CN113349802A - 基于ssvep的分类方法、系统、装置及可读存储介质 - Google Patents
基于ssvep的分类方法、系统、装置及可读存储介质 Download PDFInfo
- Publication number
- CN113349802A CN113349802A CN202110607463.4A CN202110607463A CN113349802A CN 113349802 A CN113349802 A CN 113349802A CN 202110607463 A CN202110607463 A CN 202110607463A CN 113349802 A CN113349802 A CN 113349802A
- Authority
- CN
- China
- Prior art keywords
- ssvep
- classification
- time
- signal
- probability values
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/378—Visual stimuli
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提供了一种基于SSVEP的分类方法、系统、装置及可读存储介质。分类方法包括:向被测试者提供不同的频率刺激,每一频率对应一分类;实时采集被测试者的SSVEP信号;按照预设规则计算时间节点,在采集的时间达到时间节点时,将截止到时间节点采集的SSVEP信号进行分析,获取被测试者响应不同的刺激频率的概率值;判断概率值的最大值是否达到预设的概率阈值;若是,则输出最大的频率值及其对应的分类;若否,则返回并继续采集被测试者的SSVEP信号。因此,本申请在频率刺激较强或诱发程度较高导致信噪比较高时,能在短时间内输出较高准确率的分类结果,当频率刺激较弱或诱发程度较低导致信噪比较低时,能通过收集更长时间的SSVEP信号来保证输出分类结果的准确性。
Description
技术领域
本申请涉及人工智能计算领域,特别是涉及一种基于SSVEP的分类方法、系统、装置及可读存储介质。
背景技术
当人眼注视某种频率的闪烁刺激时,会诱发同样频率的SSVEP(Steady-StateVisual Evoked Potentials,稳态视觉诱发电位),利用SSVEP可判断被试者在不同频率的刺激中注视哪一种刺激,从而实现目标选择。
目前的研究大多直接利用固定长度的滑动窗截取信号,计算窗口内信号的特征,根据信号特征进行分类,每一个类别对应一种响应频率的刺激目标。
由于SSVEP信号的信噪比受到多种因素影响,不同被试者、不同刺激图案、不同采集点、被试者不同专注程度等都可能影响SSVEP信号的强度,因此利用固定长度的滑动窗内的信号特征来进行SSVEP响应频率分类,其准确度也会受到诸多因素的影响。若要保证大多数情况下的分类准确率,则需要增加滑动窗长度,但这样会使分类速度整体下降。总之,采用固定长度的滑动窗,窗口长度会影响分类准确率和实时性,窗长度太小则分析精度和准确率下降,窗长度太大则导致延迟较大,在一些需要实时反馈的场景中体验较差。
发明内容
本申请主要解决的技术问题是提供一种基于SSVEP的分类方法、系统、装置及可读存储介质,可以根据刺激信号的特性决定输出分类结果的时间,可兼顾分类准确率和效率,在两者之间平衡。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种基于SSVEP的分类方法,所述分类方法包括:
向被测试者提供不同的刺激频率,每一刺激频率对应一分类;
实时采集被测试者的SSVEP信号,所述SSVEP信号为所述刺激频率产生;
按照预设规则计算时间节点,在采集的时间达到所述时间节点时,将截止到所述时间节点采集的所述SSVEP信号进行分析,获取所述被测试者响应不同的所述刺激频率的概率值,并筛选出所述概率值的最大值;
判断所述最大值是否达到预设的概率阈值;
若判断的结果为是,则输出所述最大的频率值及其对应的分类;
若判断的结果为否,则返回并继续执行所述实时采集被测试者的SSVEP信号的步骤及后续步骤。
其中,按照预设规则计算时间节点的步骤包括:
所述时间节点满足:N*L时,其中N是所述时间节点的次数,L为预设的时间长度;或者
所述时间节点满足:a*N*L+b,其中,a和b为常数,a<1,b为正数。
其中,所述将截止到所述时间节点采集的所述SSVEP信号进行分析的步骤包括:
对需要分析的所述SSVEP信号进行预处理;
将经过预处理的SSVEP信号输入分类模型,通过所述分类模型获取所述被测试者响应不同的所述刺激频率的概率值,并输出所述概率值的最大值。
其中,所述对需要分析的所述SSVEP信号进行预处理的步骤包括:
采用FIR高通滤波器对采集到的所述SSVEP信号进行第一滤波处理;
采用陷波器对第一滤波处理后的SSVEP信号进行第二滤波处理;
采用带通滤波器对第二滤波处理后的SSVEP信号进行第三滤波处理;
通过小波分解法对第三滤波处理后的SSVEP信号进行剔除眼电伪迹处理。
其中,所述通过所述分类模型获取所述被测试者响应不同的所述刺激频率的概率值,并输出所述概率值的最大值的步骤包括:
对于单个时间节点采集到的SSVEP信号,通过所述分类模型分析获取所述被测试者响应不同的所述刺激频率的概率值,并输出所述概率值的最大值。
其中,所述通过所述分类模型获取所述被测试者响应不同的所述刺激频率的概率值,并输出所述概率值的最大值的步骤包括:
对于单个时间节点采集到的SSVEP信号,通过所述分类模型分析获取所述被测试者响应不同的所述刺激频率的概率值,并结合前一次获取的相同频率的概率值得到同一刺激频率的当前概率值,输出各频率当前概率值中的最大值。
其中,所述分类模型基于所述刺激频率的能量值、所述刺激频率的幅度值、方差值以及复杂度分析所述被测试者响应不同的刺激频率的概率值。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种基于SSVEP的分类系统,所述分类系统包括:
输入模块,用于向被测试者提供不同的刺激频率,每一刺激频率对应一分类;
采集模块,用于实时采集被测试者的SSVEP信号,所述SSVEP信号为所述刺激频率产生;
分析模块,用于按照预设规则计算时间节点,在采集的时间达到所述时间节点时,将截止到所述时间节点采集的所述SSVEP信号进行分析,获取所述被测试者响应不同的所述刺激频率的概率值,并筛选出所述概率值的最大值;
判断模块,用于判断所述最大值是否达到预设的概率阈值;
输出模块,用于在所述判断模块判断的结果为是时,输出所述最大的频率值及其对应的分类;
控制模块,用于在所述判断模块判断的结果为否时,控制所述采集模块、所述分析模块、所述判断模块以及所述输出模块继续工作。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种SSVEP的分类系统,包括处理器以及存储器,所述处理器耦合所述存储器,所述存储器存储有计算机程序,所述处理器在工作时执行所述计算机程序以实现上述的方法。
为解决上述技术问题,本申请采用的又一个技术方案是:提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现上述的方法。
本申请的有益效果是:区别于现有技术的情况,本申请首先向被测试者提供不同的频率刺激,每一频率对应一分类,然后实时采集被测试者的SSVEP信号,SSVEP信号为刺激频率产生,进而按照预设规则计算时间节点,在采集的时间达到时间节点时,将截止到时间节点采集的SSVEP信号进行分析,获取被测试者响应不同的刺激频率的概率值,并筛选出概率值的最大值;判断最大值是否达到预设的概率阈值;若判断的结果为是,则输出最大的频率值及其对应的分类。因此,本申请通过时间的积累,采取的是时间窗口长度逐渐增加的方式截取采集到的SSVEP信号来进行分析,输出对应的分类。在频率刺激较强或诱发程度较高导致信噪比较高时,能够在短时间内输出分类结果,且保证较高的准确率;当频率刺激较弱或诱发程度较低导致信噪比较低时,能够通过收集更长时间的SSVEP信号来保证输出分类结果的准确性。可兼顾分类准确率和效率,在两者之间平衡。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,其中:
图1是本申请提供一种基于SSVEP的分类方法的流程示意图;
图2是本申请实施例中按照预设时间节点截取SSVEP信号进行分析的原理图;
图3是本申请实施例提供的另一种基于SSVEP的分类方法的流程图;
图4是本申请实施例提供的另一种基于SSVEP的分类方法的流程图;
图5是本申请实施例提供的一种基于SSVEP信号的分类系统的结构示意图;
图6是本申请实施例提供的一种基于SSVEP的分类系统的结构示意图;
图7是本申请提供的计算机可读存储介质实施例的示意框图。
具体实施方式
下面结合附图和实施例,对本申请作进一步的详细描述。特别指出的是,以下实施例仅用于说明本申请,但不对本申请的范围进行限定。同样的,以下实施例仅为本申请的部分实施例而非全部实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
请参阅图1,图1是本申请实施例提供的一种基于SSVEP的分类方法的流程图,如图1所示,本实施例的分类方法包括以下步骤:
步骤S1:向被测试者提供不同的刺激频率,每一刺激频率对应一分类。
不同刺激频率会产生不同的刺激图案。刺激图案提供给被测试者,可通过被测试者注视刺激图案来确定被测试者关注的分类目标。因此,每一频率对应一个分类。
步骤S2:实时采集被测试者的SSVEP信号,SSVEP信号为刺激频率产生。
当受到一个固定频率的视觉刺激的时候,被测试者的大脑视觉皮层会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,形成脑电波信号,该脑电波信号即为SSVEP信号。
通过实时采集被测试者的SSVEP信号,获取连续的SSVEP信号进行分析,能够分析被测试者连续的响应,从而更能真实反映被测试者关注的刺激频率。
步骤S3:按照预设规则计算时间节点,在采集的时间达到时间节点时,将截止到时间节点采集的SSVEP信号进行分析,获取被测试者响应不同的刺激频率的概率值,并筛选出概率值的最大值。
本步骤中,用于分析的SSVEP信号是从开始时间节点到计算获取到的时间节点积累的信号。获取用于分析的SSVEP信号的时间窗口是动态改变。随着时间的推移,SSVEP信号也随着积累增加。
被测试者针对不同的刺激频率具有不同的响应,该不同的响应反应到不同的目标。本步骤中,获取被测试者响应各刺激频率的概率值。进而比较各概率值的大小,输出概率值的最大值。
步骤S4:判断最大值是否达到预设的概率阈值。
若是,则说明被测试者对该刺激频率形成的刺激图案的响应比较敏感,可达到分类的标准,跳转到步骤S5;若否,说明被测试者对刺激频率形成的图案响应较弱,未达到因注视而符合的分类标准,则返回步骤S2继续采集被测试者的SSVEP信号以及后续的步骤S3和步骤S4,直到判断到概率的最大值达到预设的概率阈值。
步骤S5:输出最大的频率值及其对应的分类。
因此,本申请通过时间的积累,采取的是时间窗口长度逐渐增加的方式截取采集到的SSVEP信号来进行分析,输出对应的分类。在频率刺激较强或诱发程度较高导致信噪比较高时,能够在短时间内输出分类结果,且保证较高的准确率;当频率刺激较弱或诱发程度较低导致信噪比较低时,能够通过收集更长时间的SSVEP信号来保证输出分类结果的准确性。可兼顾分类准确率和效率,在两者之间平衡。
例如在第一次执行步骤S3获取到频率最大值达到预设概率阈值时即可输出分类结果,效率及准确率高;若步骤S3获取到频率最大值未达到预设的概率阈值,则加长采集时间窗口长度,继续采集SSVEP信号并分析,直到频率最大值达到预设的概率阈值再输出分类结果,保证输出分类结果的准确性。
步骤S1中,可以采用固定频率闪烁的图形,例如闪烁频率为9Hz的方块。用于诱发被测试者响应频率对应的刺激图案。因理解,在其他实施例中,还可以采用其他形式的刺激图案。
步骤S2中,可采用脑电信号采集设备实时采集被测试者的SSVEP信号,SSVEP信号可以是单通道信号或多通道信号。脑电信号采集设备可从被测试者的头部后方位置,例如耳朵后方位置采集。
步骤S3中,可在被测试者注视刺激图案时开始计时,作为开始时间节点,并根据预设规则计算时间节点,应理解,计算得到的时间节点未截至时间节点,用于作为截取SSVEP信号的时间节点。当采集信号的时间达到计算获取的时间节点时,触发SSVEP信号的截取指令,用于截取截至时间节点到开始时间节点之间的SSVEP信号,提供给后续进行分析。
计算时间节点的方法包括两种,一种是按照时间正比增加的方式计算。具体请参阅图2,图2是本申请实施例中按照预设时间节点截取SSVEP信号进行分析的原理图。如图2所示,计算的时间节点满足以下关系:T=N*L时,其中N为正整数,是计算时间节点的次数,L为预设的时间长度。即每次增加时间窗口长度L的SSVEP信号,新增的SSVEP信号与前一次的SSVEP信号作为新的SSVEP信号用于分析。如图2中,T0为被测试者开始注视刺激图案时刻。从T0时刻开始按照T=N*L的规则计算时间,在第一次计算中,N=1,则距离T0时刻长度L的T1时刻满足时间节点调节,因此设置T1时刻为第一次截取SSVEP信号的时间节点,截取的是T1到T0该时间段的SSVEP信号。若T1到T0该时间段的SSVEP信号对应的概率最大值未达到概率阈值,则继续采集SSVEP信号,并继续计算下一次的时间节点,令N=2,则满足关系的时间节点T=2*L,即距离T0时刻长度2L的T2时刻满足时间节点调节,因此设置T2时刻为第二次截取SSVEP信号的时间节点,截取的是T2到T0该时间段的SSVEP信号进行分析,依次类推,按照N*L的规则逐渐增加用于截取SSVEP信号的时间窗口,使得刺激频率较弱或诱发程度较低导致信噪比较低时,不轻易输出正确率较低的结果,而是通过更长的时间来保证输出结果的准确性。
应该理解的是,若刺激较强或诱发程度较高导致信噪比较高,则在较短时间内即可分析到超过预设概率阈值的最大概率值,获取对应的分类结果,例如,在第一次截取时间节点T1或第二次截取时间节点T2即可分析出符合条件的分类结果,能够在短时间内输出分类结果,且保证较高的准确率。
以上是按照时间正比增加的方式计算时间节点的方式。在其他实施例中,还可通过其他与次数N正相关的其他规则计算时间节点,例如T=a*N*L+b时,其中,a和b为常数,a<1,b为正数。
本实施例不对计算截至时间节点的方式作具体限制。
获取截止时间节点采集的SSVEP信号后,对获取的SSVEP信号进行分析,以输出对应的概率值,具体分析请参阅图3,图3是本申请实施例提供的另一种基于SSVEP的分类方法的流程图,如图3所示,本实施例的分类方法是步骤S3的具体细化步骤,包括以下子步骤:
步骤S31:对需要分析的SSVEP信号进行预处理。
请进一步参阅图4,图4是本申请实施例提供的另一种基于SSVEP的分类方法的流程图,如图4所示,对需要分析的SSVEP信号进行预处理的步骤包括以下子步骤:
步骤S311:采用FIR高通滤波器对采集到的SSVEP信号进行第一滤波处理。
步骤S311为信号去除漂移步骤,可采用截止频率为2Hz的FIR高通滤波器进行漂移去除。
步骤S312:采用陷波器对第一滤波处理后的SSVEP信号进行第二滤波处理。
步骤S312可采用特征频率为50Hz、品质因数为30的陷波器滤除工频干扰。
步骤S313:采用带通滤波器对第二滤波处理后的SSVEP信号进行第三滤波处理。
步骤S313可采用通带为5~30Hz的带通滤波器进行滤波。
步骤S314:通过小波分解法对第三滤波处理后的SSVEP信号进行剔除眼电伪迹处理。
步骤S314是对信号进行伪迹去除从而降低眨眼等干扰带来的影响。伪迹去除可利用小波变换图像处理,例如sym 5小波分解6层,根据眨眼等伪迹与SSVEP信号在各层小波系数上的差异对各层小波系数进行阈值过滤,再还原得到去除伪迹后的信号。
以上步骤S311、312以及313中的滤波器的参数均可根据SSVEP信号中的杂质信号的不同而取值不同。
经过步骤S31的预处理后得到干净的SSVEP信号,进而在步骤S3进行分析。
步骤S32:将经过预处理的SSVEP信号输入分类模型,通过分类模型获取被测试者响应不同的刺激频率的概率值,并输出概率值的最大值。
本步骤中,概率的最大值包括以下两种分析方式:
第一种:对于单个时间节点采集到的SSVEP信号,通过分类模型分析获取被测试者响应不同的刺激频率的概率值,并输出概率值的最大值。也就是,单个时间节点分析出的概率值是独立不相关的。例如,图2中,在第一次截取时间节点T1时刻,分类模型分析出被测试者响应不同的刺激频率的概率值分别为P11,P12,P13…P1M,M为频率总数,即分类总数。被测试者对每一分类的响应概率分别为P11,P12,P13…P1M,将该M个概率值进行比较得出最大的概率值Pmax1,该最大概率值Pmax1即为后续和预设的概率阈值进行比较的值。若后续比较到最大概率值Pmax1未达到预设的概率阈值,则继续第二次截取时间节点T2时刻的SSVEP信号。分析被测试者响应第二次截取的SSVEP信号的概率值分别为P21,P22,P23…P2M。将第二次获取的M个概率值进行比较得出最大的概率值Pmax2,提供给后续与预设的概率阈值进行比较,依次类推。每次时间节点获取的SSVEP信号对应的概率值是独立分析的。
第二种:对于单个时间节点采集到的SSVEP信号,通过分类模型分析获取被测试者响应不同的刺激频率的概率值,并结合前一次获取的相同频率的概率值得到同一刺激频率的当前概率值,输出各频率当前概率值中的最大值。
也就是,第二种方式中,后一个时间节点输出的概率值与前一节点输出的概率值相关。继续以图2的信号图为例子进行介绍,在第一次截取时间节点T1时刻,分类模型分析出被测试者响应不同的刺激频率的概率值分别为P11,P12,P13…P1M。被测试者对每一分类的响应概率分别为P11,P12,P13…P1M,将该M个概率值进行比较得出最大的概率值Pmax1,该最大概率值Pmax1即为后续和预设的概率阈值进行比较的值。若后续比较到最大概率值Pmax1未达到预设的概率阈值,则继续第二次截取时间节点T2时刻的SSVEP信号。分析被测试者响应第二次截取的SSVEP信号的概率值分别为P21,P22,P23…P2M。将第二次获取的M个概率值进行比较得出最大的概率值Pmax2。然后将同一刺激频率对应的第一次和第二次的概率值相加,即S11=P11+P21,S12=P12+P22,S13=P13+P23,……,S1M=P1M+P2M。进一步,比较S11、S12、S13,……,S1M的最大值Smax,提供给后续与预设的概率阈值进行比较,依次类推。每次时间节点输出的概率值是当前时间节点的概率值和前一次时间节点的概率值的和。
本步骤中,分类模型可以是决策树、SVM(Support Vector Machine,支持向量机)、神经网络等具有分类功能的机器学习模型,在使用前需要先采集训练数据对模型进行训练。
分类模型可基于刺激频率的能量值、刺激频率的幅度值、方差值以及复杂度分析被测试者响应不同的刺激频率的概率值。
例如,SSVEP信号经过FFT(fast Fourier transform,快速傅立叶变换)计算后在各个刺激频率上的能量值,信号与各个刺激频率、不同相位的正余弦信号经过CCA(Canonical Correlation Analysis,典型相关分析)分析得到的相关系数等。
也可以是人工设定阈值的经验模型,例如直接比较SSVEP信号与各个刺激频率、不同相位的正余弦信号经过CCA分析得到的相关系数,选择相关系数最大的一个对应的频率即为SSVEP信号响应频率。
综上,本申请通过时间的积累,采取的是时间窗口长度逐渐增加的方式截取采集到的SSVEP信号来进行分析,输出对应的分类。在频率刺激较强或诱发程度较高导致信噪比较高时,能够在短时间内输出分类结果,且保证较高的准确率;当频率刺激较弱或诱发程度较低导致信噪比较低时,能够通过收集更长时间的SSVEP信号来保证输出分类结果的准确性。
本申请实施例还提供一种基于SSVEP的分类系统,用于执行前文所述的分类方法。请参阅图5,图5是本申请实施例提供的一种基于SSVEP信号的分类系统的结构示意图,如图5所示,本实施例的分类系统50包括:
输入模块51,用于向被测试者提供不同的频率刺激,每一频率对应一分类。
不同频率刺激会产生不同的刺激图案。刺激图案提供给被测试者,可通过被测试者注视刺激图案来确定被测试者关注的分类目标。因此,每一频率对应一个分类。
可以采用固定频率闪烁的图形,例如闪烁频率为9Hz的方块。用于诱发被测试者响应频率对应的刺激图案。因理解,在其他实施例中,还可以采用其他形式的刺激图案。
采集模块52,用于实时采集被测试者的SSVEP信号,所述SSVEP信号为所述刺激频率产生。
分析模块53,用于按照预设规则计算时间节点,在采集的时间达到所述时间节点时,将截止到所述时间节点采集的所述SSVEP信号进行分析,获取所述被测试者响应不同的所述刺激频率的概率值,并筛选出所述概率值的最大值。
判断模块54,用于判断所述最大值是否达到预设的概率阈值。
输出模块55,用于在判断模块判断的结果为是时,输出所述最大的频率值及其对应的分类。
控制模块56,用于在判断模块54判断的结果为否时,控制采集模块52,分析模块53、判断模块54以及输出模块55继续工作。
可选的,采集模块52可实时采集被测试者的SSVEP信号,SSVEP信号可以是单通道信号或多通道信号。采集模块52可从被测试者的头部后方位置,例如耳朵后方位置采集。
可选的,分析模块53可在被测试者注视刺激图案时开始计时,作为开始时间节点,并根据预设规则计算时间节点,应理解,计算得到的时间节点未截至时间节点,用于作为截取SSVEP信号的时间节点。当采集信号的时间达到计算获取的时间节点时,触发SSVEP信号的截取指令,用于截取截至时间节点到开始时间节点之间的SSVEP信号,提供给后续进行分析。
可选的,分析模块53可按照预设规则计算时间节点:
第一种计算方式:时间节点满足:N*L时,其中N为正整数,L为预设的时间长度;
第二种计算方式:时间节点满足:a*N*L+b时,对采集的所述SSVEP信号进行分析,其中,a和b为常数,a<1,b为正数。
以上两种计算方式的具体介绍如前文所述,在此不再赘述。
可选的,还包括信号预处理模块57,用于对需要分析的所述SSVEP信号进行预处理。
可选的,将经过预处理的SSVEP信号输入分类模型,通过分类模型获取被测试者响应不同的所述刺激频率的概率值,并输出概率值的最大值。应理解,在实际硬件设备中,分析模块53,判断模块54,输出模块55以及控制模块56均可集成在分类模型中。
可选的,信号预处理模块57包括,采用FIR高通滤波器对采集到的所述SSVEP信号进行第一滤波处理;采用陷波器572对第一滤波处理后的SSVEP信号进行第二滤波处理;采用带通滤波器573对第二滤波处理后的SSVEP信号进行第三滤波处理;通过小波分解法对第三滤波处理后的SSVEP信号进行剔除眼电伪迹等处理。
可选的,对于单个时间节点采集到的SSVEP信号,通过所述分类模型分析获取所述被测试者响应不同的所述刺激频率的概率值,并输出所述概率值的最大值。
可选的,对于单个时间节点采集到的SSVEP信号,通过所述分类模型分析获取所述被测试者响应不同的所述刺激频率的概率值,并结合前一次获取的相同频率的概率值得到同一刺激频率的当前概率值,输出各频率当前概率值中的最大值。
可选的,分类模型基于所述刺激频率的能量值、所述刺激频率的幅度值、方差值以及复杂度分析所述被测试者响应不同的刺激频率的概率值。
本申请实施例还提供一种基于SSVEP的分类系统,用于执行前文所述的分类方法。请参阅图6,图6是本申请实施例提供的一种基于SSVEP的分类系统的结构示意图。如图6所示,基于SSVEP的分类系统包括处理器610及存储器620,存储器620存储有计算机程序,处理器610与存储器620耦合,处理器610在工作时执行该计算机程序以实现上述任一实施例中的基于SSVEP的分类方法。
其中,处理器610还可以称为CPU(Central Processing Unit,中央处理单元)。处理器610可能是一种集成电路芯片,具有信号的处理能力。处理器610还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器,但不仅限于此。
参阅图7,图7是本申请提供的计算机可读存储介质实施例的示意框图,本实施例中的计算机可读存储介质存储有计算机程序410,该计算机程序410能够被处理器执行以实现上述任一实施例中的基于SSVEP的分类方法。
可选的,该可读存储介质可以是U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
综上所述,本申请首先向被测试者提供不同的频率刺激,每一频率对应一分类,然后实时采集被测试者的SSVEP信号,SSVEP信号为刺激频率产生,进而按照预设规则计算时间节点,在采集的时间达到时间节点时,将截止到时间节点采集的SSVEP信号进行分析,获取被测试者响应不同的刺激频率的概率值,并筛选出概率值的最大值;判断最大值是否达到预设的概率阈值;若判断的结果为是,则输出最大的频率值及其对应的分类。因此,本申请通过时间的积累,采取的是时间窗口长度逐渐增加的方式截取采集到的SSVEP信号来进行分析,输出对应的分类。在频率刺激较强或诱发程度较高导致信噪比较高时,能够在短时间内输出分类结果,且保证较高的准确率;当频率刺激较弱或诱发程度较低导致信噪比较低时,能够通过收集更长时间的SSVEP信号来保证输出分类结果的准确性。可兼顾分类准确率和效率,在两者之间平衡。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于SSVEP的分类方法,其特征在于,所述分类方法包括:
向被测试者提供不同的刺激频率,每一刺激频率对应一分类;
实时采集被测试者的SSVEP信号,所述SSVEP信号为所述刺激频率产生;
按照预设规则计算时间节点,在采集的时间达到所述时间节点时,将截止到所述时间节点采集的所述SSVEP信号进行分析,获取所述被测试者响应不同的所述刺激频率的概率值,并筛选出所述概率值的最大值;
判断所述最大值是否达到预设的概率阈值;
若判断的结果为是,则输出所述最大的频率值及其对应的分类;
若判断的结果为否,则返回并继续执行所述实时采集被测试者的SSVEP信号的步骤及后续步骤。
2.根据权利要求1所述的分类方法,其特征在于,按照预设规则计算时间节点的步骤包括:
所述时间节点满足:N*L,其中N是所述时间节点的次数,L为预设的时间长度;或者
所述时间节点满足:a*N*L+b,其中,a和b为常数,a<1,b为正数。
3.根据权利要求1所述的分类方法,其特征在于,所述将截止到所述时间节点采集的所述SSVEP信号进行分析的步骤包括:
对需要分析的所述SSVEP信号进行预处理;
将经过预处理的SSVEP信号输入分类模型,通过所述分类模型获取所述被测试者响应不同的所述刺激频率的概率值,并输出所述概率值的最大值。
4.根据权利要求3所述的分类方法,其特征在于,所述对需要分析的所述SSVEP信号进行预处理的步骤包括:
采用FIR高通滤波器对采集到的所述SSVEP信号进行第一滤波处理;
采用陷波器对第一滤波处理后的SSVEP信号进行第二滤波处理;
采用带通滤波器对第二滤波处理后的SSVEP信号进行第三滤波处理;
通过小波分解法对第三滤波处理后的SSVEP信号进行剔除眼电伪迹处理。
5.根据权利要求3所述的分类方法,其特征在于,所述通过所述分类模型获取所述被测试者响应不同的所述刺激频率的概率值,并输出所述概率值的最大值的步骤包括:
对于单个时间节点采集到的SSVEP信号,通过所述分类模型分析获取所述被测试者响应不同的所述刺激频率的概率值,并输出所述概率值的最大值。
6.根据权利要求3所述的分类方法,其特征在于,所述通过所述分类模型获取所述被测试者响应不同的所述刺激频率的概率值,并输出所述概率值的最大值的步骤包括:
对于单个时间节点采集到的SSVEP信号,通过所述分类模型分析获取所述被测试者响应不同的所述刺激频率的概率值,并结合前一次获取的相同刺激频率的概率值得到同一刺激频率的当前概率值,输出各刺激频率当前概率值中的最大值。
7.根据权利要求3所述的分类方法,其特征在于,所述分类模型基于所述刺激频率的能量值、所述刺激频率的幅度值、方差值以及复杂度分析所述被测试者响应不同的刺激频率的概率值。
8.一种基于SSVEP的分类系统,其特征在于,所述分类系统包括:
输入模块,用于向被测试者提供不同的刺激频率,每一刺激频率对应一分类;
采集模块,用于实时采集被测试者的SSVEP信号,所述SSVEP信号为所述刺激频率产生;
分析模块,用于按照预设规则计算时间节点,在采集的时间达到所述时间节点时,将截止到所述时间节点采集的所述SSVEP信号进行分析,获取所述被测试者响应不同的所述刺激频率的概率值,并筛选出所述概率值的最大值;
判断模块,用于判断所述最大值是否达到预设的概率阈值;
输出模块,用于在所述判断模块判断的结果为是时,输出所述最大的频率值及其对应的分类;
控制模块,用于在所述判断模块判断的结果为否时,控制所述采集模块、所述分析模块、所述判断模块以及所述输出模块继续工作。
9.一种的基于SSVEP的分类系统,其特征在于,所述包括处理器以及存储器,所述处理器耦合所述存储器,所述存储器存储有计算机程序,所述处理器在工作时执行所述计算机程序以实现如权利要求1~7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行以实现如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607463.4A CN113349802A (zh) | 2021-06-01 | 2021-06-01 | 基于ssvep的分类方法、系统、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110607463.4A CN113349802A (zh) | 2021-06-01 | 2021-06-01 | 基于ssvep的分类方法、系统、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113349802A true CN113349802A (zh) | 2021-09-07 |
Family
ID=77530689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110607463.4A Pending CN113349802A (zh) | 2021-06-01 | 2021-06-01 | 基于ssvep的分类方法、系统、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113349802A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399639A (zh) * | 2013-08-14 | 2013-11-20 | 天津医科大学 | 基于ssvep和p300联合脑机接口方法及装置 |
CN104503580A (zh) * | 2014-12-25 | 2015-04-08 | 天津大学 | 一种对稳态视觉诱发电位脑-机接口目标的识别方法 |
CN104536573A (zh) * | 2014-12-30 | 2015-04-22 | 天津大学 | 一种基于高频闪烁情感刺激的脑-机接口方法 |
CN109656356A (zh) * | 2018-11-13 | 2019-04-19 | 天津大学 | 一种ssvep脑-机接口的异步控制系统 |
CN111930238A (zh) * | 2020-08-27 | 2020-11-13 | 北京理工大学 | 基于动态ssvep范式的脑机接口系统实现方法及装置 |
CN112099619A (zh) * | 2020-08-11 | 2020-12-18 | 东南大学 | 一种混合视线脑机接口的时间窗长度自适应选择方法 |
-
2021
- 2021-06-01 CN CN202110607463.4A patent/CN113349802A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399639A (zh) * | 2013-08-14 | 2013-11-20 | 天津医科大学 | 基于ssvep和p300联合脑机接口方法及装置 |
CN104503580A (zh) * | 2014-12-25 | 2015-04-08 | 天津大学 | 一种对稳态视觉诱发电位脑-机接口目标的识别方法 |
CN104536573A (zh) * | 2014-12-30 | 2015-04-22 | 天津大学 | 一种基于高频闪烁情感刺激的脑-机接口方法 |
CN109656356A (zh) * | 2018-11-13 | 2019-04-19 | 天津大学 | 一种ssvep脑-机接口的异步控制系统 |
CN112099619A (zh) * | 2020-08-11 | 2020-12-18 | 东南大学 | 一种混合视线脑机接口的时间窗长度自适应选择方法 |
CN111930238A (zh) * | 2020-08-27 | 2020-11-13 | 北京理工大学 | 基于动态ssvep范式的脑机接口系统实现方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3011895B1 (en) | Determining cognitive load of a subject from electroencephalography (EEG) signals | |
CN104706318B (zh) | 一种睡眠分析方法及装置 | |
Bono et al. | Hybrid wavelet and EMD/ICA approach for artifact suppression in pervasive EEG | |
US20070179396A1 (en) | Method and System for Detecting and Classifying Facial Muscle Movements | |
Jafarifarmand et al. | Real-time ocular artifacts removal of EEG data using a hybrid ICA-ANC approach | |
CN105997043B (zh) | 一种基于腕式可穿戴设备的脉率提取方法 | |
WO2006034024A2 (en) | Method for adaptive complex wavelet based filtering of eeg signals | |
Mucarquer et al. | Improving EEG muscle artifact removal with an EMG array | |
CN104571504B (zh) | 一种基于想象动作的在线脑‑机接口方法 | |
JP7417970B2 (ja) | データ生成装置、生体データ計測システム、識別器生成装置、データ生成方法、識別器生成方法及びプログラム | |
CN103019383A (zh) | 一种稳态视觉诱发电位脑—机接口信号识别方法 | |
CN109497997A (zh) | 基于多数据采集的癫痫发作检测设备及预警系统 | |
CN113876340A (zh) | 用于探测诱发响应信号的系统、方法和设备 | |
CN117064409B (zh) | 经颅直流电干预刺激效果实时评估方法、装置及终端 | |
KR101714708B1 (ko) | 뇌운동관련전위 기반 뇌-컴퓨터 인터페이스 장치 및 방법 | |
CN108958489A (zh) | 一种基于脑电和眼动仪的图像感兴趣区域快速检出方法 | |
Kaundanya et al. | Performance of k-NN classifier for emotion detection using EEG signals | |
US20200178902A1 (en) | A system and method for extracting a physiological information from video sequences | |
CN106096589A (zh) | 基于智能终端摄像头进行短时脉率变异性分析的方法 | |
CN113349802A (zh) | 基于ssvep的分类方法、系统、装置及可读存储介质 | |
Sutharsan et al. | Electroencephalogram signal processing with independent component analysis and cognitive stress classification using convolutional neural networks | |
CN111736690A (zh) | 基于贝叶斯网络结构辨识的运动想象脑机接口 | |
CN113397523A (zh) | 一种呼吸率检测方法、装置及医疗设备 | |
CN113520409B (zh) | Ssvep信号识别方法、装置、电子装置和存储介质 | |
CN113425312B (zh) | 脑电数据处理方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |