一种稳态视觉诱发电位信号的频率识别方法

技术领域

本发明涉及一种稳态视觉诱发电位信号的频率识别方法，属于脑机接口技术领域。

背景技术

脑机接口技术(Brain Computer Interface，BCI)形成于20世纪70年代，是一门涉及神经学科、信号检测、信号处理、模式识别等多学科的交叉技术，它通过非自然的方法沟通大脑和外界环境，为它们提供了双向信息传输通道。目前脑机接口技术研究的方向有很多，包括运动想象，疲劳检测，情绪识别，事件相关电位，视觉诱发电位(VEP)等方面。

稳态视觉诱发电位(SSVEP)是VEP的一种，它的原理主要是：由于大脑里分布的各种神经网络都有其固有的谐振频率，在正常状态下，这些神经网络都是互不同步的。当施加一个恒定频率的外界视觉刺激时，与刺激频率或谐波频率相一致的神经网络就会产生谐振，导致大脑的电位活动在刺激频率或谐波频率处出现明显变化，由此产生SSVEP信号。基于SSVEP的BCI系统有着信噪比高，无需训练等显著优点，在BCI系统中被广泛采用.

目前在SSVEP脑机接口领域，诞生了比如意念打字，虚拟键盘系统(如公开号为108681391A的专利)，脑控轮椅(如公开号为103263324B的专利)，智能家居服务系统(如公开号为107066093A的专利)等具有重要意义的新发明。

在基于SSVEP的脑机接口研究中，如何从SSVEP信号判断被试观察目标的频率是一个核心问题。目前常用的频率识别方法有典型相关分析(CCA)、多元同步指数(MSI)以及二者的衍生方法。传统的MSI方法往往忽略采样信号的瞬时局部结构，并且脑电信号的谐波利用率不足，导致了识别准确率不高等问题。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种稳态视觉诱发电位信号的频率识别方法，能够提高稳态视觉诱发电位信号对应的视觉刺激的频率识别的准确率。

为达到上述目的，本发明是采用下述技术方案实现的：

本发明提供了一种稳态视觉诱发电位信号的频率识别方法，包括：

获取待测稳态视觉诱发电位信号；

利用预先优化的FBTMSI频率识别模型对获取到的待测稳态视觉诱发电位信号进行频率识别，得到待测稳态视觉诱发电位信号对应的视觉刺激的频率；

其中，所述预先优化的FBTMSI频率识别模型的识别过程，包括：

采用滤波器组对获取到的待测稳态视觉诱发电位信号进行分解得到N

计算各子带信号与各预先构造的参考信号之间的瞬时局部多元同步指数；

利用权重向量对计算得到的多组瞬时局部多元同步指数进行加权计算，得到反应稳态视觉诱发电位信号与各参考信号之间同步性的同步指数特征值；

基于同步指数特征值最大的原则，将与待测稳态视觉诱发信号具有最大同步性的参考信号的频率判定为其对应的视觉刺激的频率。

进一步地，所述稳态视觉诱发电位信号由被试在特定频率的视觉刺激下诱发的。

进一步地，所述预先构造的参考信号通过正余弦构造，如下式所示：

式(1)中，Y

进一步地，计算各子带信号与各个预先构造的参考信号之间的瞬时局部多元同步指数，包括：

记原稳态视觉诱发电位信号的某个子带成分

定义瞬时局部协方差矩阵：

式(2)中，M为样本数表示信号的采样长度，x

优化公式(2)为：

式(3)中，L为拉普拉斯矩阵，满足L＝D-W；D为对角矩阵，对角元素是权重矩阵W行之和，满足：

式(4)中，W

式(5)中，τ为瞬时局部变化范围，函数K(v)通过下式表示：

式(6)中，v为函数K(v)的自变量，r为常数，取值为3；

标准化处理稳态视觉诱发电位信号的子带信号矩阵X

协方差矩阵C中包含着稳态视觉诱发电位信号的子带信号矩阵X

式(8)中，I

L为拉普拉斯矩阵，满足L＝D-W；D为对角矩阵，对角元素是权重矩阵W的行之和；

设λ

式(9)中，P表示归一化特征值的个数，满足P＝H+2·N

计算各子带信号与各个预先构造的参考信号之间的瞬时局部多元同步指数，通过以下公式计算：

式(10)中，S

进一步地，所述同步指数特征值，通过以下公式计算：

式(11)中，

w(i)＝i

式(12)中，w(i)表示权重向量，i表示子带序号，N

进一步地，所述待测稳态视觉诱发电位信号对应的视觉刺激的频率，通过以下公式得到：

式(13)中，f

优选地，与原稳态视觉诱发电位信号之间具有最大同步指数特征值的参考信号的频率就是频率识别模型的输出。

进一步地，FBTMSI频率识别模型的优化包括：

获取用于测试的稳态视觉诱发电位信号及其对应的视觉刺激的频率；

利用预先建立的FBTMSI频率识别模型对用于测试的稳态视觉诱发电位信号进行频率识别，得到用于测试的稳态视觉诱发电位信号对应的视觉刺激的频率；

对比受试者真实注视的视觉刺激目标的频率，计算出预先建立的FBTMSI频率识别模型判定的稳态视觉诱发电位信号频率的准确率；

以准确率最大为优化目标，采用搜索的方式，优化FBTMSI频率识别模型中参考信号谐波数量N

优选地，所述准确率的计算方法为：

假设某被试对N

优选地，所述优化目标中的准确率为平均准确率。

进一步地，所述FBTMSI频率识别模型中参考信号谐波数量N

进一步地，所述分解得到若干子带信号包括：使用零相位切比雪夫Ⅰ型IIR滤波器，设定子带个数为N

优选地，采用如上所述的滤波器组方法，能将原稳态视觉诱发电位信号分解为若干个具有不同频带范围的信号，称为子带信号。

与现有技术相比，本发明实施例所提供的一种稳态视觉诱发电位信号的频率识别方法所达到的有益效果包括：

本发明采用滤波器组对获取到的待测稳态视觉诱发电位信号进行分解得到若干子带信号，并且在构造协方差矩阵时引入拉普拉斯矩阵L，能够增加了瞬时局部信息；

本发明计算各子带信号与多个预先构造的参考信号之间的瞬时局部多元同步指数，能够有效提高基波和谐波的利用率，从而提高稳态视觉诱发电位信号对应的视觉刺激的频率识别的准确率；

本发明基于同步指数特征值最大的原则，将与待测稳态视觉诱发电位信号具有最大同步性的参考信号的频率作为其对应的视觉刺激的频率，能够以较高的准确率识别稳态视觉诱发电位信号对应的视觉刺激的频率。

附图说明

图1是本发明实施例一提供的一种稳态视觉诱发电位信号的频率识别方法的框架图；

图2是本发明实施例二提供的一种稳态视觉诱发电位信号的频率识别方法中产生稳态视觉诱发电位信号的刺激界面和对应频率；

图3是本发明实施例二提供的一种稳态视觉诱发电位信号的频率识别方法中子带数N

图4是本发明实施例二提供的一种稳态视觉诱发电位信号的频率识别方法中得到反应稳态视觉诱发电位信号与各个参考信号之间同步性的同步指数特征值的流程图；

图5是本发明实施例二提供的一种稳态视觉诱发电位信号的频率识别方法中各个滤波器的通带区间；

图6是本发明提供的一种稳态视觉诱发电位信号的频率识别方法中与其他识别方法在最初13组数据集上的表现对比；

图7是本发明提供的一种稳态视觉诱发电位信号的频率识别方法中与其他识别方法在其他10组数据集上的表现对比。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例一：

如图1所示，本发明实施例提供了一种稳态视觉诱发电位信号的频率识别方法，包括：

步骤1：获取待测稳态视觉诱发电位信号。

步骤2：利用预先优化的FBTMSI频率识别模型对获取到的待测稳态视觉诱发电位信号进行频率识别，得到稳态视觉诱发电位信号对应的视觉刺激的频率。

步骤2.1：采用滤波器组对获取到的待测稳态视觉诱发电位信号进行分解得到若干子带信号。

步骤2.2：计算各子带信号与各个预先构造的参考信号之间的瞬时局部多元同步指数。

步骤2.3：利用权重向量对计算得到的多组瞬时局部多元同步指数进行加权计算，得到反应稳态视觉诱发电位信号与各个参考信号之间同步性的同步指数特征值。

步骤2.4：基于同步指数特征值最大的原则，将与待测稳态视觉诱发电位信号具有最大同步性的参考信号的频率判定为其对应的视觉刺激的频率。

实施例二：

本实施例是将本发明实施例一提供的一种稳态视觉诱发电位信号的频率识别方法的具体实施过程。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

在清华大学脑机接口公共数据集Benchmark Dataset上实施本发明，包括优化本发明提供的模型的参数以及分析FBTMSI频率识别模型准确率。实施步骤包括：

步骤1：获取测试组稳态视觉诱发电位信号及其对应的视觉刺激的频率。

稳态视觉诱发电位信号来源于清华大学公共数据集Benchmark Dataset，其刺激界面和对应的频率如图2所示。被试通过注视LCD屏上40个按特定频率(范围为8～15.8Hz)闪烁的方块产生稳态视觉诱发电位信号(SSVEP)信号，然后从原64通道的SSVEP信号中选取其中9个通道(Pz、PO5、PO3、POz、PO4、PO6、O1、Oz、O2)记录的EEG作为实验数据，为了测试所述方法在不同采样时间长度数据上的频率识别准确率，把数据截取为1s、1.2s、1.5s、1.8s、2s、2.5s、3s七种类型分别进行实验。

步骤2：建立FBTMSI频率识别模型。

步骤2.1：采用滤波器组对获取到的待测稳态视觉诱发电位信号进行分解得到5个子带信号。

具体的，使用零相位切比雪夫Ⅰ型IIR滤波器从原始EEG信号X

步骤2.2：利用正余弦构造的参考信号，如下式所示：

式(1)中，Y

步骤2.3：记原稳态视觉诱发电位信号的某个子带成分

步骤2.4：定义瞬时局部协方差矩阵：

式(2)中，M为样本数表示信号的采样长度，x

步骤2.5：优化公式(2)为：

式(3)中，L为拉普拉斯矩阵，满足L＝D-W；D为对角矩阵，对角元素是权重矩阵W行之和，满足：

式(4)中，W

式(5)中，τ为瞬时局部变化范围，函数K(v)通过下式表示：

式(6)中，v为函数K(v)的自变量，r为常数，取值为3。

步骤2.6：标准化处理稳态视觉诱发电位信号的子带信号矩阵X

步骤2.7：协方差矩阵C中包含着稳态视觉诱发电位信号子带信号矩阵X

式(8)中，I

L为拉普拉斯矩阵，满足L＝D-W；D为对角矩阵，对角元素是权重矩阵W的行之和。

步骤2.8：设λ

式(9)中，P表示归一化特征值的个数，满足P＝H+2·N

步骤2.9：计算各子带信号与预先构造的参考信号之间的瞬时局部多元同步指数，通过以下公式计算：

式(10)中，S

由于SSVEP信号谐波成分的信噪比随着响应频率的增加而下降，因此各子带成分的权重系数定义如下：

w(i)＝i

式(11)中，a和b为常数，a决定权重的指数部分i

具体的，在进行计算各子带成分与各视觉刺激频率对应的参考信号间的瞬时局部多元同步指数时，τ的取值影响着FBTMSI频率识别模型计算的准确率，采用搜索法从2到30逐次搜索确定τ的值。最终实验表明，当τ＝9时准确率最高。

步骤2.10：计算同步指数特征值

式(12)中，

步骤2.11：计算稳态视觉诱发电位信号对应的视觉刺激的频率，通过以下公式得到：

式(13)中，f

步骤3：参数优化和性能测试。

在MATLAB R2019a软件平台上进行仿真，选取13组数据在软件平台上测试优化后的FBTMSI频率识别模型。对于谐波数N

此时，本发明使用优化后的FBTMSI频率识别模型进行识别，在7种采样时间窗下的平均准确率达到了：66.83％(1s)、78.43％(1.2s)、87.50％(1.5s)、92.63％(1.8s)、93.88％(2s)、96.57％(2.5s)、98.01％(3s)

为了分析本发明提供的方法与其他方法的优劣，对比了CCA、MSI、TMSI和本发明的准确率。结果如图6所示，由此可见，本发明提出的方法与现有的方法相比，稳态视觉诱发电位信号对应的视觉刺激的频率识别的准确率明显提高。

实施例三：

为了测试本发明提供的方法以及本发明提供的方法中预先优化的FBTMSI频率识别模型在其他数据集上的性能，任意抽取另外的10组数据集测试频率识别的平均准确率，结果如图7所示，表明本发明提供的方法在所有采样时间窗上确实比以往的一些方法准确率有所提高，具体比CCA、MSI提高13％，比TMSI提高3％，比FBMSI提高2％。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。