下载文档原格式
基于多视图与注意力机制的睡眠脑电分期
李兰亭;苗敏敏
【期刊名称】《国外电子测量技术》
【年(卷),期】2024(43)1
【摘要】为了更全面地对睡眠脑电进行特征提取,提出一种基于多视图与注意力机制的睡眠脑电分期方法。
首先针对原始睡眠脑电信号构造时域和时频域两类视图数据;然后设计融合注意力机制的混合神经网络对多视图数据进行表征学习;接着通过双向长短时记忆(bi-directional long short-term memory, BiLSTM)网络进一步学习睡眠阶段之间的转换规则;最后使用Softmax函数进行睡眠分期,并利用类别加权损失函数解决睡眠数据类别不均衡的问题。
实验使用Sleep-EDF数据库中前20名受试者的单通道脑电信号并采用20折交叉验证对模型进行性能评估,睡眠分期准确率达到83.7%,宏平均F_1值达到79.0%,Cohen′s Kappa系数达到0.78。
与现有方法相比,算法性能提升明显,证明了所提方法的有效性。
【总页数】8页(P30-37)
【作者】李兰亭;苗敏敏
【作者单位】湖州师范学院信息工程学院;浙江省现代农业资源智慧管理与应用研究重点实验室
【正文语种】中文
【中图分类】R318
【相关文献】
1.基于脑电节律样本熵的单导脑电睡眠分期算法研究
2.基于脑电和肌电多特征的自动睡眠分期方法
3.基于双向LSTM卷积网络与注意力机制的自动睡眠分期模型
4.基于脑电多视图混合神经网络的时空半监督睡眠分期
5.基于注意力机制与双向门控循环单元的多导睡眠图睡眠阶段分期方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
第39卷第6期齐 齐 哈 尔 大 学 学 报（自然科学版） Vol.39,No.6 2023年11月 Journal of Qiqihar University(Natural Science Edition) Nov.,2023基于TGAM的脑电波专注力训练系统设计惠鹏飞，邹立颖，袁琪，姚昌超（齐齐哈尔大学 通信与电子工程学院，黑龙江 齐齐哈尔 161006）摘要：为满足专注力训练领域的需求，克服传统正念训练方法中存在的局限，以Arduino 为核心，以TGAM 的专注度和放松度为数据采集观测值，设计脑电波专注力训练系统。
系统分专注力训练反馈和辅助正念两种模式。
在专注力训练模式中，通过舒尔特方格游戏，LCD 实时显示专注力数值，并且达到设定的专注力值之后，LED 灯点亮。
在正念模式中，通过电脑播放正念音乐，利用Arduino 模块控制三色LED 灯的状态，不同的专注状态时LED灯显示不同的颜色。
使用VS2017开发了上位机，借助上位机完成舒尔特方格专注力训练和正念辅助音乐播放功能。
测试结果表明，该系统性能稳定，使用方便，在专注力训练领域有较好应用前景。
关键词：正念训练；Arduino；TGAM；专注力训练中图分类号：TP212 文献标志码：A 文章编号：1007-984X(2023)06-0042-05在教育和医学领域，掌握学生的专注力状态具有重要意义。
近年来，正念训练方法得到广泛的应用，这是一种将理性治疗与佛教思想相结合并有效提升和控制人们专注力的新型运动训练方法。
在传统正念方法中，通常以观察脑组织结构相应区域变化的方法来监测和检验专注力，这需要专门的仪器和专业技术人员，对于市场和大众化的应用极为不便[1-2]。
同时，不同的人进行训练会存在个体差异，并且如果是用心理测量表来进行检测，很容易产生实验者效应，进而难以将专注力的数据精准的表示出来[3]。
本文基于脑电控制技术设计脑电波专注力训练系统，利用TGAM 模块采集脑电波数据，以TGAM 的专注度和放松度为数据采集观测值，然后通过LCD 显示专注力数值，LED 呼吸灯通过不同的颜色来表示目前的状态，在上位机端实时显示脑电波分析曲线，系统可有效实现对用户专注力的训练功能。
脑电毕业设计项目
脑电信号是由脑神经细胞产生的电生理信号，它反映了大脑的活动状态。
脑电信号的研究在神经科学、认知科学、心理学等领域具有重要的应用价值。
以下是一些脑电毕业设计项目的建议：
1. 基于脑电信号的情绪识别系统：利用脑电信号的特征，设计一种能够自动识别个体情绪状态的系统。
可以使用机器学习算法对脑电信号进行分类，实现情绪的识别。
2. 基于脑电信号的注意力监测系统：通过分析脑电信号，实时监测个体的注意力水平。
该系统可以应用于教育、驾驶等领域，提高学习和工作效率。
3. 基于脑电信号的疲劳检测系统：利用脑电信号的特征，设计一种能够检测个体疲劳程度的系统。
该系统可以应用于交通安全、工业生产等领域，防止疲劳驾驶和疲劳工作导致的事故。
4. 基于脑电信号的认知训练系统：通过脑电信号的反馈，设计一种认知训练系统，帮助个体提高认知能力，如注意力、记忆力等。
5. 基于脑电信号的睡眠质量评估系统：利用脑电信号的特征，设计一种能够评估个体睡眠质量的系统。
该系统可以应用于健康管理、医疗等领域，帮助人们改善睡眠质量。
以上是一些脑电毕业设计项目的建议，你可以根据自己的兴趣和专业背景选择一个项目进行研究。
在项目实施过程中，需要使用脑电设备采集脑电信号，并运用信号处理和数据分析的方法对信号进行处理和分析。
同时，还需要结合相关领域的知识，对结果进行解释和应用。
脑电信号分类算法研究随着科技的不断进步，脑机接口技术在医学和人机交互等领域得到了广泛的应用。
在脑机接口技术中，脑电信号（EEG）是一种被广泛应用的方法。
脑电信号是指记录在头皮上的神经元活动的电信号。
这些信号提供了关于大脑功能的信息，包括注意力、认知、情绪、意识等。
为了更好地利用脑电信号，科学家开发了脑电信号分类算法。
脑电信号分类算法主要用于处理挑战性问题，例如识别认知任务和区分脑电活动与噪声。
这些挑战性问题在脑机接口系统中很常见。
脑电信号的分类算法可以利用计算机来识别脑电信号的特征，并将其转化为可用的控制信号。
脑电信号分类算法包括人工智能技术和机器学习技术。
人工智能技术主要包括神经网络和专家系统。
神经网络是一种能够学习和储存知识的计算机模型，它能够模拟人脑神经元之间的联系。
专家系统是一种模拟人类专家判断和推理的人工智能系统。
这些技术能够分析和理解脑电信号的特征，从而进行分类。
机器学习技术的应用也是非常广泛的。
机器学习是一种自主学习和优化自己性能的计算机程序。
它可以从数据中学习，并自动改进预测结果。
机器学习技术主要包括监督学习、无监督学习和半监督学习。
其中，监督学习需要训练数据、标签和分类器。
无监督学习不需要轻右贯进行分类。
半监督学习则是两种技术的结合体。
脑电信号的分类算法也可以利用特征提取技术。
特征提取技术是一种借助计算机进行信号预处理的技术。
它可以从原始信号中提取有用的信息，并将其转化为易于处理的特征向量。
特征提取技术可以提高分类器的精度，并减少计算量。
脑电信号分类算法研究是一个多学科的领域，它需要多学科的知识和技术支持。
例如生物学、神经科学、电气工程和计算机科学等等。
研究的结果将在医学和人机交互等领域得到广泛的应用。
总体来说，脑电信号分类算法是一项挑战性的任务。
但是随着计算机技术的发展和人工智能技术的成熟，这些问题将迎刃而解。
脑电信号分类算法将为人类提供更多的信息和可能性。
基于深度学习的脑电信号识别与分类算法研究深度学习技术的快速发展，在脑电信号处理领域引起了广泛的关注。
脑电信号作为一种常用的非侵入式脑电生理信号，在临床医学、神经科学和人机交互等领域具有重要的应用价值。
基于深度学习的脑电信号识别与分类算法研究，旨在利用深度学习算法对脑电信号进行高效准确的分类和识别。
脑电信号是通过电极放置在头皮上来捕捉和记录脑部活动的电信号。
脑电信号的特点是采样率高、时域分辨率高，并且具有较高的灵敏度和时间分辨力。
然而，由于脑电信号的采集过程容易受到噪声的干扰，同时信号的复杂性和多样性使得脑电信号的识别和分类成为一项具有挑战性的任务。
在传统的脑电信号处理方法中，通常采用特征提取和分类器的结合来实现信号的分类。
然而，传统的特征提取方法需要提前对信号进行人工特征提取，需要专业的领域知识和经验，并且无法充分利用数据中的潜在信息。
另外，传统的分类器对数据的分布和类别边界的模拟能力有限，导致分类效果不佳。
为了解决这些问题，基于深度学习的脑电信号识别和分类算法应运而生。
深度学习是一种模仿人脑神经网络结构和工作原理的机器学习方法，能够从大规模数据中学习到数据的隐含特征表示，并进行自动化的特征提取和分类。
在基于深度学习的脑电信号识别和分类算法中，卷积神经网络（CNN）和循环神经网络（RNN）是常用的网络结构。
卷积神经网络通过卷积层和池化层来提取空间特征，可以捕捉信号的局部特征。
循环神经网络通过循环连接来捕捉信号的时序特征，能够处理具有时序关联的任务。
此外，为了充分利用脑电信号的时序信息，一些研究还采用了结合CNN和RNN的混合模型，例如卷积循环神经网络（CRNN）。
基于深度学习的脑电信号识别和分类算法研究中，数据预处理是非常关键的一步。
由于脑电信号受到噪声和运动伪影的干扰，需要对数据进行滤波、降噪和特征提取等处理。
常用的数据预处理方法包括小波去噪、滑动平均和频域特征提取等。
此外，数据集的选择和构建也对基于深度学习的脑电信号识别和分类算法的性能有很大影响。
脑电信号的特征提取和分类算法研究脑电信号是一种反映脑机制的电生理现象，它反映了神经元在发放神经脉冲时的电活动。
因此，脑电信号在神经科学和心理学研究中具有重要的意义。
但是，由于它的复杂性和多样性，研究者需要对脑电信号进行精细的分析和处理。
脑电信号的特征提取和分类算法研究是解决这一问题的重要途径。
一、脑电信号的特征提取脑电信号的特征提取是将原始脑电信号转换为特征向量的过程，其目的是提取有用的信息并将其编码成数值特征。
这些特征可以揭示脑电信号的性质和动态变化，为后续的模式识别提供基础。
1. 时域特征提取时域特征是以时间作为研究对象的特征，通常指电信号的平均值、标准差、最大值、最小值、斜率、坡度、能量等。
通过时域特征，研究人员可以了解电位信号的整体趋势和波形形态。
2. 频域特征提取频域特征描述信号在不同频率范围内的能量分布情况。
主要包括功率谱密度、能量谱、功率谱、频带能量比、幅频特征等等。
通过对频谱信息的分析，可以获得脑电信号的频域特征。
3. 时频域特征提取时频域特征是时域和频域特征的结合，能够反映信号的局部时间和频率特征。
目前，时频域特征的提取方法主要有小波变换和时频分析。
通过时频域特征，可以更加准确地描述脑电信号的时空特征。
二、脑电信号的分类算法脑电信号的分类算法是将特征向量与相应的类别标签关联在一起的过程。
通过这个过程，我们可以根据脑电信号的特征，将其自动地分类到不同的类别中，比如注意力、精神疾病、认知负荷等。
常用的分类算法包括K-近邻算法、支持向量机算法、决策树算法、朴素贝叶斯算法和神经网络。
1. K-近邻算法K-近邻算法是一个典型的分类算法，它的核心思想是将未知的数据点分类为其K个最近邻居的主要类别。
该算法执行简单，但在高维空间下较为复杂。
2. 支持向量机算法支持向量机算法是一种自适应学习算法，其目的是从给定的训练数据中构建一个映射函数，能够将数据点分类到不同的类别中。
该算法在高维空间具有良好的性能。
多通道EEG（脑电图）特征提取算法和分类算法是神经信号处理的重要内容，主要应用于精神疾病的诊断和治疗等领域。
以下是对这两个方面的简要介绍：一、多通道EEG特征提取算法EEG信号的特征提取是指从EEG信号中提取有意义的信息，通常包括时间、频率、空间等多个维度。
特征提取算法主要通过信号处理技术来实现，如滤波、傅里叶变换、小波变换等。
具体步骤如下：1. 数据预处理：对原始EEG信号进行去噪、放大、滤波等处理，以提高信号质量。
2. 特征提取：采用各种信号处理方法，如功率谱、自相关函数、短时傅里叶变换等，从EEG 信号中提取各种特征，如频率成分、功率谱分布、时间序列等。
3. 特征选择：根据实际应用需求，选择与目标任务相关的特征，去除冗余或无关的特征。
常用的EEG特征提取算法包括基于小波变换的特征提取算法、基于独立成分分析的特征提取算法等。
小波变换能够有效地提取EEG信号中的时间-频率信息，而独立成分分析则可以分离出EEG信号中的各种成分，如基底节律、高频噪声等。
二、多通道EEG分类算法分类算法是用于将EEG信号分类到不同类别的算法，常用的分类算法包括支持向量机（SVM）、神经网络（NN）、决策树等。
分类算法的流程如下：1. 数据准备：对EEG特征进行选择和标准化处理，建立训练和测试集。
2. 模型建立：根据所选分类算法，建立相应的模型，并进行参数优化。
3. 模型训练：使用训练集对模型进行训练，得到分类器。
4. 分类预测：使用测试集对分类器进行测试，评估分类器的性能。
常用的多通道EEG分类算法包括基于深度学习的分类算法、基于SVM的分类算法等。
深度学习算法能够自动学习EEG信号中的特征，具有较高的分类准确率。
SVM算法则可以通过核函数将高维的EEG特征映射到低维空间，实现分类任务。
总之，多通道EEG特征提取算法和分类算法在精神疾病的诊断和治疗中具有重要意义。
通过提取有效的特征和建立准确的分类器，可以提高诊断和治疗的效果和准确性。
基于深度学习的脑电信号分类算法研究深度学习技术在近年来的发展中已经取得了巨大的成功，并在多个领域中展现出了强大的能力。
其中之一是在脑电信号分类方面的研究。
脑电信号是记录脑部神经活动的电生理信号，通过对脑电信号进行分类分析可以对不同的脑活动状态进行识别，为神经科学研究和临床应用提供重要的支持。
本文将探讨基于深度学习的脑电信号分类算法的研究进展与应用。
首先，我们将介绍脑电信号分类的基本概念和意义。
脑电信号是通过在头皮上放置电极来记录的，其特点是时间分辨率高、成本低廉，并且可以捕捉到神经元的瞬时活动。
通过对脑电信号进行分类能够帮助我们了解不同脑活动状态与神经疾病之间的关系，比如睡眠状态、意识水平以及癫痫等疾病。
深度学习是一种基于人工神经网络的机器学习方法，其最大的特点是可以从大规模的数据中学习和提取特征。
在脑电信号分类方面，深度学习可以利用其强大的特征学习和表示能力，自动发现和提取脑电信号中的有用特征。
与传统的机器学习方法相比，深度学习在脑电信号分类任务中具有更好的性能和泛化能力。
在深度学习算法中，卷积神经网络（CNN）和递归神经网络（RNN）是最常用的网络结构。
卷积神经网络适用于处理空间特征，可以有效地提取脑电信号中的不同频率特征。
递归神经网络则适用于处理时间序列数据，可以捕捉脑电信号中的时序特征。
将这两种网络结构结合起来，可以构建更加复杂的深度学习模型，提高脑电信号分类的准确率和稳定性。
此外，深度学习算法在脑电信号分类中还可以结合其他的技术和方法进行优化。
例如，迁移学习可以通过预训练模型，在少量标注数据的情况下提高分类性能。
数据增强技术则可以通过对原始脑电信号数据进行微小的变换，生成新的训练样本，增加数据多样性，提高模型的泛化能力。
此外，注意力机制和稀疏编码等方法也可以应用于脑电信号分类中，进一步提高算法的性能。
在实际应用方面，基于深度学习的脑电信号分类算法已经取得了一些重要的进展。
例如，在睡眠状态分类中，利用深度学习算法可以准确地识别出清醒、浅睡眠、深睡眠等不同的睡眠状态，并辅助医生进行睡眠障碍的诊断。
收稿日期:２０２２￣１１￣０９ꎮ基金项目:国家自然科学基金资助项目(６２１６６０２０)ꎮ作者简介:胡瑢华(１９７０ )ꎬ女ꎬ教授ꎬ博士ꎬ研究方向为智能机器人与视觉ꎮ㊀∗通信作者:曾成(１９８９ )ꎬ男ꎬ讲师ꎬ博士ꎬ研究方向为机器视觉和遥操作ꎮＥ￣ｍａｉｌ:ｃｈｅｎｇｚｅｎｇ＠ｎｃｕ.ｅｄｕ.ｃｎꎮ胡瑢华ꎬ周浩ꎬ曾成ꎬ等.基于ＣＣＡ融合ＦＦＴ的ＳＳＶＥＰ脑机接口分类算法[Ｊ].南昌大学学报(工科版)ꎬ２０２４ꎬ４６(１):１０５￣１１０.ＨＵＲＨꎬＺＨＯＵＨꎬＺＥＮＧＣꎬｅｔａｌ.ＡｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍｏｆａＳＳＶＥＰｂｒａｉｎ￣ｃｏｍｐｕｔｅｒｉｎｔｅｒｆａｃｅｂａｓｅｄｏｎＣＣＡｆｕｓｉｏｎＦＦＴ[Ｊ].ＪｏｕｒｎａｌｏｆＮａｎｃｈａｎｇＵｎｉｖｅｒｓｉｔｙ(Ｅｎｇｉｎｅｅｒｉｎｇ＆Ｔｅｃｈｎｏｌｏｇｙ)ꎬ２０２４ꎬ４６(１):１０５￣１１０.基于ＣＣＡ融合ＦＦＴ的ＳＳＶＥＰ脑机接口分类算法胡瑢华ꎬ周浩ꎬ曾成∗ꎬ熊特ꎬ徐亦璐(南昌大学先进制造学院ꎬ江西南昌３３００３１)㊀㊀摘要:为解决多目标刺激范式的稳态视觉诱发电位脑电信号识别准确率低和信息传输率低的问题ꎬ提出了一种快速傅里叶变换同典型相关分析相结合的方法ꎬ通过快速傅里叶变换将信号训练成对应频率的训练模板ꎬ并作为参考信号与实时采集的信号进行典型相关分析来计算频率的识别准确率ꎮ６名受试者参与并完成了１８０组实验ꎬ在时间窗口长度为１.５ｓ的条件下ꎬ基于快速傅里叶变换－典型相关分析的稳态视觉诱发电位信号识别算法的平均识别准确率为９３.９８％ꎬ比典型相关分析算法提升了１４.７５％ꎬ信息传输率为６２.３０ｂｉｔ ｍｉｎ－１ꎬ比典型相关分析算法提升了５５.６３％ꎮ实验结果表明ꎬ快速傅里叶变换－典型相关分析算法性能更优ꎮ关键词:脑机接口ꎻ稳态视觉诱发电位ꎻ多目标刺激范式ꎻ典型相关分析ꎻ识别准确率ꎻ信息传输率中图分类号:ＴＰ３９１.４１㊀㊀㊀㊀文献标志码:Ａ㊀㊀㊀㊀文章编号:１００６￣０４５６(２０２４)０１￣０１０５￣０６ＡｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍｏｆａＳＳＶＥＰｂｒａｉｎ￣ｃｏｍｐｕｔｅｒｉｎｔｅｒｆａｃｅｂａｓｅｄｏｎＣＣＡｆｕｓｉｏｎＦＦＴＨＵＲｏｎｇｈｕａꎬＺＨＯＵＨａｏꎬＺＥＮＧＣｈｅｎｇ∗ꎬＸＩＯＮＧＴｅꎬＸＵＹｉｌｕ(ＳｃｈｏｏｌｏｆＡｄｖａｎｃｅｄＭａｎｕｆａｃｔｕｒｉｎｇꎬＮａｎｃｈａｎｇＵｎｉｖｅｒｓｉｔｙꎬＮａｎｃｈａｎｇ３３００３１ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＩｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏｗｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙａｎｄｌｏｗｉｎｆｏｒｍａｔｉｏｎｔｒａｎｓｍｉｓｓｉｏｎｒａｔｅｏｆＳＳＶＥＰＥＥＧｓｉｇｎａｌｓｗｉｔｈｍｕｌｔｉ￣ｔａｒｇｅｔｓｔｉｍｕｌａｔｉｏｎｐａｒａｄｉｇｍꎬａｍｅｔｈｏｄｃｏｍｂｉｎｉｎｇｆａｓｔＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍａｎｄｔｙｐｉｃａｌｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓｗａｓｐｒｏｐｏｓｅｄｕｓｉｎｇｆａｓｔＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍｔｏｔｒａｉｎｔｈｅｓｉｇｎａｌｉｎｔｏａｔｒａｉｎｉｎｇｍｏｄｅｌｃｏｒｒｅｓｐｏｎｄｉｎｇｔｏｔｈｅｆｒｅｑｕｅｎｃｙꎬａｎｄｗｈｉｃｈｗａｓｕｓｅｄａｓａｒｅｆｅｒｅｎｃｅｓｉｇｎａｌｔｏｐｅｒｆｏｒｍｔｙｐｉｃａｌｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓｗｉｔｈｔｈｅｒｅａｌ￣ｔｉｍｅａｃｑｕｉｒｅｄｓｉｇｎａｌｔｏｃａｌｃｕｌａｔｅｔｈｅｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅｆｒｅｑｕｅｎｃｙ.Ｓｉｘｓｕｂｊｅｃｔｓｐａｒｔｉｃｉｐａｔｅｄａｎｄｃｏｍｐｌｅｔｅｄ１８０ｓｅｔｓｏｆｅｘｐｅｒｉｍｅｎｔｓ.Ｕｎｄｅｒｔｈｅｃｏｎｄｉｔｉｏｎｏｆｔｉｍｅｗｉｎｄｏｗｌｅｎｇｔｈｏｆ１.５ｓꎬｔｈｅａｖｅｒａｇｅｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅＦＦＴ￣ＣＣＡ￣ｂａｓｅｄＳＳＶＥＰｓｉｇｎａｌｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｗａｓ９３.９８％ꎬｗｈｉｃｈｗａｓ１４.７５％ｂｅｔｔｅｒｔｈａｎｔｈｅＣＣＡａｌｇｏｒｉｔｈｍꎬａｎｄｔｈｅｉｎｆｏｒｍａｔｉｏｎｔｒａｎｓｍｉｓｓｉｏｎｒａｔｅｗａｓ６２.３０ｂｉｔ ｍｉｎ－１ꎬｗｈｉｃｈｗａｓ５５.６３％ｂｅｔｔｅｒｔｈａｎｔｈｅＣＣＡａｌｇｏｒｉｔｈｍ.ＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅＦＦＴ￣ＣＣＡａｌｇｏｒｉｔｈｍｈａｓｂｅｔｔｅｒｐｅｒｆｏｒｍａｎｃｅａｎｄｈａｓｇｏｏｄａｐｐｌｉｃａｔｉｏｎｐｒｏｓｐｅｃｔｓ.Ｋｅｙｗｏｒｄｓ:ｂｒａｉｎ￣ｃｏｍｐｕｔｅｒｉｎｔｅｒｆａｃｅꎻｓｔｅａｄｙ￣ｓｔａｔｅｖｉｓｕａｌｅｖｏｋｅｄｐｏｔｅｎｔｉａｌｓꎻｍｕｌｔｉ￣ｔａｒｇｅｔｓｔｉｍｕｌｕｓｐａｒａｄｉｇｍꎻｔｙｐｉｃａｌｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓꎻｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙꎻｉｎｆｏｒｍａｔｉｏｎｔｒａｎｓｆｅｒｒａｔｅ㊀㊀康复机器人主要面向肢体运动障碍的患者ꎬ特别是由渐冻症和脑卒中引起的偏瘫患者ꎬ能在一定程度上提高患者的康复程度ꎮ但传统的康复机器人应用受限于康复理疗行业的从业人数和人机交互效果ꎮ脑机接口(ｂｒａｉｎ￣ｃｏｍｐｕｔｅｒｉｎｔｅｒｆａｃｅꎬＢＣＩ)是一种可以提取分类并识别人的大脑电信号并转化为控制信号传送给外部设备(如电动轮椅[１]㊁机器人[２])的连接通道ꎮ因此ꎬ通过脑机接口技术来控制康复机器人极具研究价值ꎬ它不仅满足上肢偏瘫患者正常的康复训练需求ꎬ还能提升患者与上肢康复机器人的人机交互效果ꎬ实现患者在无人看护下独立自主的康复训练功能ꎬ提升患者的康复治疗积极性[３]ꎮ脑机接口中基于稳态视觉诱发电位(ｓｔｅａｄｙ￣ｓｔａｔｅｖｉｓｕａｌｅｖｏｋｅｄｐｏｔｅｎｔｉａｌꎬＳＳＶＥＰ)的脑电信号以其较少的训练量㊁较高的识别准确率和信息传输率等优点ꎬ可应用于控制康复机器人系统研究ꎮ熊特第４６卷第１期２０２４年３月㊀㊀㊀㊀㊀㊀南昌大学学报(工科版)ＪｏｕｒｎａｌｏｆＮａｎｃｈａｎｇＵｎｉｖｅｒｓｉｔｙ(Ｅｎｇｉｎｅｅｒｉｎｇ＆Ｔｅｃｈｎｏｌｏｇｙ)Ｖｏｌ.４６Ｎｏ.１Ｍａｒ.２０２４㊀等[４]采用ＳＳＶＥＰ脑电信号控制上肢康复机器人ꎬ平均信息传输率为２３.１１ｂｉｔ ｍｉｎ－１ꎬ表明脑机接口在康复治疗领域具有良好的应用前景ꎮ为了进一步提升基于ＳＳＶＥＰ的脑机接口的实时性ꎬ可从信号识别算法方面进行改进ꎮ多变量同步指数(ｍｕｌｔｉｖａｒｉａｔｅｓｙｎｃｈｒｏｎｉｚａｔｉｏｎｉｎｄｅｘꎬＭＳＩ)[５]㊁典型相关分析(ｃａｎｏｎ￣ｉｃａｌｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓꎬＣＣＡ)[６]和基于典型相关分析改进的滤波器组典型相关分析(ｆｉｌｔｅｒｂｌａｎｋｃａｎｏｎ￣ｉｃａｌｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓꎬＦＢＣＣＡ)[７]等４种算法作为主流的脑电信号时域分类算法ꎬ在应用于康复医疗领域的脑机接口时均存在各自的局限性ꎮＭＳＩ算法适用范围小ꎬＱｉｎ等[５]通过实验验证ＭＳＩ算法在刺激目标较少时性能优于ＣＣＡ算法ꎬ但其对多目标范式的识别准确率不高ꎮ因此ꎬ当设计的刺激目标增加时ꎬＣＣＡ算法由于其鲁棒性㊁不需要信道选择和参数优化等优点而被广泛应用[６]ꎬ但其在多目标的分类识别方面仍存在一定的问题ꎮＷｅｉ等[８]研究发现标准的ＣＣＡ算法在识别多个刺激目标的脑电信号时性能不佳ꎬ时间窗长度为１.５ｓ时ꎬ平均识别准确率仅为８５.８２％ꎻＺｈｕ等[７]改进了ＣＣＡ算法ꎬ通过引入滤波器组提升了信号的分类识别准确率ꎬ但平均信息传输率仅为３５.９８ｂｉｔ ｍｉｎ－１ꎬ仍有待进一步提升ꎮ基于此ꎬ本文提出了一种采用快速傅里叶变换(ｆａｓｔｆｏｕｒｉｅｒｔｒａｎｓｆｏｒｍꎬＦＦＴ)同典型相关分析相结合的方法来提取脑电信号特征并进行信号处理ꎮ利用快速傅里叶变换可将单通道时域脑电信号转化为可视化频域信号的特点ꎬ将脑电信号训练成对应频率的训练模板ꎬ并联合标准的正余弦信号作为参考信号与实时采集的测试信号进行典型相关分析来计算频率的识别准确率ꎮ研究解决了在较短的时间窗下ꎬ基于ＳＳＶＥＰ多目标刺激范式信号识别准确率低和信息传输率低的问题ꎬ识别准确率和信息传输率得到明显提升ꎬ以期为多目标ＳＳＶＥＰ信号识别算法研究提供新的思路ꎮ１㊀实验方案１.１㊀实验设置实验主要设备包括:奥地利Ｇ.Ｔｅｃ公司生产的８０通道脑电信号放大器㊁Ｇ.Ｒｅｃｏｒｄｅｒ脑电信号存储软件ꎬＧ.ＳＣＡＲＡＢＥＯ６４通道的有线脑电信号采集电极帽ꎬ呈现多目标视觉刺激范式的显示器ꎬ进行信号记录和处理的计算机ꎬ蓝牙通信模块和上肢康复机器人ꎮ具体的实验流程图如图１所示ꎮ上肢康复机器人控制器下位机视觉反馈蓝牙通信仿真反馈识别结果分类识别特征提取并口传输信号采集预处理上位机图１㊀基于ＳＳＶＥＰ的上肢康复机器人控制流程Ｆｉｇ.１㊀ＣｏｎｔｒｏｌｆｌｏｗｏｆｔｈｅＳＳＶＥＰ￣ｂａｓｅｄｕｐｐｅｒｌｉｍｂｒｅｈａｂｉｌｉｔａｔｉｏｎｒｏｂｏｔ进行信号处理的计算机配置为Ｗｉｎｄｏｗｓ１０专业版６４位㊁系统型号为ＨＰＰｒｏＯｎｅ６００Ｇ２２１.５￣ｉｎＮｏｎ￣ＴｏｕｃｈＡｉｏ㊁处理器型号为Ｉｎｔｅｒ５代４核ｉ５￣６５００的ＣＰＵꎮ脑机接口系统的所有程序均采用ＭＡＴ￣ＬＡＢ进行编程ꎮ为达到让患者自主独立进行康复训练的目的ꎬ根据上肢康复机器人的自由度与康复功能需求ꎬ实验设置了９个康复训练中需要的功能块ꎬ编号为１~９ꎬ再根据ＳＳＶＥＰ脑电信号原理ꎬ设计了多目标刺激范式[９]ꎬ并选择９种刺激频率与之一一对应ꎬ如表１所示ꎮ表１㊀编号及其对应频率Ｔａｂ.１㊀Ｎｕｍｂｅｒｉｎｇａｎｄｔｈｅｉｒｃｏｒｒｅｓｐｏｎｄｉｎｇｆｒｅｑｕｅｎｃｉｅｓ编号１２３４５６７８９对应频率/Ｈｚ６.６７７.１７.５８８.５７９１０１１１２㊀㊀为实现９个刺激频率ꎬ根据刺激频率产生原理ꎬ通过多频序列编码和０－１调制编码[１０]ꎬ在分辨率为１９２０ｐｉｘｅｌˑ１０８０ｐｉｘｅｌ(ｐｉｘｅｌ为像素)的２３.８英寸(１英寸＝２.５４ｃｍ)液晶显示器(ＬＣＤ)上呈现出刺激界面ꎬ如图２所示ꎮ刺激界面使用Ｐｓｃｙｈｔｏｏｌｂｏｘ￣３心理物理学工具箱在ＭＡＴＬＡＢ软件上编程实现ꎮ设置每个正方形刺激块的大小为１６０ｐｉｘｅｌˑ１６０ｐｉｘｅｌꎬ两两相邻的刺激块之间的间距为４００ｐｉｘｅｌꎮ１.２㊀信号采集选取６名受试者参加实验ꎬ年龄在２２~２６岁ꎬ平均年龄为２３.２岁ꎬ身体健康ꎬ视力正常或者经过矫正达到正常水平ꎮ实验在较为安静且没有其他大６０１ 南昌大学学报(工科版)２０２４年㊀型用电设备的环境下进行ꎮ实验时ꎬ受试者的眼睛要平视视觉刺激器且与屏幕距离保持在６０ｃｍꎬ保持专注ꎬ避免眨眼㊁眼动或肢体动作等其他动作ꎮ实验开始时ꎬ视觉刺激器上的刺激块以设计的频率进行闪烁ꎬ每个刺激块闪烁５ｓ为１个周期ꎬ每一个块中要求受试者从刺激器左上角频率为６.６７Ｈｚ刺激块ꎬ按频率大小顺序依次注视每个刺激块２个周期ꎬ２个刺激块间允许受试者休息５ｓꎬ每２个刺激块之间休息５ｍｉｎꎬ每个受试者要完成１０个块的数据采集ꎬ得到１８０组实验数据ꎮ图２㊀视觉刺激界面Ｆｉｇ.２㊀Ｖｉｓｕａｌｓｔｉｍｕｌｕｓｉｎｔｅｒｆａｃｅ实验过程中ꎬ根据１０~２０国际标准导联系统[１１]为标准选择了Ｐ３㊁Ｐｚ㊁Ｐ４㊁ＰＯ３㊁ＰＯｚ㊁ＰＯ４㊁ＰＯ７㊁Ｏ１㊁Ｏｚ㊁Ｏ２㊁ＰＯ８共１１个导联采集大脑皮层枕叶区的脑电信号ꎬ如图３所示ꎮ并以６３通道作为参考信号放置于右耳垂处ꎬ采样频率为２５６Ｈｚꎮ为保证实验数据采集的有效性ꎬ在数据采集前先将导电膏注入电极帽中ꎬ保证各通道与头皮之间的阻抗在３ｋΩ或以下ꎬ并通过设置ＣｏｍｂｉｎｅＴｒｉｇｇｅｒ联合触发器定义并口传输协议来接收实验过程中生成刺激电脑端发出的Ｔｒｉｇｇｅｒ标志信号位ꎬ保证脑电信号产生与频闪刺激开始时间能精确同步ꎮ图３㊀通道分布图Ｆｉｇ.３㊀Ｄｉｓｔｒｉｂｕｔｉｏｎｏｆｃｈａｎｎｅｌｓ２㊀分类算法㊀㊀对采集到的脑电信号进行预处理ꎬ分别设计了５０Ｈｚ去工频陷波滤波器㊁４~５０Ｈｚ的切比雪夫带通滤波器ꎬ使用ＭＡＴＬＡＢ软件实现信号的滤波处理ꎬ去除工频㊁高频干扰等噪声ꎮ预处理后的脑电信号频域图如图４所示ꎬ图中Ｄｐｓ为功率谱密度ꎬｆ为频率ꎮ1201008060402004540353025201510550D p s /（μV 2·H z -1)ｆ/Ｈｚ图４㊀Ｏｚ通道预处理后的频域信号Ｆｉｇ.４㊀Ｆｒｅｑｕｅｎｃｙｄｏｍａｉｎｓｉｇｎａｌａｆｔｅｒｐｒｅ￣ｐｒｏｃｅｓｓｉｎｇｏｆｔｈｅＯｚｃｈａｎｎｅｌ２.１㊀标准ＣＣＡ算法ＣＣＡ是一种非常有效的空间滤波方法[６]ꎬ用于ＳＳＶＥＰ检测ꎬ通过统计分析测量２组多维变量的潜在相关性ꎮ当在基于ＳＳＶＥＰ的实际多目标ＢＣＩ系统中实施时ꎬ标准ＣＣＡ通过计算ＥＥＧ信号和不同频率的正余弦模板之间的相关系数ꎬ提供了一种特征检测方法ꎮ考虑多通道脑电信号ＸɪＲＮｃ Ｎｓ和正余弦模板ＹɪＲ２Ｎｈ Ｎｓꎬ其中Ｎｃ为脑电信号采集通道数ꎬＮｓ为信号采样点ꎬＮｈ为最大谐波数ꎮ当刺激频率为ｆｋ(ｋ＝１ꎬ２ꎬ ꎬＫ)时ꎬ可构造的参考信号Ｙｋ如下所示:Ｙｋ＝ｓｉｎ(２πｆｋｎ)ｃｏｓ(２πｆｋｎ)⋮ｓｉｎ(２πＮｈｆｋｎ)ｃｏｓ(２πＮｈｆｋｎ)éëêêêêêêêùûúúúúúúúꎬｎ＝１Ｆｓꎬ２Ｆｓꎬ ꎬＮｓＦｓ(１)㊀㊀用于信号识别的脑电信号采样频率降采样为Ｆｓ＝２５６Ｈｚꎬ式中的ｎ可以看作是正余弦波中的时间序列ꎬ其长度与ＥＥＧ信号Ｘ相同ꎮ基于上文定义的２组随机变量ꎬ此时利用标准ＣＣＡ算法识别ＳＳＶＥＰ信号频率时ꎬ可通过求解投影向量ｗｘ和ｗｙ使其线性组合而成的典型变量ｘ＝ｗＴｘＸ和ｙ＝ｗＴｙＹｋ之间拥有的最大相关系数ρｋꎬ即函数为７０１ 第１期㊀㊀㊀㊀㊀胡瑢华等:基于ＣＣＡ融合ＦＦＴ的ＳＳＶＥＰ脑机接口分类算法ｍａｘｗｘꎬｗｙρｋ(ｘꎬｙ)＝Ｅ[ｗＴｘＸＹＴｋｗｙ]Ｅ[ｗＴｘＸＸＴｗｘ]Ｅ[ｗｙＹｋＹＴｋｗｙ](２)㊀㊀Ｙｋꎬ都将得到ｋ个最大相关系数ꎬ通过求得ｋ个相关系数中的最大值ꎬ其对应的频率即为ＳＳＶＥＰ的识别频率ꎮ２.２㊀改进的ＦＢＣＣＡ为了有效地利用ＳＳＶＥＰ的基频和谐波成分从而提高ＳＳＶＥＰ的分类识别精度ꎬ通过在ＣＣＡ识别之前增加滤波器组的方式ꎬ将ＳＳＶＥＰ信号分解为多个子带分量[１２]ꎮ整个ＦＢＣＣＡ算法的步骤可分为以下３步:１)滤波器组分解ꎬ使用滤波器组中的多个不同带通将采集到的ＳＳＶＥＰ信号进行分解ꎬ获取通过滤波器组后的子带信号ꎮ２)使用通过滤波器组得到的各子带成分与构造的参考信号进行ＣＣＡ分析ꎬ计算出相关系数ꎮ３)获得最大相关系数ꎬ完成目标频率的识别ꎮＦＢＣＣＡ对预处理后的ＳＳＶＥＰ信号Ｘ进行子带分解处理ꎬ将信号Ｘ中的各子带成分(ＳＢｎꎬｎ＝１ꎬ２ꎬ ꎬＮ)分解出来ꎬ接着将各子带成分与各刺激频率(ｆｋꎬｋ＝１ꎬ２ꎬ ꎬＮ)所对应的参考信号Ｙ进行ＣＣＡ计算ꎮ得到每个子带与参考信号之间对应的一组Ｎ个相关系数ꎬ进而求得子带与先参考信号之间的相关矩阵向量ρｋꎬ其中ρｋ与第ｋ个刺激频率ｆｋ一一对应ꎬ数学表达式如式(３)所示:ρｋ＝ρ１ｋρ２ｋ⋮ρＮｋéëêêêêêùûúúúúú＝ρ(ＸＴＳＢ１ｗｘ(ＸＳＢ１Ｙｆｋ)ꎬＹＴｆｋｗｙｆｋ(ＸＳＢ１Ｙｆｋ))ρ(ＸＴＳＢ２ｗｘ(ＸＳＢ２Ｙｆｋ)ꎬＹＴｆｋｗｙｆｋ(ＸＳＢ２Ｙｆｋ))⋮ρ(ＸＴＳＢＮｗｘ(ＸＳＢＮＹｆｋ)ꎬＹＴｆｋｗｙｆｋ(ＸＳＢＮＹｆｋ))éëêêêêêêêùûúúúúúúú(３)式中:ｗｘ㊁ｗｙ为信号投影向量ꎻρ(ｘꎬｙ)为ｘ与ｙ的相关系数ꎻＹｆｋ为第ｋ个刺激频率对应的参考信号ꎬ对各个子带向量进行加权平方和计算ꎬ再乘上权重因子后所得结果即可作为目标频率识别特征:ρ ｋ＝ðＮｎω(ｎ) (ρｎｋ)２(４)式中:ｎ为子带的索引编号ꎮ最后ꎬ找到所求到的所有参考信号求得的最大识别特征ρ ｋꎬ进而得到最终的频率识别结果ꎮ２.３㊀改进的ＦＦＴ￣ＣＣＡ算法标准ＣＣＡ与改进的ＦＢＣＣＡ均采用正余弦模板作为参考信号进行分类识别ꎬ虽然改进的ＦＢＣＣＡ通过空间滤波器求解将多通道中的特征信息均用于频率识别ꎬ但忽略了与自身脑电信号拥有最大相关性的信号:同样刺激范式设计下的离线脑电信号数据ꎮ与标准ＣＣＡ方法中常用参考信号相比ꎬ这类数据除了包含对几次频率的ＳＳＶＥＰ响应外ꎬ还包括受试者自身的真实信息ꎬ与改进的ＦＢＣＣＡ算法相比ꎬＦＦＴ￣ＣＣＡ算法在离线过程中即可实现对训练数据的滤波器组处理ꎬ进一步缩短了算法在线的运行耗时ꎬＦＦＴ￣ＣＣＡ即为针对此类情况提出的改进算法ꎮ为利用脑电信号中的真实信息提升脑电信号的识别效果ꎬＦＦＴ￣ＣＣＡ算法需要获取对同一受试多组离线的单体参考信号模板Ｍｋ(ｋ＝１ꎬ２ꎬ ꎬＫ)ꎬ但是对于采集到的离线数据无法获知模板准确的时频域信息ꎮ由此ꎬ采用快速傅里叶变换算法可对单频率㊁单通道的脑电信号进行处理并训练成所需的参考信号模板ꎮ首先ꎬ获取预处理后的三维脑电信号ＸɪＲＮｆ Ｎｓ Ｎｃꎬ其中Ｎｆ表示刺激频率ꎬＮｓ表示采样数据ꎬＮｃ表示通道数ꎬ将三维的脑电数据拆分为单频率㊁单通道的脑电数据ꎬ通过ＦＦＴ将时域信号转化为频域信号[１３]ꎬ然后采用信噪比ＲＳＮꎬ如式(５)所示ꎬ作为参考信号训练模板的评价指标ꎬ按频率分类ꎬ筛选出每种频率下不同通道ＲＳＮ最高的脑电信号数据ꎬ并将其标记形成训练模板Ｙｆꎮ最后获取到各个频率下最佳的训练信号后ꎬ通过软件编程ꎬ训练模板的同标准正余弦信号共同构造为整个脑电参考信号库ꎬ以增强在线实验的准确性与实时性ꎮＲＳＮ(ｆ)＝ｎＦ(ｆ)ðｎ/２ｋ＝ｓＦ(ｆ＋ｋΔｆ)＋ðｎ/２ｋ＝ｓＦ(ｆ－ｋΔｆ)(５)式中:ｆ为刺激频率ꎻｎ为刺激频率数目ꎻＦ(ｆ)为对应频率下的信号幅值ꎮ将在线采集的多通道测试信号与构造的作为参考信号训练模板Ｙꎬ通过典型相关分析算法[１２]ꎬ求得２个信号间最大相关系数ρｋꎬ函数为:ｍａｘｗｘꎬｗｍρｋ＝ｗＴｘＸＭＴｋｗｍ㊀ｗＴｘＸＸＴｗｘ ｗｍＭｋＭＴｋｗｍ(６)式中:ｗｍ为随机信号投影向量ꎮ由协方差ｃｏｖ(ｘꎬｙ)＝ｗＴｘＣｘｍｗｍ和方差Ｖａｒ(ｘ)＝ｗＴｘＣｘｘｗｘ可将式(６)简化为:ｍａｘｗｘꎬｗｍρｋ＝ｃｏｖ(ｘꎬｍ)σｘσｍ＝ｗＴｘＣｘｍｗｍ㊀ｗＴｘＣｘｘｗｘｗＴｍＣｍｍｗｍ(７)８０１ 南昌大学学报(工科版)２０２４年㊀式中:Ｃｘｍ㊁Ｃｘｘ㊁Ｃｍｍ分别为随机变量Ｘ与ＭｋꎬＸ与Ｘ和Ｍｋ与Ｍｋ之间的协方差矩阵ꎮ通过式(７)可将拥有最大相关系数的刺激频率ｆｋ识别为该脑电信号对应的ＳＳＶＥＰ刺激频率ｆｔａｒｇｅｔꎬ如式(８)所示ꎮ其中最大相关系数ρｍａｘ所表示的参考信号的频率即为ＦＦＴ￣ＣＣＡ算法识别出来的受试注视的闪烁频率ꎬ即识别结果ꎮｆｔａｒｇｅｔ＝ａｒｇｍａｘｆｋρｋꎬｋ＝１ꎬ２ꎬ ꎬＫ(８)３㊀对比算法结果㊀㊀在信号的特征提取过程中ꎬ考虑到存在人体视觉转移时间和视觉延迟时间(大约为１４０ｍｓ)[１４]ꎬ为了保证所获ＳＳＶＥＰ信号的稳定性ꎬ将特征提取的起始位置设在信号时间长度的０.５ｓ处ꎮ先设置０.５㊁０.７５㊁１㊁１.２５㊁１.５㊁１.７５㊁２ｓ共７种信号提取的时间窗口长度ꎬ再对６名受试者的６０组刺激块共１０８０次刺激实验结果采用ＣＣＡ㊁ＦＢＣＣＡ和ＦＦＴ￣ＣＣＡ３种信号识别算法进行分类识别ꎬ最后得出３种算法的平均识别准确率Ｐａꎬ如图５所示ꎮ10090807060504030 2.25P a /%0.25CCA FBCCA FFT-CCA1.751.250.75ｔ/ｓ图５㊀３种算法在７种时间窗下１０８０次的平均识别准确率Ｆｉｇ.５㊀Ａｖｅｒａｇｅｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙｏｆ１０８０ｔｉｍｅｓｆｏｒｔｈｅｔｈｒｅｅａｌｇｏｒｉｔｈｍｓｏｖｅｒｓｅｖｅｎｔｉｍｅ￣ｗｉｎｄｏｗｓ根据平均识别准确率随时间窗长度的增加而变化的趋势可得ꎬ在３种脑电信号识别算法验证下ꎬ当时间窗长度大于等于１.５ｓ后ꎬ６名受试者的信号分类识别准确率的增长趋于稳定ꎮ因此ꎬ为保证控制实验的实时性和高效性ꎬ以１.５ｓ时间窗长度的信号数据作为信号分类样本ꎬ康复机械臂运动动作在３种脑电信号识别算法下６名受试者的识别准确率如表２所示ꎮ信息传输率(ＩＴＲ)常作为评估脑机接口系统的传输性能指标ꎬ其计算公式[１５]ꎬ如公式(９)所示为:ＲＩＴ＝６０Ｔ[ｌｏｇ２Ｑ＋Ｐｌｏｇ２Ｐ＋(１－Ｐ)ｌｏｇ２１－ＰＱ－１](９)式中:ＲＩＴ为信息传输率ꎻＴ为采样开始到机器人开始动作的总耗时ꎻＱ为刺激目标的个数ꎻＰ为识别正确率ꎻＲＩＴ的单位为ｂｉｔ ｍｉｎ－１ꎮ实验的平均ＲＩＴ和平均耗时的结果如表３所示ꎮ表２㊀１.５ｓ时６名受试采用３种算法的１８０组实验结果Ｔａｂ.２㊀Ｒｅｓｕｌｔｓｏｆｔｈｅ１８０￣ｇｒｏｕｐｅｘｐｅｒｉｍｅｎｔｗｉｔｈｓｉｘｓｕｂｊｅｃｔｓａｔ１.５ｓｕｓｉｎｇｔｈｅｔｈｒｅｅａｌｇｏｒｉｔｈｍｓ序号ＣＣＡ正确率/％ＦＢＣＣＡ正确率/％ＦＦＴ￣ＣＣＡ正确率/％Ｓ１８６.１１９３.３３９５.５６Ｓ２８０.００９２.２２９４.４４Ｓ３８８.８９９３.８９９８.３３Ｓ４８２.７８９２.７８９５.５６Ｓ５６６.１１８６.６７８９.４４Ｓ６７１.６７８８.３３９０.５６平均７９.２６９１.２０９３.９８表３㊀在１.５ｓ时３种算法的平均耗时及信息传输率Ｔａｂ.３㊀Ａｖｅｒａｇｅｅｌａｐｓｅｄｔｉｍｅａｎｄｉｎｆｏｒｍａｔｉｏｎｔｒａｎｓｆｅｒｒａｔｅｏｆｔｈｅｔｈｒｅｅａｌｇｏｒｉｔｈｍｓａｔ１.５ｓ算法平均耗时/ｓＲＩＴ/(ｂｉｔ ｍｉｎ－１)ＣＣＡ２.７１４０.０３ＦＢＣＣＡ５.４１２７.４６ＦＦＴ￣ＣＣＡ２.５６６２.３０由表２㊁表３可知ꎬ时间窗口长度为１.５ｓ时ꎬ６名受试者的在ＣＣＡ㊁ＦＢＣＣＡ㊁ＦＦＴ￣ＣＣＡ３种算法下的平均识别准确率分别为７９.２６％㊁９１.２０％㊁９３.９８％ꎬ平均信息传输率分别为４０.０３㊁２７.４６㊁６２.３０ｂｉｔ ｍｉｎ－１ꎮＳ３表现最好ꎬ在１.５ｓ的时间窗口长度下ＦＦＴ￣ＣＣＡ算法识别准确率达到９８.３３％ꎬ信息传输率达到６２.３０ｂｉｔ ｍｉｎ－１ꎬ均为３种脑电信号识别算法的最高值ꎻ实验结果验证了基于ＳＳＶＥＰ信号的ＦＦＴ￣ＣＣＡ算法在多目标刺激范式下ꎬ受试者的脑电信号的可行性和有效性ꎮ４㊀结论㊀㊀利用ＳＳＶＥＰ脑电信号的生理特性ꎬ采集了大脑枕叶区附近的１１个导联的脑电数据来分析信号的特征ꎮ利用ＭＡＴＬＡＢ软件的Ｐｓｃｙｈｔｏｏｌｂｏｘ￣３心理物理学工具箱制作了９个刺激目标的视觉刺激界面ꎮ通过ＣＣＡ算法ꎬＦＢＣＣＡ算法和ＦＦＴ￣ＣＣＡ算法来对９个目标频率的脑电信号进行特征提取和信号分类识别ꎬ并计算了识别的准确率和信息传输率ꎮ通过对ＦＦＴ￣ＣＣＡ算法的识别准确率和信息传输率数据进行分析ꎬ得到如下结论:１)ＦＦＴ￣ＣＣＡ算法提取并训练了相关性更高的９０１ 第１期㊀㊀㊀㊀㊀胡瑢华等:基于ＣＣＡ融合ＦＦＴ的ＳＳＶＥＰ脑机接口分类算法受试者离线实验作为参考信号ꎬ通过在线实验的识别准确率表明在短时间内(时间窗口长度为１.５ｓ)ＦＦＴ￣ＣＣＡ算法和ＦＢＣＣＡ算法的准确率较ＣＣＡ算法有显著提高ꎮ２)在线实验时ꎬＦＦＴ￣ＣＣＡ算法不需要进行实时的滤波器组处理ꎬ其信息传输率要远优于ＦＢＣＣＡ算法ꎬ在实时性方面提高了脑机接口系统的性能ꎮ实验结果证明了利用ＦＦＴ算法将受试者的脑电信号训练为模板ꎬ并联合正余弦信号作为参考信号的有效性ꎮ上述实验结果及分析为多目标刺激范式的ＳＳＶＥＰ信号控制上肢康复机器人的脑机接口系统提供了实践经验ꎬ也为ＣＣＡ算法后续的性能研究提供了理论参考ꎮ参考文献:[１]㊀ＮＧＤＷＫꎬＧＯＨＳＹ.ＩｎｄｉｒｅｃｔｃｏｎｔｒｏｌｏｆａｎａｕｔｏｎｏｍｏｕｓｗｈｅｅｌｃｈａｉｒｕｓｉｎｇＳＳＶＥＰＢＣＩ[Ｊ].ＪｏｕｒｎａｌｏｆＲｏｂｏｔｉｃｓａｎｄＭｅｃｈａｔｒｏｎｉｃｓꎬ２０２０ꎬ３２(４):７６１￣７６７.[２]ＷＡＮＧＫꎬＺＨＡＩＤＨꎬＸＩＯＮＧＹＨꎬｅｔａｌ.ＡｎＭＶＭＤ￣ＣＣＡｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｉｎＳＳＶＥＰ￣ｂａｓｅｄＢＣＩａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｒｏｂｏｔｃｏｎｔｒｏｌ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓａｎｄＬｅａｒｎｉｎｇＳｙｓｔｅｍｓꎬ２０２２ꎬ３３(５):２１５９￣２１６７.[３]ＷＡＮＧＨＲꎬＳＵＮＹＲꎬＷＡＮＧＦꎬｅｔａｌ.Ｃｒｏｓｓ￣ｓｕｂｊｅｃｔａｓｓｉｓｔａｎｃｅ:ｉｎｔｅｒ￣ａｎｄｉｎｔｒａ￣ｓｕｂｊｅｃｔｍａｘｉｍａｌｃｏｒｒｅｌａｔｉｏｎｆｏｒｅｎｈａｎｃｉｎｇｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆＳＳＶＥＰ￣ｂａｓｅｄＢＣＩｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＳｙｓｔｅｍｓａｎｄＲｅｈａｂｉｌｉｔａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇꎬ２０２１ꎬ２９:５１７￣５２６.[４]熊特ꎬ胡瑢华ꎬ邵杭峰ꎬ等.基于稳态视觉诱发电位的脑电控制上肢康复机器人[Ｊ].科学技术与工程ꎬ２０２１ꎬ２１(１７):７２３７￣７２４２.[５]ＱＩＮＫꎬＷＡＮＧＲＦꎬＺＨＡＮＧＹ.Ｆｉｌｔｅｒｂａｎｋ￣ｄｒｉｖｅｎｍｕｌｔｉｖａｒｉａｔｅｓｙｎｃｈｒｏｎｉｚａｔｉｏｎｉｎｄｅｘｆｏｒｔｒａｉｎｉｎｇ￣ｆｒｅｅＳＳＶＥＰＢＣＩ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＳｙｓｔｅｍｓａｎｄＲｅｈａｂｉｌｉｔａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ:ａＰｕｂｌｉｃａｔｉｏｎｏｆｔｈｅＩＥＥＥＥｎｇｉｎｅｅｒｉｎｇｉｎＭｅｄｉｃｉｎｅａｎｄＢｉｏｌｏｇｙＳｏｃｉｅｔｙꎬ２０２１ꎬ２９:９３４￣９４３.[６]ＳＡＤＥＧＨＩＳꎬＭＡＬＥＫＩＡ.ＡｄａｐｔｉｖｅｃａｎｏｎｉｃａｌｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓｆｏｒｈａｒｍｏｎｉｃｓｔｉｍｕｌａｔｉｏｎｆｒｅｑｕｅｎｃｉｅｓｒｅｃｏｇｎｉｔｉｏｎｉｎＳＳＶＥＰ￣ｂａｓｅｄＢＣＩｓ[Ｊ].ＴｕｒｋｉｓｈＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ＆ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅｓꎬ２０１９ꎬ２７(５):３７２９￣３７４０.[７]ＺＨＵＹＬꎬＬＩＹꎬＬＵＪＬꎬｅｔａｌ.ＡｈｙｂｒｉｄＢＣＩｂａｓｅｄｏｎＳＳＶＥＰａｎｄＥＯＧｆｏｒｒｏｂｏｔｉｃａｒｍｃｏｎｔｒｏｌ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＮｅｕｒｏｒｏｂｏｔｉｃｓꎬ２０２０ꎬ１４:５８３６４１.[８]ＷＥＩＱＧꎬＺＨＵＳꎬＷＡＮＧＹＪꎬｅｔａｌ.Ａｔｒａｉｎｉｎｇｄａｔａ￣ｄｒｉｖｅｎｃａｎｏｎｉｃａｌｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓａｌｇｏｒｉｔｈｍｆｏｒｄｅｓｉｇｎｉｎｇｓｐａｔｉａｌｆｉｌｔｅｒｓｔｏｅｎｈａｎｃｅｐｅｒｆｏｒｍａｎｃｅｏｆＳＳＶＥＰ￣ｂａｓｅｄＢＣＩｓ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＮｅｕｒａｌＳｙｓｔｅｍｓꎬ２０２０ꎬ３０(５):２０５００２０.[９]ＬＩＭＬꎬＨＥＤＮꎬＬＩＣꎬｅｔａｌ.Ｂｒａｉｎ￣ｃｏｍｐｕｔｅｒｉｎｔｅｒｆａｃｅｓｐｅｌｌｅｒｂａｓｅｄｏｎｓｔｅａｄｙ￣ｓｔａｔｅｖｉｓｕａｌｅｖｏｋｅｄｐｏｔｅｎｔｉａｌ:ａｒｅｖｉｅｗｆｏｃｕｓｉｎｇｏｎｔｈｅｓｔｉｍｕｌｕｓｐａｒａｄｉｇｍａｎｄｐｅｒｆｏｒｍａｎｃｅ[Ｊ].ＢｒａｉｎＳｃｉｅｎｃｅｓꎬ２０２１ꎬ１１(４):４５０. [１０]ＺＨＡＮＧＹＳꎬＸＵＰꎬＬＩＵＴＪꎬｅｔａｌ.ＭｕｌｔｉｐｌｅｆｒｅｑｕｅｎｃｉｅｓｓｅｑｕｅｎｔｉａｌｃｏｄｉｎｇｆｏｒＳＳＶＥＰ￣ｂａｓｅｄｂｒａｉｎ￣ｃｏｍｐｕｔｅｒｉｎｔｅｒｆａｃｅ[Ｊ].ＰＬｏＳＯｎｅꎬ２０１２ꎬ７(３):ｅ２９５１９.[１１]ＹＡＮＧＸＨꎬＬＩＵＷＦꎬＬＩＵＷꎬｅｔａｌ.Ａｓｕｒｖｅｙｏｎｃａｎｏｎｉｃａｌｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＫｎｏｗｌｅｄｇｅａｎｄＤａｔａＥｎｇｉｎｅｅｒｉｎｇꎬ２０２１ꎬ３３(６):２３４９￣２３６８.[１２]ＣＨＥＮＸＧꎬＷＡＮＧＹＪꎬＮＡＫＡＮＩＳＨＩＭꎬｅｔａｌ.Ｈｉｇｈ￣ｓｐｅｅｄｓｐｅｌｌｉｎｇｗｉｔｈａｎｏｎｉｎｖａｓｉｖｅｂｒａｉｎ￣ｃｏｍｐｕｔｅｒｉｎｔｅｒｆａｃｅ[Ｊ].ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＮａｔｉｏｎａｌＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓｏｆｔｈｅＵｎｉｔｅｄＳｔａｔｅｓｏｆＡｍｅｒｉｃａꎬ２０１５ꎬ１１２(４４):Ｅ６０５８￣Ｅ６０６７.[１３]ＬＩＮＨＣꎬＹＥＹＣ.ＲｅｖｉｅｗｓｏｆｂｅａｒｉｎｇｖｉｂｒａｔｉｏｎｍｅａｓｕｒｅｍｅｎｔｕｓｉｎｇｆａｓｔＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍａｎｄｅｎｈａｎｃｅｄｆａｓｔＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍａｌｇｏｒｉｔｈｍｓ[Ｊ].ＡｄｖａｎｃｅｓｉｎＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇꎬ２０１９ꎬ１１(１):１６８７８１４０１８８１６７５.[１４]ＨＥＳＨꎬＺＨＯＵＹＪꎬＹＵＴＹꎬｅｔａｌ.ＥＥＧ￣ａｎｄＥＯＧ￣ｂａｓｅｄａｓｙｎｃｈｒｏｎｏｕｓｈｙｂｒｉｄＢＣＩ:ａｓｙｓｔｅｍｉｎｔｅｇｒａｔｉｎｇａｓｐｅｌｌｅｒꎬａｗｅｂｂｒｏｗｓｅｒꎬａｎＥ￣ｍａｉｌｃｌｉｅｎｔꎬａｎｄａｆｉｌｅｅｘｐｌｏｒｅｒ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＳｙｓｔｅｍｓａｎｄＲｅｈａｂｉｌｉｔａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ:ａＰｕｂｌｉｃａｔｉｏｎｏｆｔｈｅＩＥＥＥＥｎｇｉｎｅｅｒｉｎｇｉｎＭｅｄｉｃｉｎｅａｎｄＢｉｏｌｏｇｙＳｏｃｉｅｔｙꎬ２０２０ꎬ２８(２):５１９￣５３０. [１５]ＺＨＡＮＧＲꎬＸＵＺＸꎬＺＨＡＮＧＬＰꎬｅｔａｌ.ＴｈｅｅｆｆｅｃｔｏｆｓｔｉｍｕｌｕｓｎｕｍｂｅｒｏｎｔｈｅｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙａｎｄｉｎｆｏｒｍａｔｉｏｎｔｒａｎｓｆｅｒｒａｔｅｏｆＳＳＶＥＰ￣ＢＣＩｉｎａｕｇｍｅｎｔｅｄｒｅａｌｉｔｙ[Ｊ].ＪｏｕｒｎａｌｏｆＮｅｕｒａｌＥｎｇｉｎｅｅｒｉｎｇꎬ２０２２ꎬ１９(３):０３６０１０.(责任编辑:刘旭波)０１１ 南昌大学学报(工科版)２０２４年㊀。
