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，$X$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。$Y_{fk}$表示的是第$K$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$X$信号的时间长度相同。

  下面的式子表示的是参考信号$Y_{fk}$的成分构成。其中，$f_k$表示的是第$K$个刺激频率，$N$表示的是参与构建参考信号的谐波数。$Y_{fk}$是一个$2N*t$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。