论文笔记丨关于稳态视觉诱发电位的脑机接口
论文笔记丨关于稳态视觉诱发电位的脑机接口
Paper1 基于稳态视觉诱发电位的脑机制及脑-机接口研究
作者：张扬松
来源：电子科技大学
发表时间：2013.9.12
数据库：博士
知网链接：基于稳态视觉诱发电位的脑机制及脑-机接口研究
记录时间：2018.8.13
系统框图
博士论文对理论概念讲解的浅显易懂适合入门，附上一张系统框图：
通常BCI系统由信号采集模块、信号处理模块和设备控制模块等三个模块组成，如图1-1所示。信号处理模块又主要涉及信号的预处理、特征提取、模式分类等几部分。信号采集模块主要完成脑信号记录，并将信号传输到信号处理模块；信号处理模块主要完成对采集到的脑信号进行预处理、提取信号中反映被试意图的特征、将提取出来的特征进行分类转换化成控制命令；设备控制模块根据得到的控制命令实现对外部设备的控制。对脑-机接口相关研究主要涉及新颖实验范式设计、高效信号处理方法研究、实验范式相关神经机制研究以及的应用开发等几个方面。
EEG 数据采集
数据采集软件：64导BP记录系统（Brain Products Gmb H, Germany）
电极位置：10-20 导联系统，FCz为参考电极，AFz为地电极。
采样率：1000Hz
滤波：0.01-100Hz在线滤波和50Hz限波器
对每个被试，实验开始时首先记录2分钟的静息态闭眼数据。然后，分别采集7.5Hz、10Hz、12Hz、15Hz和20Hz这5种频率刺激下的5组数据，每组数据长度为1分钟。每个被试的刺激序列是随机的，每组数据采集间隔大约2-3分钟，整个实验持续大约1个小时左右。
数据预处理
为了消除信号的偏移等，数据进行1-100Hz的带通滤波，并降采样到250Hz。
SSVEP 数据处理
SSVEP数据处理主要分为两部分。在第一部分中，我们需要计算每种频率闪烁刺激下的SSVEP的幅度；在第二部分中，由于在实际的BCI中刺激频率的跨度范围不会是从7.5Hz到20Hz这么大，因此我们选择7.5Hz，10Hz，12Hz和15Hz这4种频率的数据，计算这些数据混合在一起之后的频率分类准确率。
频率分类：典型相关分析（Canonical Correlation Analysis, CCA）
Paper2 基于稳态视觉诱发电位的脑机接口系统研究
作者：刘建辉
来源：杭州电子科技大学
发表时间：2016.3.1
数据库：硕士
知网链接：基于稳态视觉诱发电位的脑机接口系统研究
记录时间：2018.8.14
系统框图
SSVEP信号的特征识别
信号的特征识别包括特征提取和特征分类，其中，特征分类是一个完整的脑机接口系统做出决策前的最后一步，主要有两类方法：值比较方法和分类器方法。SSVEP信号的特征比较简单，通常采用值比较方法，比较特征向量的最大值或最小值就可以做出分类判断，目前大多数脑机接口系统都采用值比较的方法。
| 特征提取方法 | 导联 | 优缺点 |
|---|---|---|
| 功率谱密度分析（PSDA） | 单导联即可 | 信号采取方便 |
| 典型相关分析（CCA） | 多导联 | 采用空间滤波器，提高信噪比，构造最佳特征向量 |
信号预处理
带通滤波器
| 数字滤波器 | 相位 | 适用系统 |
|---|---|---|
| 无限脉冲响应（IIR） | 非线性相位 | 适用实时在线 |
| 有限脉冲响应（FIR） | 线性相位 | 通常用于离线 |
FIR是线性相位的，能够让信号在时域和频域的波形以及相位保持同步，它的缺点是精度较低，且通常运算阶数较大，计算耗时大，导致处理速度较慢。
IIR尽管不是线性相位的，影响了脑电信号的线性相位频率特性，但它需要的阶数较小，处理速度快，在对实时性要求很高的在线系统中就显得尤为必要。
典型相关分析（CCA）
算法思想推导略；
Lin等人在2007年第一次将CCA算法运用到基于SSVEP的脑机接口实验中。图3.6表示的是CCA运用于基于SSVEP的脑机接口系统中频率识别流程图，从图中可以看到，是一个多导联的二维的EEG信号，第一维是EEG信号的导联，第二位是数据的时间长度。表示的是第个刺激频率对应的一组正余弦信号组构建的二维参考信号，它的第二维是时间长度，且与信号的时间长度相同。
下面的式子表示的是参考信号的成分构成。其中，表示的是第个刺激频率，表示的是参与构建参考信号的谐波数。是一个的矩阵。
这个频率识别过程的思想就是，输入多导联的EEG数据，与所有的刺激频率所构建的参考信号分别做CCA运算，得出对应刺激频率下的相关系数，其中最大的相关系数对应的刺激频率就被认为是检测出目标频率。