视觉激励调制对脑电信号识别的影响研究

针对不同的视觉激励调制方式导致某些被试分类准确率较低的问题,本文设计了4种频率的4种波形激励诱发范式,并首次提出倒锯齿波激励范式。实验采集了8名被试的脑电信号并通过提取频率能量特征及分类发现不同激励对被试的准确率产生不同的影响。在此基础上,选择诱发被试最高能量的波形组成定制范式,并与各被试的其余范式进行平均分类准确率对比。结果表明,首次提出的倒锯齿波的激励效果要好于传统激励范式,同时,定制范式相比于单一波形激励的平均准确率提高了3%~12%。因此,倒锯齿波及定制视觉激励范式可以提高SSVEP-BCI系统的性能。

基于Fisher+Fuzzy算法提高SSVEP脑电信号分类

为了提高脑-机接口(Brain-Computer Interface,BCI)系统中基于稳态视觉诱发电位(Steady-state Visual Evoked Potentials,SSVEP)信号的分类准确率,提出了一种新的基于Fisher+Fuzzy的分类算法。该算法首先对提取的脑电特征利用Fisher算法得到最佳投影方向和阈值,然后对样本点到最佳超投影面的距离d进行模糊化,再通过模糊推理确定分类结果。该分类算法改善了在SSVEP分类中使用单一Fisher分类器难以对多分类问题中处于歧义区的样本进行有效分类的问题。结果显示在SSVEP的三、四、五分类中,Fisher+Fuzzy分类器取得了94.72%,92.18%,86.08%的平均分类准确率,高于单一Fisher分类器90.07%,80.60%,74.42%的平均准确率,对具有较低可分性的数据集进行分类时准确率显著提高。