CN113110738A - 一种基于阈值判别方法的多模态脑电信号检测方法 - Google Patents

一种基于阈值判别方法的多模态脑电信号检测方法 Download PDF

Info

Publication number
CN113110738A
CN113110738A CN202110363543.XA CN202110363543A CN113110738A CN 113110738 A CN113110738 A CN 113110738A CN 202110363543 A CN202110363543 A CN 202110363543A CN 113110738 A CN113110738 A CN 113110738A
Authority
CN
China
Prior art keywords
electroencephalogram
signal
matrix
ssvep
frequency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110363543.XA
Other languages
English (en)
Inventor
董恩增
张浩然
佟吉钢
张祖锋
于航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University of Technology
Original Assignee
Tianjin University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University of Technology filed Critical Tianjin University of Technology
Priority to CN202110363543.XA priority Critical patent/CN113110738A/zh
Publication of CN113110738A publication Critical patent/CN113110738A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Dermatology (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Human Computer Interaction (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明属于属于脑‑机接口应用研究领域，更具体地，涉及一种基于阈值判别方法的多模态脑电信号检测方法。包括如下步骤，步骤S1、受试者根据提示做出运动想象或注视SSVEP刺激界面，从而产生相应脑电信号；步骤S2、脑电信号被实时采集，经过去噪和信号放大，通过计算机I/O口传给计算机脑电处理模块；步骤S3、脑电信号预处理，计算脑电信号与参考信号相关关系，得到脑电信号与参考信号的最大相关系数；步骤S4、阈值决策，是将最大相关系数与设定的阈值进行比较，最大相关系数大于等于设定阈值，进行SSVEP分类，反之进行MI分类；步骤S5、输出分类结果。

Description

一种基于阈值判别方法的多模态脑电信号检测方法
技术领域
本发明属于属于脑-机接口应用研究领域，更具体地，涉及一种基于阈值判别方法的多模态脑电信号检测方法。
背景技术
脑-机接口(Brain-Computer Interface,BCI)是通过对人的神经系统电活动和特征信号的收集，识别及转换,使人脑与计算机或其他电子设备之间建立起直接的交流和控制通道。脑-机接口技术在人与机器人的交流沟通领域具有重大创新意义和使用价值，其已广泛的应用于助残康复，并在改善残疾人生活质量中做出了巨大贡献。在非侵入式脑-机接口技术的人工智能康复工程领域，基于脑电信号(EEG) 的BCI系统由于其便捷，无创并且成本低等优点而受到了广泛的关注。在BCI系统中使用的常见范式包括稳态视觉诱发电位(Steady-state visual evoked potentials,SSVEP)，事件相关电位(event-relatedpotential，ERP)和与运动想象(Motor Imagery，MI)相关的事件相关去同步/同步(EventRelated Desynchronization，ERD/Event Related Synchronization，ERS)电位。
基于运动想象的脑-机接口(MI-BCI)，通过检测识别用户运动想象产生的脑电信号来判断用户意图，进而实现人脑与外部设备之间的直接通信与控制。用户在运动想象的过程中，大脑皮层会产生两种变化明显的节律信号，分别是8-15Hz的Mu节律信号和18-24Hz的Beta节律信号。同时，大脑皮层对侧运动感觉区的脑电节律能量会明显降低，而同侧运动感觉区的脑电节律能量增大，这种现象称为ERD/ERS。并且不同部位的躯体运动想象与该躯体对应的感觉运动皮层ERD/ERS现象有关，即ERD/ERS现象有空间分布的特性。
基于P300的脑-机接口(P300-BCI)，以ERP中P300电位作为目标信号。P300电位是与大脑决策过程相关的ERP成分，反映着大脑对外界刺激的评价与分类过程。实验中，通常利用oddball范式诱发 P300电位。从EEG上看，P300是在大脑接收目标刺激后大概250-500ms内出现的正向偏移电位。
基于稳态视觉诱发电位的脑-机接口(SSVEP-BCI)，以SSVEP为目标信号。SSVEP是一种通过向受试者呈现以一定频率快速闪烁的刺激块，在头皮上记录到的与刺激频率倍频相同的稳态脑电响应。
其中MI-BCI无需依靠外界刺激即可生成可用于分类的脑电信号并且可以生成近乎连续的输出但受可区分的任务数量有限的困扰。P300-BCI和SSVEP-BCI具有较高的信息传输率(ITR)可用分类指令多但是仅能提供离散命令并且需要外界刺激才能产生可用于分类的脑电信号，容易出现视觉疲劳等缺点。
目前整体脑-机接口技术还在处于发展阶段。其中基于单一模态的脑-机接口技术用于控制系统，以实现对外部设备的基本控制，较为普遍且相对成熟。但是单一模态的脑-机接口很难同时满足生成多维控制指令的同时快速精准的识别用户意图。为了克服使用单一模式的局限性，近年来已经建立了许多出色的工作。专利号为201410267060.X的文献将P300和SSVEP相结合，将基于对同一组按钮上的P300 和SSVEP的检测控制状态和空闲状态之间的区别用于提高异步控制的性能。李远清等人结合了脑电信号和眼电信号来控制集成的轮椅机器人。Pfurtscheller等人提出了一种混合BCI，设计了基于MI指令来激活和停用SSVEP-BCI。
目前基于阈值判别来区分多模态脑电信号的方法还没有人提出。申请号为CN201810179373.8的中国专利公开了基于SSVEP和MI的多模态脑机接口。但此发明并不是真正应用两种模态信号进行分类识别，而是将MI范式作为BCI系统的开关模块，采用SSVEP范式作为BCI多选模块，将两个模块前后串联构成异步控制BCI系统。
发明内容
针对上述现有技术存在的缺陷和不足，本发明提出了一种基于阈值判别分辨多模态脑电信号的方法，从而构建多模态脑机接口，提高脑机接口性能。脑电信号实时被采集，经过滤波后进行阈值判别，确定是MI信号或者SSVEP信号；然后针对不同模态信号进行下一步分类，判断出用户控制意图，并输出相应的控制指令。
为实现上述目的，本发明采用如下技术方案：
一种基于阈值判别方法的多模态脑电信号检测方法，包括如下步骤，
步骤S1、受试者根据提示做出运动想象或注视SSVEP刺激界面，从而产生相应脑电信号；
步骤S2、脑电信号被实时采集，经过去噪和信号放大，通过计算机I/O口传给计算机脑电处理模块；
步骤S3、脑电信号预处理，计算脑电信号与参考信号相关关系，得到脑电信号与参考信号的最大相关系数；
步骤S4、阈值决策，是将最大相关系数与设定的阈值进行比较，最大相关系数大于等于设定阈值，进行SSVEP分类，反之进行MI分类；
步骤S5、输出分类结果。
本技术方案进一步的优化，所述参考信号Yf依据SSVEP刺激频率的正、余弦信号而设定：
Figure RE-GDA0003060171120000031
f是刺激频率，Nh是谐波数。
本技术方案进一步的优化，所述步骤S3脑电信号与参考信号相关关系，
Figure RE-GDA0003060171120000032
X是脑电信号，Y是参考信号，x＝XTWX.和y＝YTWY。
本技术方案进一步的优化，所述步骤S4中最大相关系数小于阈值，则判定当前在进行运动想象，然后进行运动想象分类：
选取合适的FIR滤波器系数，将原始频带分为多个子频带：
h′(n)＝h(n)·cM(n)
Figure RE-GDA0003060171120000033
求得各个子频带的功率：
Figure RE-GDA0003060171120000034
计算每个频带下Fisher Ratio，并选出4个FR得分最高的频带：
Figure RE-GDA0003060171120000035
原始数据分别通过4个频带下的滤波器，然后求其空间滤波器特征，步骤如下：
设X1和X2分别为两分类想象运动任务下的多通道诱发响应时-空信号矩阵，
Figure RE-GDA0003060171120000036
S1和S2分别代表两种类型任务。SM代表两种类型任务下所共同拥有的源信号，
将X1和X2归一化后的协方差矩阵R1和R2分别为：
Figure RE-GDA0003060171120000037
XT表示X矩阵的转置，trace(X)表示矩阵对角线上元素的和，然后求混合空间协方差矩阵R:
Figure RE-GDA0003060171120000041
Ri分别为任务实验的平均协方差矩阵，对混合空间协方差矩阵R按式进行特征值分解：
R＝UλUT
U是矩阵λ的特征向量矩阵，λ是对应的特征值构成的对角阵，将特征值进行降序排列，白化值矩阵为：
Figure RE-GDA0003060171120000042
对R1和R2进行如下变换：
S1＝PR1PT,S2＝PR2PT
通过上面的式子可以证明矩阵S1的特征向量和矩阵S2的特征向量矩阵是相等的，即：
B1＝B2＝V
与此同时，两个特征值的对角阵λ1和λ2之和为单位矩阵，即：
λ1+λ2＝I
由于两类矩阵的特征值相加总是为1，则S1的最大特征值所对应的特征向量使S2有最小的特征值，反之亦然；把λ1中的特征值按照降序排列，则λ2中对应的特征值按升序排列，根据这点可以推断出λ1和λ2具有下面的形式：
λ1＝diag(I1σM0),λ2＝diag(0σMI2)
白化EEG到与λ1和λ2中的最大特征值对应的特征向量的变换对于分离两个信号矩阵中的方差是最佳的，投影矩阵W是所对应的空间滤波器为：
W＝BTP
并用混合核函数SVM得到分类结果。
本技术方案进一步的优化，所述步骤S4中最大相关系数大于等于阈值，则判定当前在注视SSVEP 刺激界面，然后进行SSVEP分类：
首先，滤波器组分析利用具有不同通带的多个滤波器执行子带分解，在滤波器组分析之后，分别对每个子带分量进行相关性分析，从而产生对应于所有刺激频率
Figure RE-GDA0003060171120000057
的子带分量和预定义参考信号之间的相关值，对于第k个参考信号，由相关值组成的相关矢量定义如下：
Figure RE-GDA0003060171120000051
这里ρ(x,y)表示x和y之间的相关系数，计算对应于所有子带分量
Figure RE-GDA0003060171120000052
的相关值的加权平方和作为用于目标识别的特征：
Figure RE-GDA0003060171120000053
其中n是子带的索引，根据SSVEP谐波的信噪比随响应频率的增加而降低的发现，子频带分量的权重定义如下：
w(n)＝n-a+b,n∈[1 N]
其中a和b是最大化分类性能的常数，最后，
Figure RE-GDA0003060171120000054
用所有刺激频率对应的
Figure RE-GDA0003060171120000055
来确定 SSVEP的频率，具有最大值的参考信号的频率
Figure RE-GDA0003060171120000056
被认为是SSVEP的频率。
本技术方案进一步的优化，所述步骤S2中脑电信号去噪采用滤波电路去噪。
本技术方案进一步的优化，所述步骤S2中脑电信号放大采用放大电路。
本技术方案进一步的优化，所述步骤S3中脑电信号预处理采用的是陷波滤波器除去电源工频噪音干扰。
本技术方案更进一步的优化，所述陷波滤波器的频率为50HZ。
本技术方案进一步的优化，所述步骤S3中脑电信号预处理包括进行8-40HZ频率范围内的带通滤波。
本技术方案进一步的优化，所述参考信号为SSVEP刺激频率构造的脑电信号。
本技术方案进一步的优化，所述参考信号根据SSVEP的刺激频率为25-30HZ。
本技术方案更进一步的优化，参考信号根据SSVEP的刺激频率f分别是25 26 2728 29 30HZ，谐波数Nh为2。
本技术方案进一步的优化，所述设定阈值为0.5。
区别于现有技术，上述技术方案具有如下优点和有益效果：
1、提出的阈值判别方法快速精准的判断当前信号模态，巧妙地将两种模态相结合，组成多模态脑 -机接口。
2、SSVEP与MI和P300相比，有更高的信息传输率，但只能生成间歇性指令。MI能生成近及连续的控制指令，但可用于区分的任务少。因此将两种模态相结合，不仅增加控制指令的数量(用于多维控制)而且确保了高信息传输率，提高了控制的性能。
附图说明
图1为基于阈值判别方法的多模态脑电信号检测方法的流程图；
图2为八位受试者的SSVEP数据和MI数据与SSVEP参考信号(25-30HZ)的最大相关系数平均值和最大偏差示意图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
请参阅图1所示，为基于阈值判别方法的多模态脑电信号检测方法的流程图。本发明优选一实施例一种基于阈值判别方法的多模态脑电信号检测方法，将SSVEP信号和MI信号相结合，弥补单一模态下可用分类指令少，信息传输率低，控制性能差等缺点。该方法包括如下步骤，
步骤S1、受试者根据提示做出左/右手运动想象或注视SSVEP刺激界面，从而产生相应脑电信号。
步骤S2、脑电信号被实时采集，经过硬件去噪和信号放大，通过计算机I/O口传给计算机脑电处理模块。
步骤S3、信号预处理，计算脑电信号与参考信号相关关系。
(1)一个50HZ的陷波滤波器被用来去除电源工频噪声干扰，然后进行8-40HZ频率范围内的带通滤波。
(2)经过预处理的脑电信号(X)与参考信号(Yf)进行典型相关性分析。其中参考信号Yf依据SSVEP刺激频率的正、余弦信号而设定：
Figure RE-GDA0003060171120000071
f是刺激频率，Nh是谐波数。
为衡量两个多维变量之间的潜在相关性。考虑两个多维变量X.Y及其线性组合x＝XTWX.和 y＝YTWY，找到权向量WX和WY通过解决下面的问题来最大化x和y之间的相关性：
Figure RE-GDA0003060171120000072
X是脑电信号，Y是参考信号，WX和WY是权向量。
R相对于WX和WY的最大值是最大正则相关。及R越大则证明脑电信号(X)与参考信号(Yf) 的相关性越大。
首先根据SSVEP的6个刺激频率(25-30HZ)构造6组参考信号Yf，刺激频率f分别是25 26 27 28 29 30HZ，谐波数Nh为2。
然后将自采的8名受试者MI数据和SSVEP数据分别与构造的参考信号进行相关性分析，
Figure RE-GDA0003060171120000073
X是脑电信号，Y是参考信号。得到最大相关系数R。对比数据结果，如图2所示，为八位受试者的SSVEP数据和MI数据与SSVEP参考信号(25-30HZ)的最大相关系数平均值和最大偏差示意图。根据实验结果设定阈值I，I＝0.5。
步骤S4、阈值决策，是将最大相关系数R与设定的阈值进行比较。相关系数大于等于设定阈值，进行SSVEP分类，反之进行MI分类。
进行阈值判别：
R<I，则判定当前用户在进行运动想象，然后进行运动想象分类：
选取合适的FIR滤波器系数，将原始频带分为多个子频带：
h′(n)＝h(n)·cM(n)
Figure RE-GDA0003060171120000081
求得各个子频带的功率：
Figure RE-GDA0003060171120000082
计算每个频带下Fisher Ratio，并选出4个FR得分最高的频带：
Figure RE-GDA0003060171120000083
原始数据分别通过4个频带下的滤波器，然后求其空间滤波器特征，步骤如下：
设X1和X2分别为两分类想象运动任务下的多通道诱发响应时-空信号矩阵，
Figure RE-GDA0003060171120000084
S1和S2分别代表两种类型任务。SM代表两种类型任务下所共同拥有的源信号。
将X1和X2归一化后的协方差矩阵R1和R2分别为：
Figure RE-GDA0003060171120000085
XT表示X矩阵的转置，trace(X)表示矩阵对角线上元素的和。然后求混合空间协方差矩阵R:
Figure RE-GDA0003060171120000086
Ri分别为任务实验的平均协方差矩阵。对混合空间协方差矩阵R按式进行特征值分解：
R＝UλUT
U是矩阵λ的特征向量矩阵，λ是对应的特征值构成的对角阵。将特征值进行降序排列，白化值矩阵为：
Figure RE-GDA0003060171120000087
对R1和R2进行如下变换：
S1＝PR1PT,S2＝PR2PT
通过上面的式子可以证明矩阵S1的特征向量和矩阵S2的特征向量矩阵是相等的，即：
B1＝B2＝V
与此同时，两个特征值的对角阵λ1和λ2之和为单位矩阵，即：
λ1+λ2＝I
由于两类矩阵的特征值相加总是为1，则S1的最大特征值所对应的特征向量使S2有最小的特征值，反之亦然。把λ1中的特征值按照降序排列，则λ2中对应的特征值按升序排列，根据这点可以推断出λ1和λ2具有下面的形式：
λ1＝diag(I1σM0),λ2＝diag(0σMI2)
白化EEG到与λ1和λ2中的最大特征值对应的特征向量的变换对于分离两个信号矩阵中的方差是最佳的。投影矩阵W是所对应的空间滤波器为：
W＝BTP
并用混合核函数SVM得到分类结果。
R≥I，则判定当前用户在注视SSVEP刺激界面，然后进行SSVEP分类：
首先，滤波器组分析利用具有不同通带的多个滤波器执行子带分解。在滤波器组分析之后，分别对每个子带分量进行相关性分析。从而产生对应于所有刺激频率
Figure RE-GDA0003060171120000094
的子带分量和预定义参考信号之间的相关值。对于第k个参考信号，由相关值组成的相关矢量定义如下：
Figure RE-GDA0003060171120000091
这里ρ(x,y)表示x和y之间的相关系数。计算对应于所有子带分量
Figure RE-GDA0003060171120000092
的相关值的加权平方和作为用于目标识别的特征：
Figure RE-GDA0003060171120000093
其中n是子带的索引。根据SSVEP谐波的信噪比随响应频率的增加而降低的发现，子频带分量的权重定义如下：
w(n)＝n-a+b,n∈[1N]
其中a和b是最大化分类性能的常数。最后，
Figure RE-GDA0003060171120000101
用所有刺激频率对应的
Figure RE-GDA0003060171120000102
来确定 SSVEP的频率。具有最大值的参考信号的频率
Figure RE-GDA0003060171120000103
被认为是SSVEP的频率。
步骤S5、输出分类结果。
运动想象脑电信号(MI)和稳态视觉诱发脑电信号(SSVEP)是不同类型的脑电信号。
仅仅MI或SSVEP一类脑电信号，在控制精度和信息传输率是无法同时满足的。MI信号是自发生成，在控制外设方面可以提供几乎连续的输出指令但是可用的分类任务少，信息传输率低；SSVEP信号需要外界刺激诱发，因此无法提供连续的输出指令，但是信息传输率高。
因此采用本发明提出的基于阈值判别方法，结合这两种信号，可以在控制外设方面拥有高信息传输率的同时确保了控制精度。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (10)

1.一种基于阈值判别方法的多模态脑电信号检测方法，其特征在于，包括如下步骤，
步骤S1、受试者根据提示做出运动想象或注视SSVEP刺激界面，从而产生相应脑电信号；
步骤S2、脑电信号被实时采集，经过去噪和信号放大，通过计算机I/O口传给计算机脑电处理模块；
步骤S3、脑电信号预处理，计算脑电信号与参考信号相关关系，得到脑电信号与参考信号的最大相关系数；
步骤S4、阈值决策，是将最大相关系数与设定的阈值进行比较，最大相关系数大于等于设定阈值，进行SSVEP分类，反之进行MI分类；
步骤S5、输出分类结果。
2.如权利要求1所述的基于阈值判别方法的多模态脑电信号检测方法，其特征在于，所述参考信号Yf依据SSVEP刺激频率的正、余弦信号而设定：
Figure FDA0003006496870000011
f是刺激频率，Nh是谐波数。
3.如权利要求1所述的基于阈值判别方法的多模态脑电信号检测方法，其特征在于，所述步骤S3脑电信号与参考信号相关关系，
Figure FDA0003006496870000012
X是脑电信号，Y是参考信号，WX和WY是权向量，x＝XTWX.和y＝YTWY。
4.如权利要求1所述的基于阈值判别方法的多模态脑电信号检测方法，其特征在于，所述步骤S4中最大相关系数小于阈值，则判定当前在进行运动想象，然后进行运动想象分类：
选取合适的FIR滤波器系数，将原始频带分为多个子频带：
h′(n)＝h(n)·cM(n)
Figure FDA0003006496870000013
求得各个子频带的功率：
Figure FDA0003006496870000014
计算每个频带下Fisher Ratio，并选出4个FR得分最高的频带：
Figure FDA0003006496870000021
原始数据分别通过4个频带下的滤波器，然后求其空间滤波器特征，步骤如下：
设X1和X2分别为两分类想象运动任务下的多通道诱发响应时-空信号矩阵，
Figure FDA0003006496870000022
S1和S2分别代表两种类型任务。SM代表两种类型任务下所共同拥有的源信号，
将X1和X2归一化后的协方差矩阵R1和R2分别为：
Figure FDA0003006496870000023
XT表示X矩阵的转置，trace(X)表示矩阵对角线上元素的和，然后求混合空间协方差矩阵R:
Figure FDA0003006496870000024
Ri分别为任务实验的平均协方差矩阵，对混合空间协方差矩阵R按式进行特征值分解：
R＝UλUT
U是矩阵λ的特征向量矩阵，λ是对应的特征值构成的对角阵，将特征值进行降序排列，白化值矩阵为：
Figure FDA0003006496870000025
对R1和R2进行如下变换：
S1＝PR1PT,S2＝PR2PT
通过上面的式子可以证明矩阵S1的特征向量和矩阵S2的特征向量矩阵是相等的，即：
B1＝B2＝V
与此同时，两个特征值的对角阵λ1和λ2之和为单位矩阵，即：
λ1+λ2＝I
由于两类矩阵的特征值相加总是为1，则S1的最大特征值所对应的特征向量使S2有最小的特征值，反之亦然；把λ1中的特征值按照降序排列，则λ2中对应的特征值按升序排列，根据这点可以推断出λ1和λ2具有下面的形式：
λ1＝diag(I1σM0),λ2＝diag(0σMI2)
白化EEG到与λ1和λ2中的最大特征值对应的特征向量的变换对于分离两个信号矩阵中的方差是最佳的，投影矩阵W是所对应的空间滤波器为：
W＝BTP
并用混合核函数SVM得到分类结果。
5.如权利要求1所述的基于阈值判别方法的多模态脑电信号检测方法，其特征在于，所述步骤S4中最大相关系数大于等于阈值，则判定当前在注视SSVEP刺激界面，然后进行SSVEP分类：
首先，滤波器组分析利用具有不同通带的多个滤波器执行子带分解，在滤波器组分析之后，分别对每个子带分量进行相关性分析，从而产生对应于所有刺激频率
Figure RE-FDA0003060171110000031
的子带分量和预定义参考信号之间的相关值，对于第k个参考信号，由相关值组成的相关矢量定义如下：
Figure RE-FDA0003060171110000032
这里ρ(x,y)表示x和y之间的相关系数，计算对应于所有子带分量
Figure RE-FDA0003060171110000033
的相关值的加权平方和作为用于目标识别的特征：
Figure RE-FDA0003060171110000034
其中n是子带的索引，根据SSVEP谐波的信噪比随响应频率的增加而降低的发现，子频带分量的权重定义如下：
w(n)＝n-a+b,n∈[1N]
其中a和b是最大化分类性能的常数，最后，
Figure RE-FDA0003060171110000041
用所有刺激频率对应的
Figure RE-FDA0003060171110000042
来确定SSVEP的频率，具有最大值的参考信号的频率
Figure RE-FDA0003060171110000043
被认为是SSVEP的频率。
6.如权利要求1所述的基于阈值判别方法的多模态脑电信号检测方法，其特征在于，所述步骤S2中脑电信号去噪采用滤波电路去噪。
7.如权利要求1所述的基于阈值判别方法的多模态脑电信号检测方法，其特征在于，所述步骤S2中脑电信号放大采用放大电路。
8.如权利要求1所述的基于阈值判别方法的多模态脑电信号检测方法，其特征在于，所述步骤S3中脑电信号预处理采用的是陷波滤波器除去电源工频噪音干扰。
9.如权利要求8所述的基于阈值判别方法的多模态脑电信号检测方法，其特征在于，所述陷波滤波器的频率为50HZ。
10.如权利要求1所述的基于阈值判别方法的多模态脑电信号检测方法，其特征在于，所述步骤S3中脑电信号预处理包括进行8-40HZ频率范围内的带通滤波。
CN202110363543.XA 2021-04-02 2021-04-02 一种基于阈值判别方法的多模态脑电信号检测方法 Pending CN113110738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110363543.XA CN113110738A (zh) 2021-04-02 2021-04-02 一种基于阈值判别方法的多模态脑电信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110363543.XA CN113110738A (zh) 2021-04-02 2021-04-02 一种基于阈值判别方法的多模态脑电信号检测方法

Publications (1)

Publication Number Publication Date
CN113110738A true CN113110738A (zh) 2021-07-13

Family

ID=76713882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110363543.XA Pending CN113110738A (zh) 2021-04-02 2021-04-02 一种基于阈值判别方法的多模态脑电信号检测方法

Country Status (1)

Country Link
CN (1) CN113110738A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699226A (zh) * 2013-12-18 2014-04-02 天津大学 一种基于多信息融合的三模态串行脑-机接口方法
CN107656612A (zh) * 2017-09-06 2018-02-02 天津大学 基于p300‑ssvep的大指令集脑‑机接口方法
CN108304068A (zh) * 2018-01-30 2018-07-20 山东建筑大学 一种基于脑机接口的上肢康复训练机器人控制系统及方法
CN110772249A (zh) * 2019-11-25 2020-02-11 华南脑控(广东)智能科技有限公司 注意力特征识别方法及应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699226A (zh) * 2013-12-18 2014-04-02 天津大学 一种基于多信息融合的三模态串行脑-机接口方法
CN107656612A (zh) * 2017-09-06 2018-02-02 天津大学 基于p300‑ssvep的大指令集脑‑机接口方法
CN108304068A (zh) * 2018-01-30 2018-07-20 山东建筑大学 一种基于脑机接口的上肢康复训练机器人控制系统及方法
CN110772249A (zh) * 2019-11-25 2020-02-11 华南脑控(广东)智能科技有限公司 注意力特征识别方法及应用

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KAVITHA P. THOMAS等: "A New Discriminative Common Spatial Pattern Method for Motor Imagery Brain–Computer Interfaces" *
XIAOGANG CHEN等: "Filter bank canonical correlation analysis for implementing a high-speed SSVEP-based brain–computer interface" *
刘文龙: "基于运动想象脑电信号的下肢康复外骨骼设计及研究" *
汲继跃等: "最优区域共空间模式的运动想象脑电信号分类方法" *

Similar Documents

Publication Publication Date Title
Chen et al. A novel EEMD-CCA approach to removing muscle artifacts for pervasive EEG
Zhou et al. A hybrid asynchronous brain-computer interface combining SSVEP and EOG signals
Lee et al. A brain-wave-actuated small robot car using ensemble empirical mode decomposition-based approach
Müller et al. Brain-computer interface based on visual evoked potentials to command autonomous robotic wheelchair
CN111631907B (zh) 基于脑机交互混合智能的脑卒中患者手部康复系统
Park et al. Optimal channel selection using correlation coefficient for CSP based EEG classification
Nan et al. A comparison of minimum energy combination and canonical correlation analysis for SSVEP detection
CN112084879B (zh) 一种运动想象脑电的块选择共空间模式特征提取方法
CN112488002B (zh) 基于n170的情绪识别方法及识别系统
Ge et al. A double-partial least-squares model for the detection of steady-state visual evoked potentials
CN109770900B (zh) 基于卷积神经网络的脑机接口指令下发方法、系统、装置
Guo et al. EEG classification by filter band component regularized common spatial pattern for motor imagery
CN109657646B (zh) 生理时间序列的特征表示与提取方法、装置及存储介质
Aguinaga et al. Classification model of arousal and valence mental states by EEG signals analysis and Brodmann correlations
Tanaka et al. SSVEP frequency detection methods considering background EEG
Wei et al. Maximum signal fraction analysis for enhancing signal-to-noise ratio of EEG signals in SSVEP-based BCIs
Ke et al. Classification of EEG signals by multi-scale filtering and PCA
Velásquez-Martínez et al. Motor imagery classification for BCI using common spatial patterns and feature relevance analysis
Shi et al. Towards portable SSVEP-based brain-computer interface using Emotiv EPOC and mobile phone
CN107423668B (zh) 基于小波变换和稀疏表达的脑电信号分类系统与方法
Turnip et al. Utilization of EEG-SSVEP method and ANFIS classifier for controlling electronic wheelchair
CN113110738A (zh) 一种基于阈值判别方法的多模态脑电信号检测方法
Zhang et al. A flexible speller based on time-space frequency conversion SSVEP stimulation paradigm under dry electrode
CN114358090B (zh) 一种基于psd和csp的运动想象脑电信号分类方法
CN106778475B (zh) 一种最优导联集选择方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination