Exd-GCCA的SSVEP信号检测算法研究

1、Exd-GCCA的SSVEP信号检测算法研究砂=町吃阴1.2扩展的广义典型相关分析(4砂=町吃阴1.2扩展的广义典型相关分析(4)J=0(6)脑机接口（BCI）系统旨在大脑和计算机之间建立直接连接， 这可以帮助重度残疾人表达其意图或控制设备而无需肌肉运动， 从而摒弃了人类最初的肌肉系统和外周神经。常见的脑机接口系 统主要有基于运动想象（MI）、基于P300以及基于稳态视觉诱 发（SSVEP）。由于SSVEP信号具有较好的信噪比，并且经过较 少的训练就能很好的进行诱发，同时还能简单的从大脑表皮采集 到，因此已经成为了BCI技术领域的研究的热点。因此对SSVEP信 号的检测和分类也成为了研究者们研

2、究的重点。典型相关性分析（CCA）算法运用到SSVEP信号检测中，因 为其运用到多通道分析，所以效果会比PSD单通道脑电信号分析 有很大的提升。2018年，任务相关成分分析（TRCA）在SSVEP分 类中的分类效果明显。该方法是通过TRCA算法求投影滤波矩阵， 然后将测试信号进行滤波求相关系数。最近，基于广义典型相关 性分析（generalized canonical correlation， GCCA）的潜在共源提 取（Latent common source extraction， LCSE）框架被提出，该方 法在分类精度和信息传输率上都优于TRCA算法。我们在该框架的 基础上提出了一种扩

3、展广义典型相关性分析（Extended canonical correlation analysis， Exd-GCCA）。Exd-GCCA在分类精度和信息 传输率较LCSE都有所提升。1研究方法1.1潜在共源提取框架LCSE是基于GCCA方法来实现的一种方法，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表示潜在的公共源向量，弓表示每次试验对应的空间滤 波器，也是我们所要求的解，耳表示每次试验得到的SSVEP信号。 公式（1）最终的优化解为：厂（丁（2）其中，G的求解我们可以通过以下的方法求得：* =早*（

4、3）rj是为在求解过程中防止过拟合而加入的正则化参数，G的 最终可以表示为矩阵M的前几个最大特征值对应的特征向量构成 的矩阵。本文中我们采用的是M矩阵的前三个最大特征值对应的 三个特征向量构成的矩阵。最终灰表示为：Exd-GCCA是基于LCSE框架进行改进的方法，主要是将每个刺激频率对应的参考模板和测试信号经过该刺激频率对应的空 间滤波器进行投影之后求得最大相关系数，然后将这些相关系数 通过公式（5）来求和作为测试信号的分类识别相关系数。Exd-GCCA 模型的框架如图1所示。5)公式（7）中的使用sign（）是直接调用MATLAB中的sign函数。知WZ叫X）图1 Exd-GCCA模型图中文

5、表示训练阶段的信号，该信号过GCCA方法之后求得一 个空间滤波矩阵，即公式（4）的匠。AVE表示对每个刺激频率对 应的实验数据通过公式（6）得到的参考模板。以）表示求两组数 据之间的两个数据之间的皮尔逊相关系数，直接调用了MATLAB 中的corrcoef函数。又表示的是单个刺激频率的测试信号。最后 将模型中求得的月j代入到公式（5）中来求得我们最终用来目标 分类的相关系数。2实验分析2.1实验数据这项研究是在清华大学开源SSVEP基准数据集上进行的，其 中包含35名正常/矫正视力的受试者。数据是使用基于指导目标选 择的BCI实验在40个目标上收集的。标有8Hz到15.8Hz之间均匀间 隔的频

6、率的目标。每个受试者的实验数据由六个block组成，每个block包含了40 次实验每个试验总共持续6s，其中包括视觉提示0.5s和刺激抵消0.5s，然后再进行下一个试验。2.2数据预处理采集到的数据最后被处理成mat格式的数 据集，每个受试者的数据集是一个4维的数组 （64,1000,40,6），这四维数组分别代表脑电通 道、采样点、刺激频率和试验次数。本文所做实 验的通道是选择了Pz、PO5、PO3、Poz、PO4、 PO6、O1、Oz、O2等9个通道进行分析，采样频 率为250Hz。在本文的实验中考虑到视觉潜伏期 和分析中使用的EEG数据长度，以间隔0.14s, （0.14+/ ）s提取

7、数据。将提取到的实验数据用IIR 型带通滤波器进行7-90Hz的带通滤波。本文研究还采用了滤波器组分析进行预处 理，该方法可以分成两个步骤进行处理以提高 整体性能。在训练数据上应用滤波器组的第m 个子带后，测试数据在模板中，针对第沈个子 带和第个刺激计算目标检测的相关特征。所有 子带的相关特征的加权平方和用于目标分类：(7)(7)*） = （河（FW/n=l公式（7）中，沈是子带的索引，是子带的数量。为了补偿谐波分量随目标频率的增加而降低的信噪比，将子带权重设置为 顶= + （%心提局，最后识别的公式为:=argmaxT(心”=1二.y 其中，（）就是公式（5）中求得的相关系数经过公式（7）的

8、 计算得出来的系数向量。2.3性能评价使用分类精度准确性和ITR来比较本研究中三种方法的性能。 分类任务是通过使用留一法的交叉验证方法进行评估的（五次试 验用于训练，一次试验用于测试，并且该过程重复六次）。通过 将凝视移动时间设置为0.5s估算所有受试者的模拟ITR。ITR的求解 如公式（9）所示:ITR =(logITR =(log2 Nf + Plog2 F + QP)log29)V-1其中：户是分类精度，而7是选择的平均时间。这项研究使用 不同的T （目标注视时间：0.2s至1.4s，间隔为0.2s；注视移位时 间：0.5s）计算了分类性能。当户为1时，公式（9）中的为。的项 可以去掉。

9、2.4实验结果与分析别计算他们的分类精度和信息传输率。35个受试者在7个时间段的 平均分类精度和平均信息传输率如图2所示。从图2中可以看到Exd-GCCA方法在分类精度和信息传输率上 都比其他两个方法要好，尤其是我们的方法在时间窗口较短时效果 更加明显，在时间窗口长度较低时获得更高的分类精度可以获得更 高的信息传输率，我们平均信息传输率在0.8s的时候最高。当提取的数据长度较低的时候，我们所获得的采样的数据就比 较少，这就导致在计算测试数据和参考模板的相关性时，两者的相关 性不强，这可能会使得最后的分类识别结果不准确，从而使得分类精 度在时间窗口长度较低时分类精度较低。而我们提出的Exd-GC

10、CA方 法是把多个相关系数特征结合起来，这就弥补了时间窗口较低的时 候，数据不足的问题，这也就很好的解释了我们的方法在时间窗口 较低时的效果会比其他两个方法要好。而在时间窗口较长时，对单 个受试者来说，分类精度已经接近了 100%,所以提升的不是很多。 这也就是图2中1.4s时间窗口的平均分类精度提高不多的原因。结论：这项研究引入并评估了一种新颖的SSVEP信号识别 方法Exd-GCCA，以增强对SSVEP的检测能力。实验结果表明， Exd-GCCA明显优于现有的特定于主题的算法TRCA和LCSE。Exd- GCCA 方法是将来自多个刺激频率的最大皮尔逊相关系数进行组 合，获得更多目标检测的信息。同时也有论文证明了论文中对于 GCCA的最大化方差方法用于SSVEP信号检测中，效果是最