Exd-GCCA的SSVEP信號檢測算法研究

1、Exd-GCCA的SSVEP信號檢測算法研究砂=町吃陰1.2擴展的廣義典型相關(guān)分析(4砂=町吃陰1.2擴展的廣義典型相關(guān)分析(4)J=0(6)腦機接口（BCI）系統(tǒng)旨在大腦和計算機之間建立直接連接， 這可以幫助重度殘疾人表達其意圖或控制設(shè)備而無需肌肉運動， 從而摒棄了人類最初的肌肉系統(tǒng)和外周神經(jīng)。常見的腦機接口系 統(tǒng)主要有基于運動想象（MI）、基于P300以及基于穩(wěn)態(tài)視覺誘 發(fā)（SSVEP）。由于SSVEP信號具有較好的信噪比，并且經(jīng)過較 少的訓(xùn)練就能很好的進行誘發(fā)，同時還能簡單的從大腦表皮采集 到，因此已經(jīng)成為了BCI技術(shù)領(lǐng)域的研究的熱點。因此對SSVEP信 號的檢測和分類也成為了研究者們研

2、究的重點。典型相關(guān)性分析（CCA）算法運用到SSVEP信號檢測中，因 為其運用到多通道分析，所以效果會比PSD單通道腦電信號分析 有很大的提升。2018年，任務(wù)相關(guān)成分分析（TRCA）在SSVEP分 類中的分類效果明顯。該方法是通過TRCA算法求投影濾波矩陣， 然后將測試信號進行濾波求相關(guān)系數(shù)。最近，基于廣義典型相關(guān) 性分析（generalized canonical correlation， GCCA）的潛在共源提 ?。↙atent common source extraction， LCSE）框架被提出，該方 法在分類精度和信息傳輸率上都優(yōu)于TRCA算法。我們在該框架的 基礎(chǔ)上提出了一種擴

3、展廣義典型相關(guān)性分析（Extended canonical correlation analysis， Exd-GCCA）。Exd-GCCA在分類精度和信息 傳輸率較LCSE都有所提升。1研究方法1.1潛在共源提取框架LCSE是基于GCCA方法來實現(xiàn)的一種方法，GCCA基于MAX- VAR公式求解模型表示如下：arg min | G - WjX. | s.t GT G = I （ 1）式中G表示潛在的公共源向量，弓表示每次試驗對應(yīng)的空間濾 波器，也是我們所要求的解，耳表示每次試驗得到的SSVEP信號。 公式（1）最終的優(yōu)化解為：廠（丁（2）其中，G的求解我們可以通過以下的方法求得：* =早*（

4、3）rj是為在求解過程中防止過擬合而加入的正則化參數(shù)，G的 最終可以表示為矩陣M的前幾個最大特征值對應(yīng)的特征向量構(gòu)成 的矩陣。本文中我們采用的是M矩陣的前三個最大特征值對應(yīng)的 三個特征向量構(gòu)成的矩陣。最終灰表示為：Exd-GCCA是基于LCSE框架進行改進的方法，主要是將每個刺激頻率對應(yīng)的參考模板和測試信號經(jīng)過該刺激頻率對應(yīng)的空 間濾波器進行投影之后求得最大相關(guān)系數(shù)，然后將這些相關(guān)系數(shù) 通過公式（5）來求和作為測試信號的分類識別相關(guān)系數(shù)。Exd-GCCA 模型的框架如圖1所示。5)公式（7）中的使用sign（）是直接調(diào)用MATLAB中的sign函數(shù)。知WZ叫X）圖1 Exd-GCCA模型圖中文

5、表示訓(xùn)練階段的信號，該信號過GCCA方法之后求得一 個空間濾波矩陣，即公式（4）的匠。AVE表示對每個刺激頻率對 應(yīng)的實驗數(shù)據(jù)通過公式（6）得到的參考模板。以）表示求兩組數(shù) 據(jù)之間的兩個數(shù)據(jù)之間的皮爾遜相關(guān)系數(shù)，直接調(diào)用了MATLAB 中的corrcoef函數(shù)。又表示的是單個刺激頻率的測試信號。最后 將模型中求得的月j代入到公式（5）中來求得我們最終用來目標 分類的相關(guān)系數(shù)。2實驗分析2.1實驗數(shù)據(jù)這項研究是在清華大學(xué)開源SSVEP基準數(shù)據(jù)集上進行的，其 中包含35名正常/矯正視力的受試者。數(shù)據(jù)是使用基于指導(dǎo)目標選 擇的BCI實驗在40個目標上收集的。標有8Hz到15.8Hz之間均勻間 隔的頻

6、率的目標。每個受試者的實驗數(shù)據(jù)由六個block組成，每個block包含了40 次實驗每個試驗總共持續(xù)6s，其中包括視覺提示0.5s和刺激抵消0.5s，然后再進行下一個試驗。2.2數(shù)據(jù)預(yù)處理采集到的數(shù)據(jù)最后被處理成mat格式的數(shù) 據(jù)集，每個受試者的數(shù)據(jù)集是一個4維的數(shù)組 （64,1000,40,6），這四維數(shù)組分別代表腦電通 道、采樣點、刺激頻率和試驗次數(shù)。本文所做實 驗的通道是選擇了Pz、PO5、PO3、Poz、PO4、 PO6、O1、Oz、O2等9個通道進行分析，采樣頻 率為250Hz。在本文的實驗中考慮到視覺潛伏期 和分析中使用的EEG數(shù)據(jù)長度，以間隔0.14s, （0.14+/ ）s提取

7、數(shù)據(jù)。將提取到的實驗數(shù)據(jù)用IIR 型帶通濾波器進行7-90Hz的帶通濾波。本文研究還采用了濾波器組分析進行預(yù)處 理，該方法可以分成兩個步驟進行處理以提高 整體性能。在訓(xùn)練數(shù)據(jù)上應(yīng)用濾波器組的第m 個子帶后，測試數(shù)據(jù)在模板中，針對第沈個子 帶和第個刺激計算目標檢測的相關(guān)特征。所有 子帶的相關(guān)特征的加權(quán)平方和用于目標分類：(7)(7)*） = （河（FW/n=l公式（7）中，沈是子帶的索引，是子帶的數(shù)量。為了補償諧波分量隨目標頻率的增加而降低的信噪比，將子帶權(quán)重設(shè)置為 頂= + （%心提局，最后識別的公式為:=argmaxT(心”=1二.y 其中，（）就是公式（5）中求得的相關(guān)系數(shù)經(jīng)過公式（7）的

8、 計算得出來的系數(shù)向量。2.3性能評價使用分類精度準確性和ITR來比較本研究中三種方法的性能。 分類任務(wù)是通過使用留一法的交叉驗證方法進行評估的（五次試 驗用于訓(xùn)練，一次試驗用于測試，并且該過程重復(fù)六次）。通過 將凝視移動時間設(shè)置為0.5s估算所有受試者的模擬ITR。ITR的求解 如公式（9）所示:ITR =(logITR =(log2 Nf + Plog2 F + QP)log29)V-1其中：戶是分類精度，而7是選擇的平均時間。這項研究使用 不同的T （目標注視時間：0.2s至1.4s，間隔為0.2s；注視移位時 間：0.5s）計算了分類性能。當(dāng)戶為1時，公式（9）中的為。的項 可以去掉。

9、2.4實驗結(jié)果與分析別計算他們的分類精度和信息傳輸率。35個受試者在7個時間段的 平均分類精度和平均信息傳輸率如圖2所示。從圖2中可以看到Exd-GCCA方法在分類精度和信息傳輸率上 都比其他兩個方法要好，尤其是我們的方法在時間窗口較短時效果 更加明顯，在時間窗口長度較低時獲得更高的分類精度可以獲得更 高的信息傳輸率，我們平均信息傳輸率在0.8s的時候最高。當(dāng)提取的數(shù)據(jù)長度較低的時候，我們所獲得的采樣的數(shù)據(jù)就比 較少，這就導(dǎo)致在計算測試數(shù)據(jù)和參考模板的相關(guān)性時，兩者的相關(guān) 性不強，這可能會使得最后的分類識別結(jié)果不準確，從而使得分類精 度在時間窗口長度較低時分類精度較低。而我們提出的Exd-GC

10、CA方 法是把多個相關(guān)系數(shù)特征結(jié)合起來，這就彌補了時間窗口較低的時 候，數(shù)據(jù)不足的問題，這也就很好的解釋了我們的方法在時間窗口 較低時的效果會比其他兩個方法要好。而在時間窗口較長時，對單 個受試者來說，分類精度已經(jīng)接近了 100%,所以提升的不是很多。 這也就是圖2中1.4s時間窗口的平均分類精度提高不多的原因。結(jié)論：這項研究引入并評估了一種新穎的SSVEP信號識別 方法Exd-GCCA，以增強對SSVEP的檢測能力。實驗結(jié)果表明， Exd-GCCA明顯優(yōu)于現(xiàn)有的特定于主題的算法TRCA和LCSE。Exd- GCCA 方法是將來自多個刺激頻率的最大皮爾遜相關(guān)系數(shù)進行組 合，獲得更多目標檢測的信息。同時也有論文證明了論文中對于 GCCA的最大化方差方法用于SSVEP信號檢測中，效果是最