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 , … , x n ] X=[x_1,x_2,…,x_n] X=[x1,x2,…,xn],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 Y_i Yi
其中,
i
i
i是刺激目标数,
f
i
f_i
fi表示刺激频率,
k
k
k表示参考信号中的谐波数,
N
s
N_s
Ns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
k=3
k=3,由此
X
X
X和
Y
i
Y_i
Yi的线性组合可以表示为
x
=
X
T
W
X
x=X^T W_X
x=XTWX和
y
=
Y
T
W
Y
y=Y^T W_Y
y=YTWY,其中
W
X
W_X
WX 和
W
Y
W_Y
WY是权重矩阵。由此
x
x
x对应于第
i
i
i种刺激对应参考信号的相关系数为:
若
K
K
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:
- SSVEP——百度百科
- CSDN博客稳态视觉诱发电位SSVEP介绍——CSDN博客
- 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.