[發明專利]穩態視覺誘發電位信號的識別方法、系統及裝置

有效

• 申請號: 201711376254.3
• 申請日: 2017-12-19
• 公開（公告）號: CN108153414B
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 蔣昌俊;閆春鋼;張亞英;曹磊
• 申請（專利權）人: 同濟大學
• 主分類號: G06F3/01
• 分類號: G06F3/01;A61B5/378
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 徐秋平

本發明提供穩態視覺誘發電位信號識別方法、系統及裝置，獲取腦電信號，利用滑動窗口從所述腦電信號中切分出多個子段數據；針對每個所述子段數據，計算含有的每個預設誘發頻率的典型相關因子系數，進而得到每個所述子段數據中各預設誘發頻率所對應的序列檢測系數；將每個所述序列檢測系數與預設閾值進行比對，將不小于所述預設閾值的序列檢測系數所對應的預設誘發頻率確定為產生所述穩態視覺誘發電位信號的目標頻率。本發明改進了腦電信號識別的準確性，大大提升了腦機接口系統的檢測效率。

技術領域

本發明涉及腦機接口算法識別研究領域，特別是涉及基于序列檢測的穩態視覺誘發電位信號識別方法、系統及裝置。

背景技術

在腦電信號模式分析中，穩態視覺誘發電位(Steady-State Visual EvokedPotentials，SSVEP)是一類最常見的應用模式，由于信號穩定性好、可分類別數量較多，常被作為腦機接口系統的控制范式設計運用。傳統的SSVEP信號識別方法主要基于頻譜特征，利用節律能量分析方法評判對應目標頻率的能量值大小，在固定時間窗口內檢測到尖峰值對應頻率即為選中結果。很多科學家對這一簡單的方法進行了改進，使用特征預處理等方法進行了頻率特征的優化識別，使得分類效果大大改善。此外，利用頻譜和相位雙重特征進行分類識別也取得了更優異的識別效率。

除去以上這些監督學習的方法外，無監督的機器學習算法因其更易于搭建實時無需訓練的腦機接口系統而得到了更加廣泛的關注，相關方法不僅可以用于穩態視覺誘發電位的識別，更能有效的提升信號的信噪比。其中，典型相關分析算法(CanonicalCorrelation Analysis，CCA)是其中一類無監督的模式識別算法。該方法需要進行模式訓練，可實時分類腦電信號，且效率較高，是目前最常用于SSVEP信號檢測的方法。

然而，這些方法雖然可有效應用于穩態視覺誘發電位的信號識別，卻由于均只能進行一次性判別，無法有效地規避暫時性信號干擾。

發明內容

鑒于以上所述現有技術的缺點，本發明的目的在于提供穩態視覺誘發電位信號識別方法、系統及裝置，用于解決現有技術中的上述問題。

為實現上述目的及其他相關目的，本發明提供一種穩態視覺誘發電位信號識別方法，包括：獲取腦電信號，所述腦電信號由包括多個預設誘發頻率的刺激信號誘發生成；利用滑動窗口從所述腦電信號中切分出多個子段數據；針對每個所述子段數據，計算含有的每個預設誘發頻率的典型相關因子系數；通過各所述典型相關因子系數得到每個所述子段數據中各預設誘發頻率所對應的序列檢測系數；將每個所述序列檢測系數與預設閾值進行比對，將不小于所述預設閾值的序列檢測系數所對應的預設誘發頻率確定為產生所述穩態視覺誘發電位信號的目標頻率。

于本發明一實施例中，所述腦電信號的采集是通過腦電帽實現的，并經與所述腦電帽通信連接的生物信號放大器放大。

于本發明一實施例中，所述計算典型相關因子系數是通過典型相關性分析方法實現的，包括：將對應的刺激信號按預設誘發頻率變換成各傅里葉級數及其諧波的形式；將對應的腦電信號的線性組合及變換后的刺激信號的線性組合之間相關性最大的系數作為所述典型相關因子系數。

于本發明一實施例中，所述通過各所述典型相關因子系數得到每個所述子段數據中各預設誘發頻率所對應的序列檢測系數，包括：計算各所述典型相關因子系數ρ_i的瞬時概率值Pr_i，Pr_i＝ρ_i/M，其中，n所在子段數據中包含的預設誘發頻率的個數；第m個子段數據的預設誘發頻率i所對應的序列檢測系數