广义任务相关成分分析的SSVEP研究

稳态视觉诱发电位脑机接口(SSVEP-BCI)因其稳定、高效得到了广泛的应用。任务相关成分分析(TRCA)是一种在SSVEP-BCI系统中识别频率的主要方法。为了解决短时间窗口识别准确率较低等问题,提出了一种广义任务相关成分分析(GTRCA)方法,可最大化单个训练数据、单个测试数据和预定义的正余弦信号这三组数据之间的相关性以进一步提高SSVEP-BCI的字符识别性能。GTRCA方法及其滤波器方法在35名受试者的数据集上进行评估,结果表明该方法的分类性能与TRCA等基准算法相比具有明显优势,平均分类准确率最高达到(90.7±4.71)%,信息传输率最高达到(188.46±18.69)bit/min。研究表明,基于GTRCA的方法对实现SSVEP-BCI系统的高性能目标具有较大价值。

整合贝叶斯动态停止策略对SSVEP-BCIs的性能提升研究

由于大脑的状态处于不断变化中,因此提取自脑电图中的特征,其质量并不总是足够高以保证脑-机接口（BCI）的可靠输出。提出了基于贝叶斯估计的动态停止（DS）策略,并将其整合到基于稳态视觉诱发电位（SSVEP）的BCI系统中,以进一步优化和提升SSVEP-BCIs的性能。10人次的实验结果表明,相比于传统的静态停止（FS）策略,DS策略能有效提升信息传输率（ITR）,尤其是使用扩展的典型相关分析的DS策略相比FS策略提升了7.85%。另外,使用总体任务相关成分分析的DS策略得到的平均和最高ITR分别是352.3和435.7 bits/min。因此,证明了通过整合DS策略可以进一步提升SSVEP-BCIs的性能,并有希望推广到实际应用。

基于稳态视觉诱发电位的脑电信号分类算法比较

基于稳态视觉诱发电位(steady state visual evoked potential,SSVEP)的脑-机接口(brain computer interface,BCI)系统具有分类准确率高、用户不用长时间训练等优点而广受关注。如何高效地对SSVEP信号频率识别而实现更好的分类效果是SSVEP-BCI的核心问题。采用滤波器组典型相关分析(filter bank canonical correlation analysis,FBCCA)与任务相关成分分析(task-related component analysis,TRCA)对SSVEP信号分类比较研究,探讨了两种方法在数据长度、子带数以及通道数对SSVEP信号分类效果的影响。35位被试者的数据表明:在数据长度小、时间短的情况下,TRCA具有更高的分类准确率,且子带数设置为5时,分类准确率达到最大。通道数越多分类准确率越高,但是通道个数较少时,TRCA分类效果明显优于FBCCA。研究为SSVEP脑电数据有效性分析以及提高基于SSVEP的脑电信号分类准确率提供了新的思路。

基于动态自适应策略的SSVEP快速目标选择方法

基于稳态视觉诱发电位（SSVEP）的脑-机接口（BCI）系统具有高速、大指令集等优点,其信息传输率（ITR）的进一步提升对系统走向实际应用具有重要意义。该文采用包含35名被试的公开数据集,使用任务相关成分分析的分类模型识别脑电图数据中的SSVEP成分,进而运用基于Bayes估计的动态自适应策略评估分类结果的置信度。实验结果表明：动态自适应策略所得到的平均ITR（230b/min）比传统的静态自适应策略（204b/min）提升了12.7%,基于Bayes的动态自适应策略可以进一步提升SSVEP-BCI的性能。