System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及脑电信号处理,尤其涉及一种基于et-trca的ssvep脑电识别方法。
技术介绍
1、脑机接口(brain-computer interface,bci)是一种以大脑产生的脑电信号为基础,直接在人脑与计算机或其他设备之间建立信息通道的技术,随着基于计算机的生物通讯技术的不断进步,脑机接口技术作为其中重要组成部分得以发展并被逐步临床应用。
2、ssvep是指大脑受周期性视觉刺激产生的反应,它具有与视觉刺激频率相同的基频及其谐波成分,常用的视觉刺激诱发方式有闪烁刺激、图形翻转、图形缩放等。在脑机接口技术的研究中,基于ssvep脑电识别技术发展较为稳定且应用广泛,如基于ssvep脑电信号的脑控机械臂抓取系统,基于ssvep的脑控轮椅系统等。
3、目前,国内外的ssvep系统使用的算法仍存在解码效率低的问题,表现在两方面:一是如典型相关分析(canonical correlation analysis,cca)等无训练算法使用的时间窗口过长,无法满足系统的高速解码需求;二是如任务相关成分分析(task-relatedcomponent analysis,trca)等有训练算法虽对短时间窗口有一定效果,但解码准确率十分依赖训练数据量,不适合ssvep-bci实际应用需求。
4、然而,ssvep算法的高效性与易操作性往往是相对的,在追求高速率ssvep的同时,尽量减少训练成本,是当前ssvep-bci的研究重点。
5、综上所述,如何设计一种减少训练成本的基础上,提高分类识别性能的
技术实现思路
1、本专利技术实施例的主要目的在于提出一种基于et-trca的ssvep脑电识别方法,旨在设计一种减少训练成本的基础上,提高分类识别性能的脑电识别方法。
2、本专利技术解决上述技术问题的技术方案是,提供一种基于et-trca的ssvep脑电识别方法,包括以下步骤:
3、1)空域滤波
4、整理预设刺激频率下的个人脑电模板;
5、生成每个预设刺激频率下可表征该频率ssvep信号的人工正余弦模板;
6、以个人脑电模板和人工正余弦模板生成扩展训练模板,通过et-trca算法计算,构建扩展空域滤波器wn;
7、2)组合相关分析
8、对测试数据,与每个预设刺激频率下的个人脑电模板、人工正余弦模板均输入对应的扩展空域滤波器做组合相关分析,得出测试数据与模板间的组合相关系数;
9、3)目标识别
10、各组合相关系数中,取到最大值的频率。
11、在本专利技术一实施例中,所述空域滤波的步骤包括:
12、将脑电数据的格式整理为
13、其中,nf×nc×ns×nt分别表示预设频率刺激数×通道数×数据长度×训练轮次数;
14、对nf个预设频率刺激均构建扩展空域滤波器,第n个刺激频率下,个人脑电信号模板人工信号模板使用可表征ssvep特征标准正余弦信号,具体如下式:
15、
16、其中,n为刺激频率,nh是所使用的谐波次数,fs为脑电信号采样率;
17、设置ssvep特征模板信号的谐波次数nh,进行谐波分量调整;
18、个人脑电模板xn与人工信号模板tn共同作为et-trca算法训练扩展空域滤波器的模板。
19、在本专利技术一实施例中,所述空域滤波的步骤还包括:
20、矩阵s的计算:
21、空域滤波器训练中的矩阵s形式如下:
22、
23、矩阵为试验间的协方差矩阵,使用xn的试验计算,具体公式为:
24、
25、矩阵sch、矩阵为个人脑电信号模板与人工正余弦信号模板之间的协方差矩阵;sch与shc互为转置,对xn的试验模板和人工正余弦模板tn计算sch与shc:
26、
27、为人工正余弦信号模板之间的协方差矩阵,按如下公式计算出矩阵shh:
28、
29、矩阵q的计算:
30、空域滤波器训练中的矩阵q形式如下:
31、
32、将矩阵xn在试验总数的维度上进行级联,得到矩阵按列展开可表示为:进一步按如下公式计算矩阵qc:
33、
34、对人工正余弦模板tn按如下公式计算出矩阵qh:
35、
36、计算矩阵q-1s的特征值及对应的特征向量,以最大特征值对应的特征向量构建扩展空域滤波器wn。
37、在本专利技术一实施例中,所述组合相关分析的步骤包括:
38、扩展空域滤波器可分为两部分,将测试信号y、训练模板输入空域滤波器wc,测试信号
39、y、人工正余弦信号模板训输入空域滤波器wh,分别做分析,得到相关系数rn,1、rn,2,分析的具体公式如下所示:
40、
41、rn,2=ρ(wn,hty,wn,httn)
42、计算求得混合相关系数rn:
43、
44、将求解混合相关系数的过程推广至nf个扩展空域滤波器;重新定义参数αn,j,j=1,2,...,nf,强调测试信号与目标频率模板信号之间的相关性,表示第n个刺激频率下,测试信号y、训练模板测试信号y、人工正余弦模板tn经wj空域滤波后的混合相关系数,即用αn,j代表rj,有如下式子:
45、
46、通过对nf个组合相关系数再次加权求和得到组合相关系数ρn,进一步增强测试信号与目标频率对应的的相关性,如下式所示:
47、得到测试信号y与第n个刺激频率的模板信号之间的组合相关系数ρn;
48、测试信号y与nf个预设刺激频率的模板之间有nf个组合相关系数;
49、nf个组合相关系数中,使ρn取到最大值的频率是所求目标频率
50、ftarget,如下式所示:
51、
52、本专利技术的技术方案在空域滤波部分结合个人脑电数据与人工正余弦信号构建扩展空域滤波器,减少了训练成本;采用et-trca算法进行模板扩充和特征匹配,相比于传统trca算法,能有效提高itr,有利于ssvep脑电的进一步实际应用;在组合相关分析部分最大化提取ssvep信号特征,提高分类识别性能;本专利技术有利于推动ssvep脑电的发展,完善了基于ssvep脑电的脑机接口系统,可用于肢体残疾人士的辅助输出,也可用于工业控制以及自动驾驶领域,具有良好的市场应用前景和社会经济效益。
本文档来自技高网...【技术保护点】
1.一种基于ET-TRCA的SSVEP脑电识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于ET-TRCA的SSVEP脑电识别方法,其特征在于,所述空域滤波的步骤包括:
3.根据权利要求2所述的基于ET-TRCA的SSVEP脑电识别方法,其特征在于,所述空域滤波的步骤还包括:
4.根据权利要求3所述的基于ET-TRCA的SSVEP脑电识别方法,其特征在于,所述组合相关分析的步骤包括:
【技术特征摘要】
1.一种基于et-trca的ssvep脑电识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于et-trca的ssvep脑电识别方法,其特征在于,所述空域滤波的步骤包括:
3.根据权...
【专利技术属性】
技术研发人员:杨帮华,王照坤,竭荣昕,张永怀,张佳杨,
申请(专利权)人:上海韶脑传感技术有限公司,
类型:发明
国别省市:
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。