[發(fā)明專利]基于P300-SSVEP的大指令集腦-機(jī)接口方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710794217.8
• 申請(qǐng)日: 2017-09-06
• 公開（公告）號(hào): CN107656612B
• 公開（公告）日: 2020-05-12
• 發(fā)明（設(shè)計(jì)）人: 明東;韓錦;許敏鵬;肖曉琳;張力新;何峰
• 申請(qǐng)（專利權(quán)）人: 天津大學(xué)
• 主分類號(hào): G06F3/01
• 分類號(hào): G06F3/01;G06K9/00
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 劉國威

1.一種基于P300-SSVEP的大指令集腦-機(jī)接口方法，其特征是，步驟包括：搭建實(shí)驗(yàn)平臺(tái)，平臺(tái)具體包括腦電電極和腦電放大器以及計(jì)算機(jī)，設(shè)計(jì)新范式進(jìn)行刺激，采集P300、SSVEP數(shù)據(jù)，在計(jì)算機(jī)中進(jìn)行數(shù)據(jù)處理，并輸出分類正確率，最后計(jì)算信息傳輸速率，其中數(shù)據(jù)處理階段是通過逐步線性判別分析和典型關(guān)聯(lián)分析法進(jìn)行識(shí)別分類；設(shè)計(jì)新范式進(jìn)行刺激，具體是，開始時(shí)提示靶字符2秒，然后按預(yù)先編好的隨機(jī)序列開始閃爍，一次離線實(shí)驗(yàn)包含40個(gè)靶字符，每個(gè)靶字符包含5個(gè)輪次，一個(gè)輪次包含9個(gè)試次trial，每個(gè)trial閃爍持續(xù)時(shí)間為200毫秒，刺激間隔ISI(inter-stimulus interval)為-100ms；刺激界面是一個(gè)3x4的模塊矩陣，即含有12個(gè)模塊，每個(gè)模塊里面都包含著一個(gè)3x3的字符矩陣，指令集一共是108個(gè)，覆蓋了計(jì)算機(jī)鍵盤的所有字符輸入，包含4種頻率f1，f2，f3，f4，從左至右依次為10Hz、15Hz、12Hz、14Hz，采用了正弦采樣的方式呈現(xiàn)，在編碼策略上，對(duì)于列，同一列內(nèi)頻率一樣，不同列頻率不一樣，設(shè)計(jì)原則是相鄰列之間的頻率間隔盡可能的大，對(duì)于行，一共有三種誘發(fā)時(shí)間t1，t2，t3，依次相差50ms，同行進(jìn)行同時(shí)誘發(fā)；當(dāng)?shù)谝恍虚_始閃爍后的50ms，第二行開始閃爍；在第二行開始閃爍后的50ms，第三行開始閃爍。

2.如權(quán)利要求1所述的基于P300-SSVEP的大指令集腦-機(jī)接口方法，其特征是，采用逐步線性判別分析SWLDA(Step-wise Linear Discriminant Analysis)的方法對(duì)P300信號(hào)進(jìn)行識(shí)別，采用濾波頻帶典型相關(guān)分析FBCCA(Filter bank canonical correlationanalysis)對(duì)SSVEP進(jìn)行識(shí)別；

逐步線性判別分析SWLDA是Fisher線性判別FLD(Fisher linear discriminant)的優(yōu)化和改進(jìn)，結(jié)合前向與后向逐步回歸法，從原有特征空間中選擇相對(duì)較重要的特征，F(xiàn)LD構(gòu)造Fisher鑒別準(zhǔn)則表達(dá)式：

通過離線數(shù)據(jù)來訓(xùn)練分類器，目的是找到使得上式達(dá)到最大值的矢量w，其作為最佳投影方向，對(duì)新數(shù)據(jù)進(jìn)行投影，意義就是投影后樣本具有最大的類間離散度和最小的類內(nèi)離散度，也就是式子(1)分子最大，分母最小，以此得到Jfisher(w)，選擇出其中最大的值作為靶目標(biāo)，從而實(shí)現(xiàn)識(shí)別分類的目的。

3.如權(quán)利要求2所述的基于P300-SSVEP的大指令集腦-機(jī)接口方法，其特征是，F(xiàn)BCCA算法是在典型相關(guān)分析CCA的基礎(chǔ)上進(jìn)行改進(jìn)得到的，CCA是研究多個(gè)變量(x1,x2,…,xp)與多個(gè)變量(y1,y2,…,yq)之間的相關(guān)性，利用主成分分析的思想，構(gòu)造兩個(gè)變量u＝a₁x₁+a₂x₂+...+a_px_p和v＝b₁y₁+b₂y₂+...+b_qy_q，研究兩者之間的關(guān)系，目的是找到系數(shù)矩陣[a₁,a₂,...,a_p]和[b₁,b₂,...,b_q]使得這兩組之間的相關(guān)系數(shù)ρ(u,v)即典型相關(guān)系數(shù)達(dá)到最大值，F(xiàn)BCCA是在此基礎(chǔ)上，利用濾波器不同通頻帶的設(shè)計(jì)，依次濾除刺激頻率的基頻，二倍頻，三倍頻，一直到五倍頻，最后進(jìn)行判別分析，其中，N為6，ρ_k是不同通頻帶下，

w(n)＝n^-1,n∈[1,N] (3)

通過FBCCA算法得到的相關(guān)系數(shù)矩陣，對(duì)相關(guān)系數(shù)矩陣按公式2和公式3進(jìn)行系數(shù)融合，最終得到一系列相關(guān)系數(shù)值，挑選出最大的數(shù)值，其對(duì)應(yīng)的字符即為靶目標(biāo)，從而實(shí)現(xiàn)了識(shí)別分類目的。