【技术实现步骤摘要】
面向稳态视觉诱发电位的低训练成本脑电特征解码方法
[0001]本专利技术实施例涉及脑机接口信号的编码及解码技术,尤其涉及一种面向稳态视觉诱发电位的低训练成本脑电特征解码方法及脑机接口系统。
技术介绍
[0002]近年来,随着科研工作者对脑电波(Electroencephalogram,EEG)的深入研究,基于头皮脑电的非侵入式脑机接口(BrainComputer Interface,BCI)得到了突飞猛进的发展。其中,基于视觉诱发电位(Visually Evoked Potential,VEP)的BCI因其较高的信息传输率和解码可靠性受到广泛关注。稳态视觉诱发电位(Steady
‑
State Visual Evoked Potentials,SSVEP)BCI范式更因其具有诱发特征稳定、信噪比高等优点,已成为BCI的主流范式之一。
[0003]现有技术中,以任务相关成分分析(Task
‑
Related Component Analysis,TRCA)算法为代表的SSVEP解码算法需要依赖大量的训练数据才能获得较高识别精度。相对于使用标准正余弦作为模板而言,预先训练有助于算法从个体的脑电数据中学习并生成符合被试脑电特征的空间滤波器和脑电模板信号,从而使算法获得满意的识别结果。由于TRCA算法本身的原理是最大化试次间的重复信号成分,因此当训练数据较少时识别性能往往会大幅度下降,特别是在每个频率仅有单试次训练数据时,识别性能很差。
技术实现思路
[0004]本专利 ...
【技术保护点】
【技术特征摘要】
1.一种面向稳态视觉诱发电位的低训练成本脑电特征解码方法,包括:在屏幕上呈现N
f
个频率分别为f1,
…
f
i
,
…
f
n
,,
…
f
Nf
的视觉刺激,采集受试者分别注视这些视觉刺激的原始稳态视觉诱发电位信号作为训练数据,受试者注视频率为f
n
的视觉刺激时所采集的受试者的多脑电通道的原始稳态视觉诱发电位为其中,N
c
为脑电通道数,N
s
为采样点数,N
t
为试次数;采用N
fb
个滤波器组对所述原始稳态视觉诱发电位X
n
进行预处理,得到N
fb
个子频段的预处理后稳态视觉诱发电位其中,m=1,2,
…
,N
fb
;将所述预处理后稳态视觉诱发电位划分为P
n
个子周期根据得到第m子频段的空间滤波器对N
f
个频率的第m子频段的空间滤波器进行集成,得到第m子频段的集成空间滤波器对以P
n
个子周期进行平均,得到复制连接多个合成得到所需长度的稳态视觉诱发电位模板信号采集受试者的未知稳态视觉诱发电位采用所述N
fb
个滤波器组对所述未知稳态视觉诱发电位K进行预处理,得到N
fb
个子频段的预处理后未知稳态视觉诱发电位K
(m)
,其中,m=1,2,
…
,N
fb
;通过所述集成空间滤波器和所述稳态视觉诱发电位模板信号计算N
fb
个子频段的相关系数对N
fb
个加权求和得到所述未知稳态视觉诱发电位K与所述原始稳态视觉诱发电位X
n
之间的相关系数ρ
n
;得到所述未知稳态视觉诱发电位K与频率分别为f1,
…
f
i
,
…
f
n
,,
…
f
Nf
的全部原始稳态视觉诱发电位[X1,
…
X
i
,
…
,X
n
,...,X
Nf
]之间的相关系数[ρ1,
…
ρ
i
,
…
,ρ
n
,
…
,ρ
Nf
],第i个相关系数ρ
i
最大,则所述未知稳态视觉诱发电位K的视觉刺激频率为f
i
。2.根据权利要求1所述的面向稳态视觉诱发电位的低训练成本脑电特征解码方法,其特征在于,所述将所述预处理后稳态视觉诱发电位划分为P
n
个子周期包括:将所述原始稳态视觉诱发电位为X
n
划分为P
n
个子周期,P
n
=floor(N
s
f
n
/F
s
),每个子周期采样点的数量为L
n
=round(F
S
/f
n
),其中,F
S
为采样频率,floor为向下取整函数,round为四舍五入函数;根据子周期采样点的数量L
n
分割得到3.根据权利要求2所述的面向稳态视觉诱发电位的低训练成本脑电特征解码方法,其特征在于,所述合成得到所需长度的稳态视觉诱发电位模板信号包括:复制连接多个合成得到所需长度的稳态视觉诱发电位模板信号合成得到所需长度的稳态视觉诱发电位模板信号其中,其中,为的一部分,的采样点数为N
S
。4.根据权利要求1所述的面向稳态视觉诱发电位的低训练成本脑电特征解码方法,其特征在于,所述根据得到第m子频段的空间滤波器包括:根据如下广义特征值分解进行计算
其中,这里是跨周期协方差矩阵的总和,是各周期自协方差的总和,和...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。