CN104503580A - 一种对稳态视觉诱发电位脑-机接口目标的识别方法 - Google Patents

Abstract

本发明公开了一种对稳态视觉诱发电位脑-机接口目标的识别方法，所述识别方法包括以下步骤：受试者依次注视若干个以不同频率同时闪烁的LED，通过脑电放大器采集脑电信号，并进行预处理；根据稳态视觉诱发电位特性，对预处理后的脑电信号进行周期截取，按截取与刺激是否一致分配1和-1标签；将得到的脑电波形片段作为特征，对线性判别分析分类器进行训练；用训练好的分类器计算决策值，对不同截取周期得到的决策值分别叠加平均，取最大决策值对应的截取周期作为识别结果输出。本方法充分利用了脑电中丰富的时域信息，有效提升了识别正确率和信息传输速率。本方法进行目标识别的BCI系统有望应用于多种场景，带来可观的社会和经济效益。

Description

一种对稳态视觉诱发电位脑-机接口目标的识别方法

技术领域

本发明涉及稳态视觉诱发电位脑-机接口领域，尤其涉及一种对稳态视觉诱发电位脑-机接口目标的识别方法。

背景技术

脑-机接口(Brain-Computer Interface,BCI)建立了一种不依赖于外周神经和肌肉组织等常规大脑输出通路的信息通道。BCI通过传感器获取大脑信号，经处理提取反映使用者意愿的特定信号特征，这些特征被转换成命令来操作设备。使用者必须培养并保持信号特征与其意愿的相关性，而BCI必须选择并提取特征，转换为设备指令，让使用者能够进行控制。

目前，大部分脑-机接口系统通过测量脑电(Electroencephalography,EEG)信号获取大脑活动的信息，因为脑-机接口需要对使用者的意图做出足够快的识别和响应，这就要求用于脑-机接口的大脑信号具有足够高的时间分辨率，而脑电恰好满足这一要求，而且脑电信号测量成本相对较低，便携，对用户风险低。脑电应用于脑-机接口又产生了多种不同的范式，最为常用的几种有：视觉诱发电位(Visual Evoke Potential,VEP)、慢皮层电位(SlowCortical Potential,SCP)，事件相关电位(Event-Related Potential,ERP)，感觉运动节律(Sensorimotor Rhythms)。其中视觉诱发电位具有指令数多、无需训练和信息传输速率高的特点，最有可能成为大规模指令集的脑-机接口范式。此外视觉诱发电位需要的电极相对较少，甚至只需要单个电极就可以实现控制，因此更适宜于便携式脑-机接口发展。

根据视觉刺激的频率特性，视觉诱发电位可分为瞬态视觉诱发电位(Transient VEP,TVEP)和稳态视觉诱发电位(Steady-State VEP,SSVEP)。当刺激频率低于6Hz时出现TVEP，当刺激频率高于6Hz时，会诱发出周期性的脑电信号，称为SSVEP。SSVEP是一个类似正弦的信号，且它的基频与刺激源(如闪烁)的频率相同，还可能出现基频的谐波频率成分，SSVEP的频率成分的幅值和相位在很长时间内保持恒定。SSVEP因其具有稳定的频谱和较高的信噪比(SNR)，被广泛用于脑机接口中，实现较大的指令集和较高的信息传输速率。

在SSVEP-BCI中，系统呈现一系列以不同频率闪烁的目标(如图片，LED灯，棋盘格等)，每个目标代表某种指令(如上下左右)，当使用者注意其中某一频率的闪烁时，通过提取脑电信号中的SSVEP成分，识别出被试者正在注意的目标，从而转化为控制指令。其中最重要一步是通过脑电对被试者注意的视觉刺激频率进行准确识别，传统的功率谱方法难以得到理想效果，目前学者们提出了典型相关分析、最小能量组合、共同特征分析、经验模态分解等方法，特别是典型相关分析方法得到了较好的效果，是目前最广泛采用的方法。

但实验发现，SSVEP存在一定的个体差异，不同人对于同一个刺激频率产生的SSVEP响应存在一定的偏差，部分被试者的SSVEP淹没在背景脑电中，导致识别正确率出现明显下降，从而使SSVEP-BCI无法应用于这些SSVEP信号质量较差的人群，即“BCI文盲”现象。此外，尽管脑电是一种时间分辨率较高的神经成像手段，但目前的目标识别方法多针对SSVEP的频域特征，实验发现对部分受试者其识别正确率明显偏低，而且现有识别方法多需要截取较长的数据才能够保证正确率，这限制了SSVEP-BCI的应用推广和速度提升。

发明内容

本发明提供了一种对稳态视觉诱发电位脑-机接口目标的识别方法，本发明有效的提升了识别正确率和信息传输速率，详见下文描述：

一种对稳态视觉诱发电位脑-机接口目标的识别方法，所述识别方法包括以下步骤：

受试者依次注视若干个以不同频率同时闪烁的LED，通过脑电放大器采集脑电信号，并进行预处理；

根据稳态视觉诱发电位特性，对预处理后的脑电信号进行周期截取，按截取与刺激是否一致分配1和-1标签；

将得到的脑电波形片段作为特征，对线性判别分析分类器进行训练；用训练好的分类器计算决策值，对不同截取周期得到的决策值分别叠加平均，取最大决策值对应的截取周期作为识别结果输出。

所述通过脑电放大器采集脑电信号，并进行预处理具体为：

采集第1通道O1，第2通道Oz，第3通道O2，第四通道A1的脑电信号，以右侧乳突A2作为参考电极，前额处接地，对采集到的脑电信号进行变参考为第四通道A1、右侧乳突A2平均参考的预处理。

所述变参考为第四通道A1、右侧乳突A2平均参考的预处理具体为：

将第1通道O1，第2通道Oz，第3通道O2的导联信号分别减去(A1+A2)/2，低通滤波至40Hz。

所述将得到的脑电波形片段作为特征，对线性判别分析分类器进行训练，用训练好的分类器计算决策值，对不同截取周期得到的决策值分别叠加平均具体为：

将所有得到的脑电片段与其对应的标签输入LDA分类器，训练分类器，得到最佳投影向量，再利用分类面方程得到分类面偏移；

取在线测试脑电信号，进行截取得到四种片段；

将每种片段分别输入LDA分类器，每个片段得到一个决策值，对决策值叠加平均，得到四个最终决策值。

本发明提供的技术方案的有益效果是：本方法将脑电时域波形按周期截取后直接输入线性分类器进行分类，再在决策层进行叠加平均，充分利用了脑电中丰富的时域信息。有效提升了识别正确率和信息传输速率。这一方法可以用于SSVEP-BCI，也可以用于SSVEP与其他范式组成的混合BCI，采用这一方法进行目标识别的BCI系统有望应用于多种场景，带来可观的社会和经济效益。

附图说明

图1为一种对稳态视觉诱发电位脑-机接口目标的识别方法的流程图；

图2为脑电采集导联的示意图；

图3为脑电周期截取叠加方法的示意图；

图4为投影方向示意图；

图5为周期截取与LDA结合实现SSVEP目标刺激识别的示意图；

图6为识别四个频率的示意图；

图7为实验结果对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

一种对稳态视觉诱发电位脑-机接口目标的识别方法，参见图1，识别过程分为两个过程，先进行离线实验，将获得的数据按刺激周期截取，按截取与刺激是否一致分配1和-1标签，训练线性判别分析分类器；之后进行在线实验，按同样的方法截取信号，然后用训练好的分类器计算决策值，对不同截取周期得到的决策值分别叠加平均，取最大决策值对应的截取周期(频率)作为识别结果输出。该方法包括以下步骤：

101：受试者依次注视若干个以不同频率同时闪烁的LED，通过脑电放大器采集脑电信号，并进行预处理；

其中，本方法利用脑电放大器采集脑电，带宽为0.5-100Hz，阻抗<5kΩ，采样率为1000Hz，同时记录刺激器发出的刺激开始时刻的同步标签。

在离线训练实验中，令受试者依次注视若干个以不同频率同时闪烁的LED，每个LED注视2s，循环20次。采集4个通道的脑电信号(第1通道O1，第2通道Oz，第3通道O2，第四通道A1)，以右侧乳突(A2)作为参考电极，前额处接地(GND)，电极配置遵照国际脑电协会规定的10-20电极放置系统，需要采集的导联如图2所示。采集到的脑电，利用MATLAB EEGLab工具箱进行预处理：变参考为A1、A2平均参考(即将O1、Oz、O2导联信号分别减去(A1+A2)/2)，低通滤波至40Hz。

102：根据稳态视觉诱发电位特性，对预处理后的脑电信号进行周期截取，按截取与刺激是否一致分配1和-1标签；

其中，叠加平均是脑电研究中提取诱发电位的常用方法[¹]。由于记录下来的脑电信号x(t)是由实际诱发电位s(t)和噪声n(t)相加所组成，且噪声往往比响应更强，因此通常将这种诱发实验重复多次，并把多次观察叠加平均，设每次的记录信号为

x_i(t)=s_i(t)+n_i(t)，i=1，2，...，N       (1)

各次记录的时间起点都取为刺激开始时刻。叠加必须在时间起点对齐后进行，这时称为平均诱发响应。

可以证明，如果诱发电位s_i(t)是各次相同的确定性过程s(t)，噪声n_i(t)是非平稳过程，均值E[n_i(t)]＝0且各次独立，因此E[n_i(t)n_j(t)]＝0(i≠j)，当i＝j时，为噪声的方差，则平均诱发响应是s(t)的无偏估计。证明如下：

无偏性： $E\left[\stackrel{\&OverBar;}{x}\left(t\right)\right]=s\left(t\right)+\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}E\left[n_i\left(t\right)\right]=s\left(t\right)---\left(2\right)$

其中是的期望。

一致性： $\begin{array}{c}\mathrm{Var}\left[\stackrel{\&OverBar;}{x}\left(t\right)\right]=E{\{\stackrel{\&OverBar;}{x}\left(t\right)-E[\stackrel{\&OverBar;}{x}\left(t\right)\left]\right\}}^2=E\left[{\stackrel{\&OverBar;}{x}}^2\left(t\right)\right]-E^2\left[\stackrel{\&OverBar;}{x}\left(t\right)\right]\\ =E\left\{{[s\left(t\right)+\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i\left(t\right)]}^2\right\}-s^2\left(t\right)\\ =E\left[s^2\left(t\right)\right]+2E\left[s\left(t\right)\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i\left(t\right)\right]+E\left\{{\left[\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i\left(t\right)\right]}^2\right\}-s^2\left(t\right)\\ =\frac{1}{N^2}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}E\left[n_i\left(t\right)n_j\left(t\right)\right]=\frac{1}{N}{\mathrm{\&sigma;}}_n^2\left(t\right)\end{array}---\left(3\right)$

其中：

是的方差，是的期望，是期望的平方；

$E\left[s^2\left(t\right)\right]=s^2\left(t\right),E\left[s\left(t\right)\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i\left(t\right)\right]=\frac{1}{N}s\left(t\right)E\left[\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i\left(t\right)\right]=\frac{1}{N}s\left(t\right)\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}E\left[n_i\left(t\right)\right]=0;$

$E\left\{{\left[\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i\left(t\right)\right]}^2\right\}=\frac{1}{N^2}E\left\{{\left[\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i\left(t\right)\right]}^2\right\}=\frac{1}{N^2}E\left[\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i\left(t\right)\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_j\left(t\right)\right]=\frac{1}{N^2}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}E\left[n_i\left(t\right)n_j\left(t\right)\right];$

当N→+∞时， $\mathrm{Var}\left[\stackrel{\&OverBar;}{x}\left(t\right)\right]\&RightArrow;0.$

对于稳态视觉诱发电位，可将每个闪烁周期视为一次刺激，则每个周期将产生一个视觉诱发电位s_i(t)，与背景脑电n_i(t)叠加在一起构成x_i(t)，则可以利用上述方法得到诱发电位s(t)。具体过程如图3所示：

对于某一刺激频率下时长为2s的脑电，从闪烁开始时刻起，每间隔一个刺激周期T1，截取一段固定长度(例如100ms，具体实现时，本方法对此不做限制)的信号，可以得到N₁段脑电信号将这N₁段脑电信号叠加平均，理论上可以得到一段周期为T1的近似正弦信号。

假设从闪烁开始时刻起，截取间隔不再是T1，而是T2，得到N₂段脑电信号将这N₂段脑电信号叠加平均，根据视觉诱发电位的特性，由于截取间隔与刺激间隔不一致，所以理论上将得到幅值近似为0信号。但脑电是非平稳随机信号，包含多种频率成分，其中也必然含有一定的周期为T2的信号成分，因此叠加平均后将得到一段周期为T2的近似正弦信号，幅值低于周期T1的正弦信号。

103：将得到的脑电波形片段作为特征，对线性判别分析分类器进行训练；用训练好的分类器计算决策值，对不同截取周期得到的决策值分别叠加平均，取最大决策值对应的截取周期(频率)作为识别结果输出。

线性判别分析自1996年由Belhumeur引入模式识别和人工智能领域，已成为模式识别的经典算法。判别函数是直接用来对模式样本进行分类的准则函数，也称为判决函数或决策函数(Decision Function)。利用判别函数进行模式分类是模式识别的一个重要方法。

对于线性可分的模式分类问题则用到线性判别函数。推广到n维情况，可得出线性判别函数的一般形式：

$d\left(X\right)={\mathrm{\&omega;}}_1{x}_1+{\mathrm{\&omega;}}_2{x}_2+...+{\mathrm{\&omega;}}_{n-1}{x}_{n-1}+{\mathrm{\&omega;}}_n{x}_n+{\mathrm{\&omega;}}_{n+1}=W_0^{T}X+{\mathrm{\&omega;}}_{n+1}---\left(4\right)$

式中，W₀＝[ω₁,ω₂,…,ω_n]^T称为权向量或参数向量(ω₁,ω₂,…,ω_n是权向量的各个分量)，X＝[x₁,x₂,…,x_n]^T是n维特征向量(x₁,x₂,…,x_n是特征向量的各个分量)，又称模式向量或样本向量，ω_n+1是常数，称为阈值权，d(X)也被称为决策值。

在二维欧式空间中，由线性判别函数所决定的判别边界为一条直线，在三维空间中为一平面，当维数大于3时，判别边界称为超平面。通常，由线性判别函数确定的判别界面统称为超平面。因此，线性判别函数由分类面方程ω^Tx+b＝0、分类面法向量ω(也称投影向量)和分类面偏移b组成。线性分类器设计的关键就是找到最适合的ω和b，从而达到最好的分类效果。

如图4所示，ω是投影方向，即超平面的法向量。图4(a)中投影后两类数据有重叠，而4(b)中投影后的一维数据线性排列且两类数据被完全分开，所以最佳的投影方向是4(b)中的ω方向。

经典的线性判别分析(Linear Discriminant Analysis,LDA)采用的是Fisher判别准则函数，因此也称为FLD(Fisher Linear Discriminant)。它最早由Fisher在1936年提出^[2]，当时，该算法仅适用于两类分类问题。在Fisher思想的基础之上，人们提出了判别向量集的概念，即寻找由一组判别向量构成的投影子空间，将样本投影到该子空间上可以得到一个向量，即用来表示原数据的特征向量。从而解决了多类分类问题，大大扩展了该算法的应用范围，目前该算法已被广泛应用于各类涉及模式识别的领域^[3]。

Fisher判别准则的基本思想是保证投影后的模式样本(一维)在新的空间中满足：①类间距离最大；②类内距离最小。

一般可以用投影后数据的统计性质(均值和离散度)的函数作为分类判别好坏的标准。可将分类问题分为两分类的情况和多分类(C类)的情况，这里用到的是两类的情况。

假设样本只有两类w_i(i＝1，2)，各类的样本数为N_i(i＝1，2)。如果定义μ_i(i＝1，2)表示两类原始数据的均值向量；表示两类投影后一维数据的均值。则有：

${\mathrm{\&mu;}}_i=\frac{1}{N_i}\underset{x\&Element;w_i}{\mathrm{\&Sigma;}}x---\left(5\right)$

${\widetilde{\mathrm{\&mu;}}}_i=\frac{1}{N_i}\underset{d\&Element;w_i}{\mathrm{\&Sigma;}}d=\frac{1}{N_i}\underset{x\&Element;w_i}{\mathrm{\&Sigma;}}{\mathrm{\&omega;}}^{T}x={\mathrm{\&omega;}}^T{\mathrm{\&mu;}}_i---\left(6\right)$

其中x为原始样本，ω为投影向量，d＝ω^Tx是投影后的样本。

如果把两类投影后数据均值的差(距离)作为目标函数(判别函数)：

$J_{\mathrm{fisher}}\left(\mathrm{\&omega;}\right)=|{\widetilde{\mathrm{\&mu;}}}_1-{\widetilde{\mathrm{\&mu;}}}_2|{=\mathrm{\&omega;}}^T({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_2)---\left(7\right)$

这种目标函数是不理想的，因为没有把类内的标准偏差考虑在内。

因此，还将引入两个定义：S_i(i＝1,2)表示两类原始数据的离散度矩阵；表示两类投影后一维数据的离散度。则有：

$S_i=\underset{x\&Element;w_i}{\mathrm{\&Sigma;}}(x-{\mathrm{\&mu;}}_i){(x-{\mathrm{\&mu;}}_i)}^T---\left(8\right)$

${{\tilde{S}}_i}^2=\underset{d\&Element;w_i}{\mathrm{\&Sigma;}}{(d-{\widetilde{\mathrm{\&mu;}}}_i)}^2=\underset{x\&Element;w_i}{\mathrm{\&Sigma;}}{({\mathrm{\&omega;}}^{T}x-{\mathrm{\&omega;}}^T{\mathrm{\&mu;}}_i)}^2=\underset{x\&Element;w_i}{\mathrm{\&Sigma;}}{\mathrm{\&omega;}}^T(x-{\mathrm{\&mu;}}_i){(x-{\mathrm{\&mu;}}_i)}^T\mathrm{\&omega;}={\mathrm{\&omega;}}^T{S}_i\mathrm{\&omega;}---\left(9\right)$

S_w＝S₁+S₂(10)

${{\tilde{S}}_1}^2+{{\tilde{S}}_2}^2={\mathrm{\&omega;}}^T{S}_w\mathrm{\&omega;}---\left(11\right)$

${({\widetilde{\mathrm{\&mu;}}}_1-{\widetilde{\mathrm{\&mu;}}}_2)}^2={({\mathrm{\&omega;}}^T{\mathrm{\&mu;}}_1-{\mathrm{\&omega;}}^T{\mathrm{\&mu;}}_2)}^2={\mathrm{\&omega;}}^T({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_2){({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_2)}^T\mathrm{\&omega;}={\mathrm{\&omega;}}^T{S}_b\mathrm{\&omega;}---\left(12\right)$

式中，S_w称为类内总离散度矩阵，S_b称为类间离散度矩阵，i＝1或2。至此，按照Fisher判别准则的基本思想(投影后达到最大的类间离散度和最小的类内离散度)，Fisher判别函数可以定义为：

$J_{\mathrm{fisher}}\left(\mathrm{\&omega;}\right)=\frac{{({\widetilde{\mathrm{\&mu;}}}_1-{\widetilde{\mathrm{\&mu;}}}_2)}^2}{{{\tilde{S}}_1}^2+{{\tilde{S}}_2}^2}=\frac{{\mathrm{\&omega;}}^T{S}_b\mathrm{\&omega;}}{{\mathrm{\&omega;}}^T{S}_w\mathrm{\&omega;}}---\left(13\right)$

根据Fisher准则，选取使J_fisher(ω)达到最大值的投影向量ω作为最佳投影向量ω^*。令J_fisher(ω)的导数为0，即：

$\frac{d}{\mathrm{d\&omega;}}\left[J_{\mathrm{fisher}}\left(\mathrm{\&omega;}\right)\right]=0---\left(14\right)$

经过推导可以得到

${\mathrm{\&omega;}}^{*}=\arg \max \left\{\frac{{\mathrm{\&omega;}}^T{S}_b\mathrm{\&omega;}}{{\mathrm{\&omega;}}^T{S}_w\mathrm{\&omega;}}\right\}={S_w}^{-1}({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_2)---\left(15\right)$

对于测试样本x，代入判别函数(4)，即可得到分类结果。

根据步骤102中的有关截取与叠加平均的理论，可以对截取后的每个信号片段输入LDA分类器，利用LDA投影后类内离散度最小、类间离散度最大的特性，得到决策值其中i＝1,2,...,C，C为刺激频率个数(本实验为8个刺激频率)，对决策值叠加得到D_i，取多个{D_i}中的最大值，即认为该信号是在第i个刺激频率下的脑电信号，也就完成了对SSVEP目标刺激的识别，如图5所示。例如：取多个{D_i}中的最大值为D₅，则认为该信号是在第5个刺激频率下的脑电信号。

如图6所示，以4个刺激频率13Hz,15Hz,17Hz,19Hz为例，对算法执行过程进行说明：

1)取20次(每次2s)被试者注视13Hz刺激的脑电信号，分别以(1/13)s,(1/15)s,(1/17)s,(1/19)s为间隔，截取长度为100ms的脑电片段，根据计算，以(1/13)s截取时，2s长的信号可截取100ms的片段(2-0.1)÷(1/13)≈24个，20次可得到480个，以此类推；

2)按照步骤1)的方法对被试者注视15Hz,17Hz,19Hz刺激时的脑电信号进行截取；

3)对脑电片段赋标签，当截取间隔与刺激频率一致时，标签为1，不一致时为-1，比如13Hz刺激下的脑电信号按(1/13)s间隔截取时标签为1，按其余间隔截取时为-1；

4)将以上所有得到的脑电片段与其对应的标签输入LDA分类器，训练分类器，利用式(15)得到ω^*，再利用分类面方程ω^Tx+b＝0得到b；

5)取在线测试脑电信号X_test，截取方式同步骤1)，得到四种片段；

6)将每种片段分别输入LDA分类器，每个片段得到一个决策值，对决策值叠加平均，得到四个最终决策值D₁₃,D₁₅,D₁₇,D₁₉。

7)取最大决策值对应的截取间隔，则该截取间隔对应的频率为目标频率，即被试者注意的频率。

对5名被试的实验表明，本识别方法(t-LDA)平均识别正确率接近90％，与目前常用的典型相关分析(CCA)方法相比，正确率有了较大的提升，特别是对高频闪烁目标(如19Hz)的识别，正确率呈现显著上升(图7)。

综上所述，通过上述步骤详细介绍了脑电信号周期截取的方法，线性判别分析分类器的离线训练及在线测试过程，构成了完整的稳态视觉诱发电位脑-机接口目标识别方法。该方法应用时，受试者只需按照常规脑-机接口使用方法，接入脑电采集装置，经过适量的离线实验，利用这部分脑电数据训练出分类器模型，之后便可进行在线识别。该发明能够有效提高SSVEP-BCI的准确性和响应速度，可用于SSVEP-BCI或其他与SSVEP相关的BCI产品，有望在电子娱乐、工业控制等领域发挥优势。

参考文献：

[1]刘海龙.生物医学信号处理[M].化学工业出版社,2006.

[2]Fisher R A.,The use of multiple measurements in taxonomic problems,Annals of Eugenics,1936,7:179～188

[3]孙长城.基于三维编码刺激序列的视觉P300-Speller诱发ERP研究[D].天津大学,2012.

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种对稳态视觉诱发电位脑-机接口目标的识别方法，其特征在于，所述识别方法包括以下步骤：

受试者依次注视若干个以不同频率同时闪烁的LED，通过脑电放大器采集脑电信号，并进行预处理；

根据稳态视觉诱发电位特性，对预处理后的脑电信号进行周期截取，按截取与刺激是否一致分配1和-1标签；

将得到的脑电波形片段作为特征，对线性判别分析分类器进行训练；用训练好的分类器计算决策值，对不同截取周期得到的决策值分别叠加平均，取最大决策值对应的截取周期作为识别结果输出。

2.根据权利要求1所述的一种对稳态视觉诱发电位脑-机接口目标的识别方法，其特征在于，所述通过脑电放大器采集脑电信号，并进行预处理具体为：

采集第1通道O1，第2通道Oz，第3通道O2，第四通道A1的脑电信号，以右侧乳突A2作为参考电极，前额处接地，对采集到的脑电信号进行变参考为第四通道A1、右侧乳突A2平均参考的预处理。

3.根据权利要求2所述的一种对稳态视觉诱发电位脑-机接口目标的识别方法，其特征在于，所述变参考为第四通道A1、右侧乳突A2平均参考的预处理具体为：

将第1通道O1，第2通道Oz，第3通道O2的导联信号分别减去(A1+A2)/2，低通滤波至40Hz。

4.根据权利要求1所述的一种对稳态视觉诱发电位脑-机接口目标的识别方法，其特征在于，所述将得到的脑电波形片段作为特征，对线性判别分析分类器进行训练，用训练好的分类器计算决策值，对不同截取周期得到的决策值分别叠加平均具体为：

将所有得到的脑电片段与其对应的标签输入LDA分类器，训练分类器，得到最佳投影向量，再利用分类面方程得到分类面偏移；

取在线测试脑电信号，进行截取得到四种片段；

将每种片段分别输入LDA分类器，每个片段得到一个决策值，对决策值叠加平均，得到四个最终决策值。