论文部分内容阅读
脑-机接口技术使大脑与外部设备进行信息交互的情景成为现实,该领域有宽广的应用前景和巨大的研究价值。为因遭受疾病或意外等有运动功能障碍的伤患带来福音。稳态视觉诱发电位(Steady-State Visual Evoked Potential,SSVEP)凭借其信噪比高,用户训练少及信息传输速率高等优点,成为BCI系统中的一个重要分支。研究者对SSVEP型脑-机接口中信号处理算法不断改进,目的是提高在刺激目标较多,SSVEP信号长度较短的情况下频率识别算法的准确率。基于此,本文通过挖掘SSVEP的有效信息,从频率识别算法的角度进行研究,提高SSVEP型脑-机接口的性能,取得的研究成果概述如下:(1)借鉴相关文献,对刺激源以及刺激频率进行选取。设计了刺激源为液晶显示屏的视觉刺激界面,采用正弦编码法控制视觉刺激方块的灰度值,降低受试者的眼部疲劳。利用OPENBCI的脑电采集模块成功地采集到12名受试者的SSVEP信号。(2)对典型相关分析法(Canonical Correlation Analysis,CCA)进行改进,在常规的CCA算法中,并没有考虑到局部时间信息。而SSVEP信号作为非平稳,随时间缓慢变化的生理信号,考虑时间结构信息会提高频率识别算法的准确率。本文提出了一种基于局部时间信息的典型相关分析(Temporally Local CCA,TCCA)算法。利用清华大学脑-机接口研究组的SSVEP数据集进行局部时间范围τ的优化,及TCCA与CCA在不同时间窗口下的对比实验。离线实验结果表示,TCCA任何时窗下的准确率均显著优于CCA,平均准确率提高了2%~4%,在时间窗口为1.5s时,平均准确率达到了90.93%(40刺激目标)。(3)将TCCA算法以及基于滤波器组的CCA(Filter Bank CCA,FBCCA)算法有机结合,提出了FBTCCA算法,共同考虑谐波信息与时间结构信息。利用上述数据集在离线实验中,用6名受试者的脑电数据进行算法中参数的优化,9名受试者的脑电数据进行FBTCCA与FBCCA在不同时间窗口下的对比实验。结果表明FBTCCA在平均准确率上略优于FBCCA,短时间窗口处算法准确率差异更显著,当时间窗口小于0.8s时,平均准确率提高了 1.6%以上,当时间窗口为1.5s时,平均准确率达到了94.6%(40刺激目标)。这项研究证实了在短时间窗口下的SSVEP-BCI中,TCCA及其衍生算法具有潜力。(4)对SSVEP进行多元经验模式分解,研讨了各个内蕴模式函数(intrinsic mode functions,IMF)分量对SSVEP分类准确率的影响。研究发现,对IMF进行筛选组成重构信号可能会忽略掉部分有效信息。本文提出了基于网格搜索的多元经验模式分解(Grid Search MEMD,GS-MEMD)的信号纯化算法,利用网格搜索法确定重构信号中各IMF分量的权重。并将其分别与CCA及多元同步指数结合(multivariate synchronization index,MSI),提出了GS-MEMD-CCA和GS-MEMD-MSI算法。实验结果表明,新的重构信号提升了算法准确率。且GS-MEMD-MSI算法的平均准确率最高,在2s的时间窗口下平均准确率达到95.24%(6目标)。