一种基于CCA系数阈值的SSVEP异步识别方法技术

一种基于CCA系数阈值的SSVEP异步识别方法，首先在枕区对脑电信号进行采集，在离线训练阶段，训练CCA

【技术实现步骤摘要】
一种基于CCA系数阈值的SSVEP异步识别方法


[0001]本专利技术涉及稳态视觉诱发电位(Steady StateVisual Evoked Potential,SSVEP)和脑机接口领域，是一种结合功率谱密度(Power Spectral Density，PSD)和典型相关分析(Canonical Correlation Analysis,CCA)系数阈值的SSVEP异步识别方法。

技术介绍

[0002]脑机接口(Brain
‑
Computer Interface，BCI)作为一种检测大脑中神经活动，并将其转为输出的系统，可以直接从大脑中检测人的行动想法，将信息直接传入机器中。脑机接口系统主要由脑电信号采集、信号处理与解码(预处理、特征提取、分类识别)，命令输出等单元组成。采集设备首先在脑区采集被试者的脑电信号，将信号进行放大、滤波、模数转换等处理传输至处理系统中；处理系统首首先对信号进行预处理，滤除脑电信号中所含有的噪声与伪迹，再提取出所需的信号特征，进行分类；最后再将分类后的信号转换为控制命令输出，从而达到人机交互的目的。
[0003]稳态视觉诱发电位(steady
‑
state Visual Evoked Potential，SSVEP)主要分布在大脑枕叶枕区，当被试者受到外界固定频率的持续性视觉刺激时而产生的脑电信号。SSVEP范式因其出色的脑电信噪、对眼电伪迹的相对免疫、不需要被试者预先进行训练等优秀等点，成为当前最热门的脑机接口范式之一。
[0004]脑机接口系统的控制方式主要分为同步控制和异步控制两种。目前的BCI系统大多为同步控制，同步控制需要在指定的区间内发送控制信号，无法自由地完成脑机接口系统的控制。异步控制能够在任意时刻发送控制信号，更符合人们的使用习惯。在异步控制中，通常将使用者的分为空闲与凝视状态。在异步控制时，若发生状态识别错误，将会造成较大的影响，控制器失控等情况。因此，如何正确快速地识别空闲和凝视状态是亟待解决的技术问题。

技术实现思路

[0005]为了克服已有技术的不足，本专利技术提出了一种基于CCA系数阈值的SSVEP异步识别方法，通过先对信号进行特征提取，再在提取的特征上进行凝视状态与空闲状态的识别，本专利技术分类精度高，有效降低了凝视状态与空闲状态的错误率，具有优越的异步分类性能。
[0006]本专利技术解决其技术问题所采用的技术方案是：
[0007]一种基于CCA系数阈值的SSVEP异步识别方法，包括以下步骤：
[0008]步骤一、离线训练阶段，过程如下：
[0009]在不同频率目标块刺激下，分别开展控制任务和空闲任务的离线试验，采集大脑枕区信号，得到空闲状态与凝视状态两个离线数据集；
[0010]将所述两个离线数据集分别在基频及不同谐波频率处对不同长度的数据进行功率谱密度的计算，得到空闲状态与凝视状态划分的功率谱密度分析阈值；
[0011]将所述两个离线数据集分别对不同长度的数据进行CCA系数阈值的计算，得到空
闲状态与凝视状态划分的CCA系数阈值；
[0012]对上述两个离线数据集进行计算分析，得到最佳的信号划分窗口长度与最佳处理频率，与最佳的通道区域CCA系数阈值与功率谱密度的权值系数；
[0013]步骤二、在线分类阶段，过程如下：
[0014]实时采集大脑最佳通道区域脑电信号，将窗口数据进行滤波，再进行功率谱密度与CCA系数阈值计算，得到分类结果；若结果为凝视状态记为+1；空闲状态记为
‑
1；每5个窗口进行一次判断，将5次分类结果相加，若大于0则为凝视状态，小于0为空闲状态。
[0015]进一步，所述步骤一的过程如下：
[0016]1.1)采集大脑枕区信号，包括以下步骤：在Oz、O1、PO3、P1、POz、Pz、P2、PO4、O2共9个位置放置测量电极，界面上显示6个不同频率闪烁的刺激源，分别为8Hz、9Hz、10Hz、11Hz、12Hz；
[0017]1.2)数据预处理，对脑电信号做带通滤波与陷波，将数据划分为凝视状态数据与空闲状态数据，将被试者双眼凝视刺激目标记为凝视状态，视线远离刺激目标记为空闲状态；
[0018]1.3)对数据进行划窗，每个实验数据的长度为5s，将数据按照0.5s
‑
4s的长度进行划分，步长为0.1s，将长度为5s的数据划窗；
[0019]1.4)对数据进行处理计算，具体步骤如下：
[0020]A、用CCA算法将1.3)中数据进行处理，得到的特征矩阵与刺激信号数目相对应，N维刺激向量表示为：F＝[R1,R2,R3,R4,R5,R6]。CCA系数计算方式为：
[0021][0022]Per：CCA系数；
[0023]Rmax：F特征矩阵中最大特征值；
[0024]Rmax：F特征矩阵中第二特征值；
[0025]B、将1.3)中数据分别在基频及不同谐波频率(8
‑
13Hz、8
‑
26Hz、8
‑
39Hz、8
‑
52Hz、16
‑
26Hz、16
‑
39Hz、16
‑
52Hz、24
‑
39Hz、24
‑
52Hz、32
‑
52Hz)下进行功率谱的计算；
[0026]1.5)将1.4)中计算结果带入计算，找到产生最佳结果的脑电采集通道、窗口大小、最佳的功率谱选取频段与阈值Pow
Thre
、CCA系数阈值P
Thre
、以及权值系数W＝[w1，w2]。
[0027]更进一步，所述步骤二的过程如下：
[0028]2.1)在线情况下采集最佳通道组合的脑电数据，被试者自行选择凝视目标块的时间与时长；
[0029]2.2)将2.1)中信号进行带通滤波与陷波；
[0030]2.3)根据离线训练得到最佳窗口大小，将数据进行划窗，步长为0.1s，数据记为Data＝[D1,D2,D3,D4,D5]；
[0031]2.4)对2.3)中数据进行CCA系数与功率谱计算，并与相应的阈值进行比较，比较后结果矩阵利用权值系数进行降维，得到最后的结果系数R
all
＝[R1,R2,R3,R4,R5]：
[0032][0033]R：结果系数；
[0034]Comb：CCA
‑
PSD混合系数；
[0035]Comb＝[w1，w2]·
[P
RESULT
，Pow
RESULT
][0036]P
RESULT
：CCA系数阈值的结果系数，
[0037]Pow
RESULT
：功率谱阈值的结果系数，Pow为最佳频段下的功率谱计算结果；
[0038]2.5)将2.4)中结果系数的值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CCA系数阈值的SSVEP异步识别方法，其特征在于，所述方法包括以下步骤：步骤一、离线训练阶段，过程如下：在不同频率目标块刺激下，分别开展控制任务和空闲任务的离线试验，采集大脑枕区信号，得到空闲状态与凝视状态两个离线数据集；将所述两个离线数据集分别在基频及不同谐波频率处对不同长度的数据进行功率谱密度的计算，得到空闲状态与凝视状态划分的功率谱密度分析阈值；将所述两个离线数据集分别对不同长度的数据进行CCA系数阈值的计算，得到空闲状态与凝视状态划分的CCA系数阈值；对上述两个离线数据集进行计算分析，得到最佳的信号划分窗口长度与最佳处理频率，与最佳的通道区域CCA系数阈值与功率谱密度的权值系数；步骤二、在线分类阶段，过程如下：实时采集大脑最佳通道区域脑电信号，将窗口数据进行滤波，再进行功率谱密度与CCA系数阈值计算，得到分类结果；若结果为凝视状态记为+1；空闲状态记为
‑
1；每5个窗口进行一次判断，将5次分类结果相加，若大于0则为凝视状态，小于0为空闲状态。2.如权利要求1所述的一种基于CCA系数阈值的SSVEP异步识别方法，其特征在于，所述步骤一的过程如下：1.1)采集大脑枕区信号，包括以下步骤：在Oz、O1、PO3、P1、POz、Pz、P2、PO4、O2共9个位置放置测量电极，界面上显示6个不同频率闪烁的刺激源，分别为8Hz、9Hz、10Hz、11Hz、12Hz；1.2)数据预处理，对脑电信号做带通滤波与陷波，将数据划分为凝视状态数据与空闲状态数据，将被试者双眼凝视刺激目标记为凝视状态，视线远离刺激目标记为空闲状态；1.3)对数据进行划窗，每个实验数据的长度为5s，将数据按照0.5s
‑
4s的长度进行划分，步长为0.1s，将长度为5s的数据划窗；1.4)对数据进行处理计算，具体步骤如下：A、用CCA算法将1.3)中数据进行处理，得到的特征矩阵与刺激信号数目相对应，N维刺激向量表示为：F＝[R1,R2,R3,R4,R5,R6]，CCA系数计算方式为：Per：CCA系数；Rmax：F特征矩阵中最大特征值；Rmax：F特征矩阵中第二特征值；B、将1.3)中数据分别在基频及不同谐波频率(8...

【专利技术属性】
技术研发人员：王志恒，段旭贤，耿本松，叶兴锋，沈家和，蔡世波，杨庆华，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：