应用于SSVEP脑电信号识别的CCA算法

1、SSVEP信号

SSVEP是指当受到一个固定频率的视觉刺激的时候，人的大脑视觉皮层会产生一个连续的与刺激频率有关（刺激频率的基频或倍频处）的响应。

研究者认为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，也是杂乱无章，没有规律的，此时的脑电信号是自发脑电。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，由此产生了SSVEP 信号。

大脑皮层可粗略地看作由额叶(Frontal lobe)、顶叶(Parietal lobe)、枕叶(Occipital lobe)、颞叶(Temporal lobe)四个组成部分构成。其中额叶部分负责运动和理解、顶叶部分负责触觉与空间的空间感知、而枕叶部分负责视觉、颞叶部分负责听力与语言。因此,基于SSVEP的BCI系统就是通过检测枕叶视觉区的的EEG信号来判断大脑的思维活动的。

SSVEP信号可以可靠地应用于脑-机接口系统（BCIs）。相对于给予其他信号（例如P300、运动想象）的BCIs而言，基于SSVEP信号的BCIs通常具有更高的信息传输率，系统和实验设计更加简便，而且需要的训练次数也比较少。

2、应用于SSVEP信号的CCA算法

目前已经有不少科研小组设计出了具有高传输速率(ITR)的SSVEPBCIs，而其中用于对SSVEP信号处理分析的方法之一,即为本文所要介绍的典型相关性分析(Canonical Correlation Anaylsis,CCA)算法。

CCA主要通过计算两组信号的典型相关系数来分析SSVEP信号。其中一组信号是记录的EEG信号$X=[x_1,x_2,\dots ,x_n]$,其中采集脑电信号的通道数。另一组信号是视觉刺激频率相对应的参考信号$Y_i$

其中,$i$是刺激目标数,$f_i$表示刺激频率,$k$表示参考信号中的谐波数, $N_s$表示采样点数量。考虑到人的大脑是一个低通滤波器,高频信号基本上被过滤掉了,这里取$k=3$,由此

$X$和$Y_i$的线性组合可以表示为$x=X^T{W}_X$和$y=Y^T{W}_Y$,其中$W_X$ 和$W_Y$是权重矩阵。由此$x$对应于第$i$种刺激对应参考信号的相关系数为:

若$K$表示刺激频率数目从而最终识别的目标频率为:

实现代码: https://github.com/YuDongPan/Canonical_Classifier

参考资料与文献:

1. SSVEP——百度百科
2. CSDN博客稳态视觉诱发电位SSVEP介绍——CSDN博客
3. Z. Lin, C. Zhang, W. Wu and X. Gao, “Frequency Recognition Based on Canonical Correlation Analysis for SSVEP-Based BCIs,” in IEEE Transactions on Biomedical Engineering, vol. 53, no. 12, pp. 2610-2614, Dec. 2006, doi: 10.1109/TBME.2006.886577.