面向BCI系統的穩(wěn)態(tài)視覺誘發(fā)電位信號處理方法研究.pdf

1、腦機接口（BCI）是一種不依賴于正常的外周神經和肌肉組成的輸出通路的通訊系統，形成于20世紀70年代。基于BCI原理設計的裝置有望幫助神經肌肉系統癱瘓的病人實現與外界的交流。應用于腦機接口系統眾多類型的腦電信號中，穩(wěn)態(tài)視覺誘發(fā)電位（SSVEP）具有信噪比高，操作簡單，訓練時間短等優(yōu)點。并且，它屬于一種非植入式腦電信號，不會對受試者造成創(chuàng)傷。因此，基于SSVEP信號的腦機接口系統得到了十分廣泛的應用。
　　如何從復雜的腦電信號中提取

2、SSVEP相關信號是實現BCI控制的基礎和關鍵。本文依托新西蘭奧克蘭大學研究基金和新西蘭奧克蘭醫(yī)學研究基金等實際應用項目開展面向腦機接口系統的穩(wěn)態(tài)視覺誘發(fā)電位信號處理及其實際應用研究。論文從提高 SSVEP信號的識別精度、識別速度和提高基于SSVEP信號的BCI系統的實用性等角度出發(fā)，對SSVEP信號特征提取、特征分類、信號濾波等內容進行了理論分析和大量的實例驗證，實驗結果證明了相關算法在實際應用中的可行性。在實驗室非屏蔽環(huán)境下，成功地

3、設計了基于SSVEP信號的BCI系統，該系統可適用于不同的測試人群。本文的主要研究工作體現在以下方面：
　?。?）針對FFT方法分辨率有限的問題，采用一種基于頻譜搬移的FFT細化技術，在提高頻率分辨率的同時，增加可識別的目標頻率總數。實際的SSVEP信號分析證明，該方法與常用的FFT補零法相比，可以提高目標頻率的識別準確率。為現實應用中，更加復雜的指令控制打下基礎。
　　此外，結合單維信號諧波恢復相關理論，提出一種基于多信號

4、分類（MUSIC）的適用于多維SSVEP信號特征提取方法。相對于另一種性能較好的適用于多維信號處理的典型相關分析（CCA）方法，MUSIC方法在實際操作上較為簡單，實驗結果證明該方法可以獲得更高的識別準確率。
　?。?）針對SSVEP信號特征分類，尤其是需要對空閑狀態(tài)進行正確識別以降低假陽性的機率，提出一種基于自適應閾值特征分類方法，來進行最終的目標判別?；赟SVEP信號具有一定的個體差異性，提出一種基于訓練數據最大識別準確率為

5、目標函數計算自適應閾值的方法。實驗數據分析表明，基于自適應閾值進行分類識別的效果優(yōu)于基于高斯分布的閾值分類識別方法。
　　此外，針對閾值法通常訓練時間較長的缺點，從實際操作的簡便性來考慮，提出一種基于二層滑動窗模型的數據處理方法來進行最終的目標判別。該方法可以避免或者少量地使用訓練數據，降低系統的時間復雜度，實驗結果證明該方法也可以達到很好的識別效果。
　?。?）為了進一步提高識別準確率，確保系統在實際非屏蔽環(huán)境中的可靠性，

6、在信號濾波方面，提出基于經驗模態(tài)分解（EMD）的濾波方法。該方法結合SSVEP信號頻率特征，可以簡便地確定 SSVEP相關固有模態(tài)函數進行信號重構，達到濾波的效果。實驗結果表明該方法可以有效地提高 SSVEP信號識別準確率，對于SSVEP信號在空閑狀態(tài)時的處理效果尤其明顯。
　　然而，EMD方法存在計算量較大的缺點。針對某些特定BCI系統實時性較高的要求，提出了基于高斯白噪聲的自適應濾波（AF）方法。針對自適應濾波器中參考信號往往

7、不確定問題，將高斯白噪聲作為自適應濾波器的輸入信號，原始的SSVEP信號作為參考信號，使得自適應濾波器產生的差值信號作為去噪后信號。實驗結果表明該方法可以有效地降低噪聲的干擾。
　　（4）針對數據采集、信號處理和設備控制等功能進行模塊化設計，降低系統的耦合度，有利于后續(xù)功能的擴展。系統各個功能模塊之間通過網絡通信。同時，模塊化的設計也為后續(xù)開展其它類型的BCI系統研究提供了基礎和便利。
　　結合設備控制中存在的“速度匹配”問