一种基于制造技术

一种基于

【技术实现步骤摘要】
一种基于FBCCA和USSR的脑电特征识别方法


[0001]本专利技术涉及生物医学工程中神经工程及脑
‑
机接口
，具体涉及一种基于
FBCCA
和
USSR
的脑电特征识别方法
。

技术介绍

[0002]脑机接口
(Brain Computer Interface,BCI)
是指在人或动物大脑与外部设备之间创建的直接连接通路，实现脑与设备的信息交换，其信号来自中枢神经系统，传播中不依赖于外周的神经与肌肉系统，常用于辅助
、
增强以及修复人体的感觉运动功能或提升人机交互能力
。
[0003]基于脑机接口技术的稳态视觉诱发电位
(Steady
‑
State Visual Evoked Potential,SSVEP)
是大脑对于视觉刺激的一种自然响应信号
。
当人体受到一个固定频率的闪烁或者变换模式的视觉刺激时，大脑皮层的电位活动将被调制，从而产生一个连续的
、
与刺激频率有关
(
刺激频率的基频或倍频处
)
的响应，这个响应具有和视觉刺激类似的周期性节律，即为
SSVEP。SSVEP
信号表现在
EEG
脑电信号中则是在功率谱中能在刺激频率或谐波上出现谱峰，通过分析和检测谱峰处对应的频率，即能检测到受试者视觉注视的刺激源，从而能识别受试者的意图
。
[0004]对<br/>SSVEP
特征快速精准解码是
SSVEP
‑
BCI
系统研究中的关键步骤，
SSVEP
解码方法主要分为无训练和有训练两大类
。
在无训练方法中，最常用的技术方案为同步索引变量
(MSI)(Zhang,Y.,et al.,Multivariate synchronization index for frequency recognition of SSVEP
‑
based brain
–
computer interface.Journal of Neuroscience Methods,2014.221(Complete):p.32
‑
40)、
典型相关分析
(CCA)(Lin,Z.,et al.,Frequency Recognition Based on Canonical Correlation Analysis for SSVEP
‑
Based BCIs.IEEE Transactions on Biomedical Engineering,2006.53:p.2610
‑
2614)
和共滤波器组典型相关分析
(FBCCA)(Chen,T.P.Jung,and X.Gao,Filter bank canonical correlation analysis for implementing ahigh
‑
speed SSVEP
‑
based brain
‑
computer interface.Journal of Neural Engineering,2015.12(4):p.046008)
，相比于经典方法
CCA
，
FBCCA
能达到更高的识别准确率和信息传输率；然而，针对短时光闪烁
SSVEP
信号表现出的强非线性和非平稳性，
FBCCA
方法的效果依然受限，因此急需一种新的方法在短时高效的
SSVEP
检测中达到更好的效果
。

技术实现思路

[0005]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于
FBCCA
和
USSR
的脑电特征识别方法，利用
FBCCA
方法对
SSVEP
信号特征的高敏感性，以及
USSR
模型针对短时
SSVEP
信号表现出的非线性和非平稳性的高匹配性，实现特征频率的高精度识别
。
[0006]为了达到上述目的，本专利技术采取的技术方案是：
[0007]一种基于
FBCCA
和
USSR
的脑电特征识别方法，先用共滤波器组对信号进行初步处
理，再通过
CCA
降维并结合
USSR
模型的协同作用对滤波后子频带成分作特征增强，最后依据
MSI
识别模型提取出最大同步索引变量对应的特征频率
。
[0008]一种基于
FBCCA
和
USSR
的脑电特征识别方法，包括以下步骤：
[0009]1)
多通道
SSVEP
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
、
滤波与数模转化等预处理；
[0010]2)
共滤波器组信号处理：用切比雪夫
I
型共滤波器组滤除步骤
1)
预处理后的多通道
SSVEP
信号的低频和高频噪声；
[0011]3)
多通道信号降维：采用典型相关分析
(CCA)
降维方法将步骤
2)
得到的子频带多通道信号转换成一维向量，得到子频带单通道信号；
[0012]4)
模型及计算参数初始化：设置
USSR
模型及初始参数；
[0013]5)USSR
模型处理：将步骤
3)
得到的子频带单通道信号送入步骤
4)
设计的
USSR
模型，利用噪声能量增强信号频率的能量和幅值以识别目标频率；
[0014]6)MSI
频率识别：将经过步骤
5)USSR
模型增强后的一维向量通过
MSI
识别模型识别出目标频率；
[0015]7)
频率匹配检测：将步骤
6)
识别的目标频率与所有刺激频率进行匹配，如果匹配成功，则目标频率被有效识别；如果匹配失败，则检测结束，进入下一次识别过程
。
[0016]所述的步骤
1)
多通道
SSVEP
信号采集中使用
Neuracle NeuSen W
脑电采集系统记录
SSVEP
信号，并根据
10/20
电极系统设置电极，参考电极位于大脑前额
FPz
，接地电极位于左耳垂
A1
，
POz、PO3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
FBCCA
和
USSR
的脑电特征识别方法，其特征在于：先用共滤波器组对信号进行初步处理，再通过
CCA
降维并结合
USSR
模型的协同作用对滤波后子频带成分作特征增强，最后依据
MSI
识别模型提取出最大同步索引变量对应的特征频率
。2.
一种基于
FBCCA
和
USSR
的脑电特征识别方法，其特征在于，包括以下步骤：
1)
多通道
SSVEP
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
、
滤波与数模转化的预处理；
2)
共滤波器组信号处理：用切比雪夫
I
型共滤波器组滤除步骤
1)
预处理后的多通道
SSVEP
信号的低频和高频噪声；
3)
多通道信号降维：采用典型相关分析
(CCA)
降维方法将步骤
2)
得到的子频带多通道信号转换成一维向量，得到子频带单通道信号；
4)
模型及计算参数初始化：设置
USSR
模型及初始参数；
5)USSR
模型处理：将步骤
3)
得到的子频带单通道信号送入步骤
4)
设计的
USSR
模型，利用噪声能量增强信号频率的能量和幅值以识别目标频率；
6)MSI
频率识别：将经过步骤
5)USSR
模型增强后的一维向量通过
MSI
识别模型识别出目标频率；
7)
频率匹配检测：将步骤
6)
识别的目标频率与所有刺激频率进行匹配，如果匹配成功，则目标频率被有效识别；如果匹配失败，则检测结束，进入下一次识别过程
。3.
根据权利要求2所述的方法，其特征在于：所述的步骤
1)
多通道
SSVEP
信号采集中使用
Neuracle NeuSen W
脑电采集系统记录
SSVEP
信号，并根据
10/20
电极系统设置电极，参考电极位于大脑前额
FPz
，接地电极位于左耳垂
A1
，
POz、PO3、PO4、PO5、PO6、Oz、O1
和
O2
共8个电极用于记录
SSVEP
信号，
SSVEP
信号以
1000Hz

【专利技术属性】
技术研发人员：徐光华，陈瑞泉，张勋，田沛源，谢杰仁，李保玉，张四聪，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：