度识别，大大增加了SSVEP目标频率的识别正确率和信息传输率。

技术领域

本发明涉及生物医学工程中神经工程及脑-机接口技术领域，具体涉及一种基于FHN-CCA融合的SSVEP多尺度噪声转移及特征频率检测方法。

背景技术

脑-机接口技术作为一种不依赖于正常神经信号输出通路的双向直接通讯技术，可以实现大脑指令与外部环境的直接沟通，为人类的交互感知与调控反馈提供了一种全新的方法。其中稳态视觉诱发电位具有记录电极少、抗干扰能力强、信息传输率高等优点，是脑-机接口领域中应用最为广泛的技术之一。

目前，识别稳态视觉诱发电位的方法通常是基于空间滤波和模板匹配的原理，如CCA、CORRCA、FBCCA，但是存在避免以下缺点：(1)由于SSVEP的呈现过程复杂，以及被试者生理结构和状态的差异，不同的被试者可能会经历随机的刺激延迟，影响空间滤波的准确构建；因此，基于CCA的方法获取原始信号和EEG模板之间的相关性会造成较大的误差；(2)脑电信号与多尺度噪声信号耦合后非常微弱，保留了很强的非线性和非平稳性；因此，采用线性方法提取具有明显非线性和非平稳特征的SSVEP，在抑制噪声的同时会衰减或丢失有用信号，严重影响检测灵敏度和识别精度；(3)由于FHN非周期性激励系统的性质，基于FHN神经元系统方法的SSVEP特征频率检测只有在2s的数据长度下能取得较好的结果，当数据长度增加时，FHN随机共振的非周期和非线性特性与SSVEP的稳态特征不匹配，导致识别正确率下降；另一方面，当数据长度小于2s时，由于SSVEP脑电数据中包含的信息不足，识别正确率也会下降。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于FHN-CCA融合的SSVEP多尺度噪声转移及特征频率检测方法，实现特征频率的高精度识别，大大增加了SSVEP目标频率的识别正确率和信息传输率。

为了达到上述目的，本发明采取的技术方案是：

一种基于FHN-CCA融合的SSVEP多尺度噪声转移及特征频率检测方法，FHN先利用SSVEP信号中包含的噪声能量增强特征频率的幅值，然后基于CCA方法进行空间滤波和模板匹配，输出相关系数最大对应的频率，从而实现特征频率的高精度识别。

一种基于FHN-CCA融合的SSVEP多尺度噪声转移及特征频率检测方法，包括以下步骤：

1)SSVEP脑电信号采集：对被试者进行多通道SSVEP信号采集，多通道SSVEP信号经过放大、滤波与数模转化处理；

2)确定最优通道X：使用预实验(实验1)检测每个通道的识别准确率进行反馈，以确定最佳通道X；然后，在正式实验(实验2)中，将最优通道X作为FHN神经元系统的输入信号；

3)信号预处理：

3.1)无效数据截断：移除在前0.1秒收集的数据；

3.2)带通滤波处理：滤除目标频率范围3-20Hz以外的信号；

4)FHN模型及计算参数初始化：设置FHN模型及计算参数，包括时间参数ε；

5)FHN模型处理：将预处理后带有噪声干扰的SSVEP信号送入到FHN模型处理，利用噪声能量增强的目标频率的幅值；

6)CCA模板匹配：通过计算CCA模板与SSVEP信号之间的最大相关系数，相关系数最大的对应目标为识别的特征频率；