任务相关成分分析TRCA与任务判别模式分析TDCA的推导比较

针对SSVEP-BCI的先进识别算法，本文主要推导了任务相关成分分析TRCA与任务判别模式分析TDCA的优化目标之间的关系。

背景知识

- 基于稳态视觉诱发电位（Steady-State Visual Evoked Potential, SSVEP）的脑-机接口系统（Brain-Computer Interface, BCI）具有高信噪比、高信息传输速率、用户所需训练时间少的优势，因此受到了广泛的关注。

- 2018年，Nakanishi M等人首次将任务相关成分算法（task-related component analysis, TRCA）应用到SSVEP信号的分类识别之中，基于该算法所设计的在线系统的信息传输率可以达到325.33±38.17bits/min[1]。

- 2021年，Liu等人首次利用了判别式模型来增强SSVEP-BCI系统的识别性能，提出了任务判别成分分析（Task-Discriminant Component Analysis，TDCA），性能显著优于TRCA[2]。

- 在文献[2]中的附录中，推导了TRCA生成式模型与TDCA判别式模型的区别，在本博客中，尝试依据文献中思路对推导过程进行细化，便于研究人员理解和学习。本人能力水平有限，若有问题和错误，敬请指正~

[1]Nakanishi M, Wang Y, Chen X, et al. Enhancing detection of SSVEPs for a high-speed brain speller using Task-Related Component Analysis [J]. IEEE Transactions on Biomedical Engineering, 2018, 65(1): 104-112.

[2]Liu B, Chen X, Shi N, et al.Improving the performance of individually calibrated ssvep-bci by task- discriminant component analysis[J]. IEEE Transaction on Neural Systems Rehabilitation Engineering, 2021,29:1998-2007.

基本原理与假设

基于模型X=S+N，其中X为单试次的SSVEP观测信号，S为确定的任务信号、N为随机噪声
假设：S与N不相关，不同试次的N不相关，不同类别和不相关

任务相关成分分析（TRCA）

TRCA的构建目标是使得相同任务下、各试次脑电信号的相关性最大，其优化目标可以表示为：

                  

式中h1、h2代表不同的试次，Nt代表总试次数，X为单试次信号（维度：导联Nc*时间点Ns）
由假设可得：

             
因此，

                             

即，原优化目标可以简化为：

               
 

任务判别模式分析（TDCA）

TDCA的构建目标是最大化类间差异、最小化类内差异，其优化目标表示为：      

其中，Nf代表总类别数
由假设可以推导出：

    

即有：

                                                

推导完成！

总结

观察化简后的优化目标可以发现：

1. TRCA最大化单一频率的信噪比，TDCA最大化所有频率的信噪比

2. TDCA为多类的空间滤波器提供了一种集成方式

联系我
- email: ruixin_luo@tju.edu.cn

- github：RuixinLuo's Blog