一种基于FBCCA和USSR的脑电特征识别方法

本发明涉及生物医学工程中神经工程及脑-机接口，具体涉及一种基于fbcca和ussr的脑电特征识别方法。

背景技术：

1、脑机接口(brain computer interface,bci)是指在人或动物大脑与外部设备之间创建的直接连接通路，实现脑与设备的信息交换，其信号来自中枢神经系统，传播中不依赖于外周的神经与肌肉系统，常用于辅助、增强以及修复人体的感觉运动功能或提升人机交互能力。

2、基于脑机接口技术的稳态视觉诱发电位(steady-state visual evokedpotential,ssvep)是大脑对于视觉刺激的一种自然响应信号。当人体受到一个固定频率的闪烁或者变换模式的视觉刺激时，大脑皮层的电位活动将被调制，从而产生一个连续的、与刺激频率有关(刺激频率的基频或倍频处)的响应，这个响应具有和视觉刺激类似的周期性节律，即为ssvep。ssvep信号表现在eeg脑电信号中则是在功率谱中能在刺激频率或谐波上出现谱峰，通过分析和检测谱峰处对应的频率，即能检测到受试者视觉注视的刺激源，从而能识别受试者的意图。

3、对ssvep特征快速精准解码是ssvep-bci系统研究中的关键步骤，ssvep解码方法主要分为无训练和有训练两大类。在无训练方法中，最常用的技术方案为同步索引变量(msi)(zhang,y.,et al.,multivariate synchronization index for frequencyrecognition of ssvep-based brain–computer interface.journal of neurosciencemethods,2014.221(complete):p.32-40)、典型相关分析(cca)(lin,z.,et al.,frequencyrecognition based on canonical correlation analysis for ssvep-based bcis.ieeetransactions on biomedical engineering,2006.53:p.2610-2614)和共滤波器组典型相关分析(fbcca)(chen,t.p.jung,and x.gao,filter bank canonical correlationanalysis for implementing ahigh-speed ssvep-based brain-computerinterface.journal of neural engineering,2015.12(4):p.046008)，相比于经典方法cca，fbcca能达到更高的识别准确率和信息传输率；然而，针对短时光闪烁ssvep信号表现出的强非线性和非平稳性，fbcca方法的效果依然受限，因此急需一种新的方法在短时高效的ssvep检测中达到更好的效果。

技术实现思路

1、为了克服上述现有技术的缺点，本发明的目的在于提供一种基于fbcca和ussr的脑电特征识别方法，利用fbcca方法对ssvep信号特征的高敏感性，以及ussr模型针对短时ssvep信号表现出的非线性和非平稳性的高匹配性，实现特征频率的高精度识别。

2、为了达到上述目的，本发明采取的技术方案是：

3、一种基于fbcca和ussr的脑电特征识别方法，先用共滤波器组对信号进行初步处理，再通过cca降维并结合ussr模型的协同作用对滤波后子频带成分作特征增强，最后依据msi识别模型提取出最大同步索引变量对应的特征频率。

4、一种基于fbcca和ussr的脑电特征识别方法，包括以下步骤：

5、1)多通道ssvep信号采集：对被试者进行多通道ssvep信号采集，多通道ssvep信号经过放大、滤波与数模转化等预处理；

6、2)共滤波器组信号处理：用切比雪夫i型共滤波器组滤除步骤1)预处理后的多通道ssvep信号的低频和高频噪声；

7、3)多通道信号降维：采用典型相关分析(cca)降维方法将步骤2)得到的子频带多通道信号转换成一维向量，得到子频带单通道信号；

8、4)模型及计算参数初始化：设置ussr模型及初始参数；

9、5)ussr模型处理：将步骤3)得到的子频带单通道信号送入步骤4)设计的ussr模型，利用噪声能量增强信号频率的能量和幅值以识别目标频率；

10、6)msi频率识别：将经过步骤5)ussr模型增强后的一维向量通过msi识别模型识别出目标频率；

11、7)频率匹配检测：将步骤6)识别的目标频率与所有刺激频率进行匹配，如果匹配成功，则目标频率被有效识别；如果匹配失败，则检测结束，进入下一次识别过程。

12、所述的步骤1)多通道ssvep信号采集中使用neuracle neusen w脑电采集系统记录ssvep信号，并根据10/20电极系统设置电极，参考电极位于大脑前额fpz，接地电极位于左耳垂a1，poz、po3、po4、po5、po6、oz、o1和o2共8个电极用于记录ssvep信号，ssvep信号以1000hz频率采样，经50hz陷波滤波器滤波，经0.1-100hz带通滤波器滤波。

13、所述的步骤2)将零相位切比雪夫i型无限脉冲响应(iir)滤波器用于提取子频带分量；[8hz 88hz]的频带分为10个子频带，每个子频带的带宽设置为8hz，每个子频带的通带两侧都增加了2hz的带宽，同时子频带的数量和参考信号谐波的数量被设置为4。

14、步骤3)中无监督的典型相关分析(cca)降维技术能最大限度地保留原始ssvep多通道脑电信号的特征。

15、步骤4)中ussr模型的二阶微分方程表示为：

16、

17、式中：0<β<1为阻尼系数，a和b是系统参数，满足a,b∈r+，s(t)是非周期激励输入，x是ussr模型的输出信号；n(t)是高斯白噪声，平均值为零，自相关函数满足<n(t1)n(t2)>＝2dδ(t1-t2)；<.>计算总平均值；d表示噪声强度，δ(t)表示单位脉冲函数，采用定步长的四阶runge-kutta方法来求解微分方程。

18、所述的步骤6)中msi识别模型识别出目标频率时，对于每个刺激频率的ssvep信号，获得n组最大同步索引指数mn，利用集成方法来计算与n个子带分量对应的最大同步索引指数的加权平方和：

19、

20、其中n是子带的索引，w(n)是相应子带分量的权重，与集成方法的最大同步索引变量相对应的特征频率是所识别的目标频率。

21、本发明的有益效果为：

22、(1)本发明结合了fbcca方法对ssvep信号特征的高敏感性，以及ussr模型针对短时ssvep信号表现出的非线性和非平稳性的高匹配性，实现了短时ssvep信号特征频率的高精度识别，从而提高了识别准确率和信息传输率。

23、(2)本发明采用了欠阻尼二阶随机共振(ussr)模型，考虑了惯性和阻尼因子对非线性系统输出的影响，所以加强了对噪声的抑制，得到的信号更加平滑。

24、(3)本发明采用了msi识别模型，其引入了同步索引变量的特征频率评估指标，相比于cca识别方法，具有更高的识别精度。