基于改进扩展典型相关分析的SSVEP信号识别方法_芦鹏.pdf

电 子 测 量 技 术E L E C T R ON I CME A S UR EME N TT E CHNO L OG Y第4 6卷 第1期2 0 2 3年1月 D O I:1 0.1 9 6 5 1/j.c n k i.e m t.2 2 1 0 3 5 8基于改进扩展典型相关分析的S S V E P信号识别方法*芦 鹏 戴凤智 尹 迪 温浩康 高一婷(天津科技大学电子信息与自动化学院 天津3 0 0 2 2 2)摘 要:现有的稳态视觉诱发电位(S S V E P)的信号识别方法没有充分关注信号的相位特征在识别过程中的重要作用,为此提出一种扩展典型相关分析(e C C A)的改进方法。将联合频率-相位调制编码的刺激范式中的相位参数添加到由受试者训练数据所构造的参考信号,以此来实现对e C C A的相位约束,从而提升e C C A方法对S S V E P信号的识别性能。通过在公开数据集上与现有的S S V E P信号识别方法进行对比实验,表明所提方法对S S V E P信号的平均识别率提高到8 2.7 6%,信息传输速率提高至1 1 6.1 8b i t s/m i n,且具有更好的稳定性。关键词:稳态视觉诱发电位;脑机接口;脑电信号;扩展典型相关分析中图分类号:T N 9 1 1 文献标识码:A 国家标准学科分类代码:5 1 0.4 0S S V E Ps i g n a l i d e n t i f i c a t i o nm e t h o db a s e do n i m p r o v e de x t e n d e dc a n o n i c a l c o r r e l a t i o na n a l y s i sL uP e n g D a iF e n g z h i Y i nD i W e nH a o k a n g G a oY i t i n g(C o l l e g eo fE l e c t r o n i c I n f o r m a t i o na n dA u t o m a t i o n,T i a n j i nU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,T i a n j i n3 0 0 2 2 2,C h i n a)A b s t r a c t:M a n ye x i s t i n gs i g n a lr e c o g n i t i o n m e t h o d sf o rs t e a d y-s t a t ev i s u a le v o k e dp o t e n t i a l(S S V E P)d on o tp a ys u f f i c i e n ta t t e n t i o nt ot h e i m p o r t a n c eo f t h ep h a s ef e a t u r e s.I nt h i sp a p e r,a ni m p r o v e de x t e n d e dc a n o n i c a l c o r r e l a t i o na n a l y s i s(e C C A)m e t h o d i sp r o p o s e d f o rS S V E Ps i g n a l i d e n t i f i c a t i o n.T h ep h a s ep a r a m e t e r i nt h e s t i m u l u sp a r a d i g mo fj o i n t f r e q u e n c y-p h a s em o d u l a t i o nc o d i n gi sa d d e dt ot h er e f e r e n c es i g n a lc o n s t r u c t e df r o ms u b j e c t s t r a i n i n gd a t aa saw a yt oa c h i e v ep h a s ec o n s t r a i n t so ne C C A,t h u si m p r o v i n gt h er e c o g n i t i o np e r f o r m a n c eo ft h ee C C A m e t h o df o rS S V E Ps i g n a l s.T h u s t h e e C C A-b a s e dS S V E Ps i g n a l r e c o g n i t i o np e r f o r m a n c e i s i m p r o v e d.T ov e r i f y t h e e f f e c t i v e n e s s o ft h ep r o p o s e d m e t h o d,S S V E Ps i g n a lr e c o g n i t i o ne x p e r i m e n t sa r ec o n d u c t e do nap u b l i c l ya v a i l a b l ed a t a s e ta n dc o m p a r e dw i t ht h e e x i s t i n gs i g n a l r e c o g n i t i o nm e t h o d s.T h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h ea v e r a g e r e c o g n i t i o nr a t eo f t h ep r o p o s e dm e t h o d i s i m p r o v e dt o8 2.7 6%,a n dt h e i n f o r m a t i o nt r a n s m i s s i o nr a t e i sr e a c h e dt o1 1 6.1 8b i t s/m i nw i t hb e t t e r s t a b i l i t y.K e y w o r d s:s t e a d y-s t a t ev i s u a le v o k e d p o t e n t i a l(S S V E P);b r a i nc o m p u t e ri n t e r f a c e(B C I);e l e c t r o e n c e p h a l o g r a m(E E G);e x t e n d e dc a n o n i c a l c o r r e l a t i o na n a l y s i s(e C C A)收稿日期:2 0 2 2-0 6-1 8*基金项目:2 0 2 1年教育部高等学校电子信息类专业教学指导委员会教改项目(2 0 2 1-J G-0 3)、2 0 2 1年天津科技大学研究生科研创新项目(Y J S K C 2 0 2 1 S 0 9)资助0 引 言 脑机接口(b r a i nc o m p u t e r i n t e r f a c e,B C I)是在脑与外部环境之间建立一种不依赖于外周神经和肌肉组织的交流与控制通道,从而实现脑与外部设备的直接交互1。主要功能 是 通 过 采 集 大 脑 特 定 活 动 下 产 生 的 脑 电 信 号(e l e c t r o e n c e p h a l o g r a m,E E G),并对该信号进行特征提取与分类,将其解码成为对控制设备的指令,进而实现大脑直接与外部设备之间的通信与控制2。因此有效提取脑电信号特征并准确分类是B C I的关键。在各种脑电信号中,稳态视觉诱发电位(s t e a d y-s t a t ev i s u a l e v o k e dp o t e n t i a l,S S V E P)是由频率较高的周期性刺激诱发的脑电稳定振荡信号3。研究发现,当受试者受到以某种频率周期性闪烁的视觉刺激时,在大脑皮层枕区可检测到与刺激频率或其谐波同频的S S V E P信号4-5。由于S S V E P信号具有稳定的频谱成分,并且具有高信噪比和信息传递率高等特点,开发基于S S V E P信号的脑电信号识别方法成为近年来的研究热点6-7。在基于S S V E P信号的脑87芦 鹏 等:基于改进扩展典型相关分析的S S V E P信号识别方法第1期电信 号 识 别 方 法 中,L i n等8首 先 将 典 型 相 关 分 析(c a n o n i c a l c o r r e l a t i o na n a l y s i s,C C A)方法应用到S S V E P信号的特征提取中。与传统的功率谱密度分析方法相比,基于C C A的方法可以显著提高S S V E P信号的识别性能。C h e n等9进一步将C C A方法与受试者训练数据的皮尔逊相关系 数 相 结 合,提 出 了 一 种 扩 展 典 型 相 关 分 析 方 法(e x t e n d e dc a n o n i c a l c o r r e l a t i o na n a l y s i s,e C C A),极大提升了S S V E P-B C I系 统 的 信 息 传 输 率(i n f o r m a t i o nt r a n s f e rr a t e,I T R)。M e h d i z a v a r e h等1 0提出了另一种e C C A方法,该方法将C C A和受试者的训练数据相结合来提高B C I系统的性能。N a k a n i s h i等1 1于2 0 1 6年将任务相关成分分析 法(t a s kr e l a t e dc o m p o n e n ta n a l y s i s,T R C A)引 入S S V E P中,通过最大化多个任务之间的复现性,从而提高信噪比、抑制自发脑电活动。这些研究虽然取得了一定的成果,但是并没有充分利用S S V E P信号的全部信息。这是因为,在视觉刺激过程中,频率和相位信息变化都会使得受试者的S S V E P信号受到相应的影响。而随着联合频率-相位调制编码刺激范式的出现,在很小的频率范围内通过增加相位信息来增加视觉刺激的数量成为视觉刺激范式设计的主要方向。但是,现有的S S V E P信号识别方法仅关注了S S V E P信号中的频率信息,未能充分利用S S V E P信号中存在的相位信息来提高识 别 方 法 的 性 能。因 此,本 文 提 出 一 种 基 于 改 进e C C A的S S V E P信号识别方法,将联合频率-相位调制编码刺激范式的设计参数添加到受试者的训练数据参考信号中,从而使得参考信号能够同时包含频率信息和相位信息,以此实现了对e C C A的相位约束,提高了S S V E P-B C I系统的识别准确率和信息传输率。1 方 法1.1 基于e C C A的信号识别方法 C C A方法是通过分析多通道S S V E P脑电信号与每个刺激频率的参考信号之间的关系,使用C C A来计算两者之间的最大相关系数,从而得到S S V E P信号对应的刺激目标和输出的控制指令。它是一种无监督方法,不使用任何预先获得的数据来训练系统。但众多研究发现,如果将受试者的训练数据纳入到S S V E P信号识别方法,可以更有效地捕获S S V E P响应的时间特征,并提高基于C C A的方法的性能1 2-1 3。通过受试者的训练数据能够获取如下3种多通道信息:1)测试数据X;2)从第k个受试者的训练数据的平均值中得到的模板信号Xk;3)正余弦参考信