Exd-GCCA的SSVEP信號(hào)檢測(cè)算法研究

1、Exd-GCCA的SSVEP信號(hào)檢測(cè)算法研究砂=町吃陰1.2擴(kuò)展的廣義典型相關(guān)分析(4砂=町吃陰1.2擴(kuò)展的廣義典型相關(guān)分析(4)J=0(6)腦機(jī)接口（BCI）系統(tǒng)旨在大腦和計(jì)算機(jī)之間建立直接連接， 這可以幫助重度殘疾人表達(dá)其意圖或控制設(shè)備而無(wú)需肌肉運(yùn)動(dòng)， 從而摒棄了人類最初的肌肉系統(tǒng)和外周神經(jīng)。常見(jiàn)的腦機(jī)接口系 統(tǒng)主要有基于運(yùn)動(dòng)想象（MI）、基于P300以及基于穩(wěn)態(tài)視覺(jué)誘 發(fā)（SSVEP）。由于SSVEP信號(hào)具有較好的信噪比，并且經(jīng)過(guò)較 少的訓(xùn)練就能很好的進(jìn)行誘發(fā)，同時(shí)還能簡(jiǎn)單的從大腦表皮采集 到，因此已經(jīng)成為了BCI技術(shù)領(lǐng)域的研究的熱點(diǎn)。因此對(duì)SSVEP信 號(hào)的檢測(cè)和分類也成為了研究者們研

2、究的重點(diǎn)。典型相關(guān)性分析（CCA）算法運(yùn)用到SSVEP信號(hào)檢測(cè)中，因 為其運(yùn)用到多通道分析，所以效果會(huì)比PSD單通道腦電信號(hào)分析 有很大的提升。2018年，任務(wù)相關(guān)成分分析（TRCA）在SSVEP分 類中的分類效果明顯。該方法是通過(guò)TRCA算法求投影濾波矩陣， 然后將測(cè)試信號(hào)進(jìn)行濾波求相關(guān)系數(shù)。最近，基于廣義典型相關(guān) 性分析（generalized canonical correlation， GCCA）的潛在共源提 ?。↙atent common source extraction， LCSE）框架被提出，該方 法在分類精度和信息傳輸率上都優(yōu)于TRCA算法。我們?cè)谠摽蚣艿?基礎(chǔ)上提出了一種擴(kuò)

3、展廣義典型相關(guān)性分析（Extended canonical correlation analysis， Exd-GCCA）。Exd-GCCA在分類精度和信息 傳輸率較LCSE都有所提升。1研究方法1.1潛在共源提取框架LCSE是基于GCCA方法來(lái)實(shí)現(xiàn)的一種方法，GCCA基于MAX- VAR公式求解模型表示如下：arg min | G - WjX. | s.t GT G = I （ 1）式中G表示潛在的公共源向量，弓表示每次試驗(yàn)對(duì)應(yīng)的空間濾 波器，也是我們所要求的解，耳表示每次試驗(yàn)得到的SSVEP信號(hào)。 公式（1）最終的優(yōu)化解為：廠（?。?）其中，G的求解我們可以通過(guò)以下的方法求得：* =早*（

4、3）rj是為在求解過(guò)程中防止過(guò)擬合而加入的正則化參數(shù)，G的 最終可以表示為矩陣M的前幾個(gè)最大特征值對(duì)應(yīng)的特征向量構(gòu)成 的矩陣。本文中我們采用的是M矩陣的前三個(gè)最大特征值對(duì)應(yīng)的 三個(gè)特征向量構(gòu)成的矩陣。最終灰表示為：Exd-GCCA是基于LCSE框架進(jìn)行改進(jìn)的方法，主要是將每個(gè)刺激頻率對(duì)應(yīng)的參考模板和測(cè)試信號(hào)經(jīng)過(guò)該刺激頻率對(duì)應(yīng)的空 間濾波器進(jìn)行投影之后求得最大相關(guān)系數(shù)，然后將這些相關(guān)系數(shù) 通過(guò)公式（5）來(lái)求和作為測(cè)試信號(hào)的分類識(shí)別相關(guān)系數(shù)。Exd-GCCA 模型的框架如圖1所示。5)公式（7）中的使用sign（）是直接調(diào)用MATLAB中的sign函數(shù)。知WZ叫X）圖1 Exd-GCCA模型圖中文

5、表示訓(xùn)練階段的信號(hào)，該信號(hào)過(guò)GCCA方法之后求得一 個(gè)空間濾波矩陣，即公式（4）的匠。AVE表示對(duì)每個(gè)刺激頻率對(duì) 應(yīng)的實(shí)驗(yàn)數(shù)據(jù)通過(guò)公式（6）得到的參考模板。以）表示求兩組數(shù) 據(jù)之間的兩個(gè)數(shù)據(jù)之間的皮爾遜相關(guān)系數(shù)，直接調(diào)用了MATLAB 中的corrcoef函數(shù)。又表示的是單個(gè)刺激頻率的測(cè)試信號(hào)。最后 將模型中求得的月j代入到公式（5）中來(lái)求得我們最終用來(lái)目標(biāo) 分類的相關(guān)系數(shù)。2實(shí)驗(yàn)分析2.1實(shí)驗(yàn)數(shù)據(jù)這項(xiàng)研究是在清華大學(xué)開(kāi)源SSVEP基準(zhǔn)數(shù)據(jù)集上進(jìn)行的，其 中包含35名正常/矯正視力的受試者。數(shù)據(jù)是使用基于指導(dǎo)目標(biāo)選 擇的BCI實(shí)驗(yàn)在40個(gè)目標(biāo)上收集的。標(biāo)有8Hz到15.8Hz之間均勻間 隔的頻

6、率的目標(biāo)。每個(gè)受試者的實(shí)驗(yàn)數(shù)據(jù)由六個(gè)block組成，每個(gè)block包含了40 次實(shí)驗(yàn)每個(gè)試驗(yàn)總共持續(xù)6s，其中包括視覺(jué)提示0.5s和刺激抵消0.5s，然后再進(jìn)行下一個(gè)試驗(yàn)。2.2數(shù)據(jù)預(yù)處理采集到的數(shù)據(jù)最后被處理成mat格式的數(shù) 據(jù)集，每個(gè)受試者的數(shù)據(jù)集是一個(gè)4維的數(shù)組 （64,1000,40,6），這四維數(shù)組分別代表腦電通 道、采樣點(diǎn)、刺激頻率和試驗(yàn)次數(shù)。本文所做實(shí) 驗(yàn)的通道是選擇了Pz、PO5、PO3、Poz、PO4、 PO6、O1、Oz、O2等9個(gè)通道進(jìn)行分析，采樣頻 率為250Hz。在本文的實(shí)驗(yàn)中考慮到視覺(jué)潛伏期 和分析中使用的EEG數(shù)據(jù)長(zhǎng)度，以間隔0.14s, （0.14+/ ）s提取

7、數(shù)據(jù)。將提取到的實(shí)驗(yàn)數(shù)據(jù)用IIR 型帶通濾波器進(jìn)行7-90Hz的帶通濾波。本文研究還采用了濾波器組分析進(jìn)行預(yù)處 理，該方法可以分成兩個(gè)步驟進(jìn)行處理以提高 整體性能。在訓(xùn)練數(shù)據(jù)上應(yīng)用濾波器組的第m 個(gè)子帶后，測(cè)試數(shù)據(jù)在模板中，針對(duì)第沈個(gè)子 帶和第個(gè)刺激計(jì)算目標(biāo)檢測(cè)的相關(guān)特征。所有 子帶的相關(guān)特征的加權(quán)平方和用于目標(biāo)分類：(7)(7)*） = （河（FW/n=l公式（7）中，沈是子帶的索引，是子帶的數(shù)量。為了補(bǔ)償諧波分量隨目標(biāo)頻率的增加而降低的信噪比，將子帶權(quán)重設(shè)置為 頂= + （%心提局，最后識(shí)別的公式為:=argmaxT(心”=1二.y 其中，（）就是公式（5）中求得的相關(guān)系數(shù)經(jīng)過(guò)公式（7）的

8、 計(jì)算得出來(lái)的系數(shù)向量。2.3性能評(píng)價(jià)使用分類精度準(zhǔn)確性和ITR來(lái)比較本研究中三種方法的性能。 分類任務(wù)是通過(guò)使用留一法的交叉驗(yàn)證方法進(jìn)行評(píng)估的（五次試 驗(yàn)用于訓(xùn)練，一次試驗(yàn)用于測(cè)試，并且該過(guò)程重復(fù)六次）。通過(guò) 將凝視移動(dòng)時(shí)間設(shè)置為0.5s估算所有受試者的模擬ITR。ITR的求解 如公式（9）所示:ITR =(logITR =(log2 Nf + Plog2 F + QP)log29)V-1其中：戶是分類精度，而7是選擇的平均時(shí)間。這項(xiàng)研究使用 不同的T （目標(biāo)注視時(shí)間：0.2s至1.4s，間隔為0.2s；注視移位時(shí) 間：0.5s）計(jì)算了分類性能。當(dāng)戶為1時(shí)，公式（9）中的為。的項(xiàng) 可以去掉。

9、2.4實(shí)驗(yàn)結(jié)果與分析別計(jì)算他們的分類精度和信息傳輸率。35個(gè)受試者在7個(gè)時(shí)間段的 平均分類精度和平均信息傳輸率如圖2所示。從圖2中可以看到Exd-GCCA方法在分類精度和信息傳輸率上 都比其他兩個(gè)方法要好，尤其是我們的方法在時(shí)間窗口較短時(shí)效果 更加明顯，在時(shí)間窗口長(zhǎng)度較低時(shí)獲得更高的分類精度可以獲得更 高的信息傳輸率，我們平均信息傳輸率在0.8s的時(shí)候最高。當(dāng)提取的數(shù)據(jù)長(zhǎng)度較低的時(shí)候，我們所獲得的采樣的數(shù)據(jù)就比 較少，這就導(dǎo)致在計(jì)算測(cè)試數(shù)據(jù)和參考模板的相關(guān)性時(shí)，兩者的相關(guān) 性不強(qiáng)，這可能會(huì)使得最后的分類識(shí)別結(jié)果不準(zhǔn)確，從而使得分類精 度在時(shí)間窗口長(zhǎng)度較低時(shí)分類精度較低。而我們提出的Exd-GC

10、CA方 法是把多個(gè)相關(guān)系數(shù)特征結(jié)合起來(lái)，這就彌補(bǔ)了時(shí)間窗口較低的時(shí) 候，數(shù)據(jù)不足的問(wèn)題，這也就很好的解釋了我們的方法在時(shí)間窗口 較低時(shí)的效果會(huì)比其他兩個(gè)方法要好。而在時(shí)間窗口較長(zhǎng)時(shí)，對(duì)單 個(gè)受試者來(lái)說(shuō)，分類精度已經(jīng)接近了 100%,所以提升的不是很多。 這也就是圖2中1.4s時(shí)間窗口的平均分類精度提高不多的原因。結(jié)論：這項(xiàng)研究引入并評(píng)估了一種新穎的SSVEP信號(hào)識(shí)別 方法Exd-GCCA，以增強(qiáng)對(duì)SSVEP的檢測(cè)能力。實(shí)驗(yàn)結(jié)果表明， Exd-GCCA明顯優(yōu)于現(xiàn)有的特定于主題的算法TRCA和LCSE。Exd- GCCA 方法是將來(lái)自多個(gè)刺激頻率的最大皮爾遜相關(guān)系數(shù)進(jìn)行組 合，獲得更多目標(biāo)檢測(cè)的信息。同時(shí)也有論文證明了論文中對(duì)于 GCCA的最大化方差方法用于SSVEP信號(hào)檢測(cè)中，效果是最