基于MVMD-CCA的SSVEP脑电信号识别方法技术

本发明专利技术公开了基于MVMD‑CCA的SSVEP脑电信号识别方法，能够将脑电信号分解为多个多元调制分量，降低脑电信号中的非相关脑活动与伪迹的影响，提高分类精度。包括如下步骤：采集多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号。设定带分解的分量个数K，构造变分问题，并采用ADMM算法求解所述变分问题，将所述待识别脑电信号分解为K个多元调制分量。据诱发所述待识别脑电信号的视觉刺激频率，定义参考信号。求解特定刺激频率f

【技术实现步骤摘要】
基于MVMD-CCA的SSVEP脑电信号识别方法
本专利技术涉及模式识别
，具体涉及基于MVMD-CCA的SSVEP脑电信号识别方法。
技术介绍
脑机接口是一种不依赖周围神经肌肉组织等通路，直接利用人类大脑活动产生的信号与外界环境设备沟通的技术。近年来，脑机接口逐渐成为脑科学、生物医学、人工智能等领域的研究热点，受到世界各领域研究的重视，不少国家先后启动了相关研究计划。脑机接口技术在多个领域具备巨大的发展潜力：在康复医疗领域，可以帮助患有肌萎缩侧索硬化症、脑卒中等疾病的患者进行康复训练，有助于患者恢复神经知觉；在军事领域，可以通过控制军用外骨骼强化士兵的单兵作战能力，也可以提供脑控无人机、无人车等外部装备的方法；在娱乐生活领域，可以帮助人们控制家用电子设备，提升人们的生活品质。稳态视觉诱发电位(Steady-stateVisualEvokedPotential,SSVEP)是脑机接口设备常用的输入信号。当人眼受到较高频率的视觉刺激时，大脑皮层的枕区会出现周期性节律活动，即SSVEP。基于SSVEP的脑机接口的主要指标是信号识别精度和信息传输速率(InformationTranslateRate,ITR),系统的实现关键在于SSVEP脑电信号的特征提取与分类识别。目前基于CCA及其变种的算法在SSVEP脑电信号的识别中得到了广泛应用，其中最为典型的是陈小刚等人提出的FBCCA算法，在线实验中达到了约92％的精度和151bit/min的信息传输率。目前来说，SSVEP的识别率还有着进一步的提升空间。SSVEP脑电信号记录过程中出现的自发性脑电活动和伪迹会影响到基于CCA算法的识别性能，提取与SSVEP相关的子频带可以减少无关脑活动和伪迹的影响，FBCCA算法的提出也是基于这一点。目前针对SSVEP脑电信号的识别受脑电信号中的非相关脑活动与伪迹的影响较大，分类精度不高。
技术实现思路
有鉴于此，本专利技术提供了基于MVMD-CCA的SSVEP脑电信号识别方法，能够将脑电信号分解为多个多元调制分量，降低脑电信号中的非相关脑活动与伪迹的影响，提高分类精度。为达到上述目的，本专利技术的技术方案为：基于MVMD-CCA的SSVEP脑电信号识别方法，包括如下步骤：S1、采集多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号。S2、设定带分解的分量个数K，构造变分问题，并采用ADMM算法求解变分问题，将待识别脑电信号分解为K个多元调制分量。S3、据诱发待识别脑电信号的视觉刺激频率，定义参考信号。S4、求解特定刺激频率fi的加权关联系数。S5、取最大加权关联系数对应的频率即为待识别脑电信号的诱发刺激频率。进一步地，多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号，具体为：采用多导联电极帽采集SSVEP刺激下的脑电信号作为待识别脑电信号。进一步地，设定带分解的分量个数K，构造变分问题，具体为：待识别脑电信号为x(t)，通道数为C；设定的待分解分量数目为K，分解得到的K个多元调制分量uk(t)，k＝1,2,...,K，据此构建变分问题，包括如下步骤：S201、利用Hilbert变换求多元调制振动信号uk(t)的解析信号其中分别为第1～第C通道的解析信号；uk,1(t)～uk,C(t)分别为uk(t)第1～第C通道的数据；δ(t)为冲激函数；j为复数符号。S202、预估解析信号的中心频率为wk，采用移频操作将解析信号的频谱移至基带：S203、利用梯度的L2范数构造约束变分问题如下：其中uk,c(t)为分解的第k个分量中uk(t)的第c个通道的数据，xc(t)为待识别脑电信号x(t)的第c个通道的数据。S204、引入二次罚项α和拉格朗日乘子λ将约束变分问题转换为无约束变分优化问题：其中，<>表示两个元素的积；λc为进一步地，采用ADMM算法求解变分问题，将待识别脑电信号分解为K个多元调制分量，具体包括如下步骤：S2001、初始化迭代次数n设置为0；为uk,c(t)对应的迭代初值，为每个中心频率wk(k＝1,2,...,K)对应的迭代初值，为拉格朗日乘子函数λc对应的迭代初值；S2002、对于第n+1次迭代，对每一个多元调制分量uk,c(t)，k＝1,2,3…K进行更新如下：其中为uk,c(t)对应的第n+1次迭代值；i为下标k的指代标志，为包含当i＜k时所有的ui,c(t)对应的第n+1次迭代值的集合，为包含当i≥k时所有的ui,c(t)对应的第n次迭代值的集合；为wk的第n次迭代值，为包含所有wi对应的第n次迭代值的集合；为λc对应的第n次迭代值；解得的频域更新公式为：其中w为频域变量；S2003、对每个中心频率wk(k＝1,2,...,K)的第n+1次迭代至更新如下：得到的频域更新公式为：S2004、拉格朗日乘子函数λc对应的第n+1次迭代值更新如下：S2005、按照S2002至S2005重复迭代，直到满足迭代的停止条件：最终得到K个多元调制分量uk(t)，k＝1,2,...,K。进一步地，据诱发待识别脑电信号的视觉刺激频率，定义参考信号，具体为：根据诱发SSVEP的N个视觉刺激频率fi，其中i＝1,2,…,N，定义参考信号为：其中，Nh表示谐波的数量。进一步地，求解特定刺激频率fi的加权关联系数，具体为：S401、针对特定刺激频率fi(i＝1,2,…,N)，利用典型关联分析CCA算法求解多元调制分量uk(t)，k＝1,2,...,K与参考信号Yi，i＝1,2,…,N，的最大典型关联系数S402、求刺激频率fi下的加权关联系数：有益效果：本专利技术实施例提供的基于MVMD-CCA的SSVEP脑电信号识别方法，利用MVMD算法与CCA算法结合，其中MVMD作为处理多通道、非线性、非平稳信号的分解算法，在脑电信号的分析处理方面有着天然的优势，将该算法与CCA算法相结合可以有效发挥两种算法的优越性。MVMD算法可以将原始脑电信号进行分解为多个多元调制分量，定义的加权关联系数可以降低不相关分量对识别的影响，一定程度上降低信号中非相关脑活动与伪迹的影响。MVMD算法分解的多元调制分量质量较高，结合CCA算法的识别结果相比于FBCCA算法，分类精度有着较为明显的提升。附图说明图1为本专利技术实施例提供的基于MVMD-CCA的SSVEP脑电信号识别方法原理图。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。本专利技术提供了基于MVMD-CCA的SSVEP脑电信号识别方法，其原理如图1所示，包括如下步骤：S1、采集多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号。本专利技术实施例中，采本文档来自技高网...

【技术保护点】
1.基于MVMD-CCA的SSVEP脑电信号识别方法，其特征在于，包括如下步骤：/nS1、采集多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号；/nS2、设定带分解的分量个数K，构造变分问题，并采用ADMM算法求解所述变分问题，将所述待识别脑电信号分解为K个多元调制分量；/nS3、据诱发所述待识别脑电信号的视觉刺激频率，定义参考信号；/nS4、求解特定刺激频率f

【技术特征摘要】
1.基于MVMD-CCA的SSVEP脑电信号识别方法，其特征在于，包括如下步骤：
S1、采集多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号；
S2、设定带分解的分量个数K，构造变分问题，并采用ADMM算法求解所述变分问题，将所述待识别脑电信号分解为K个多元调制分量；
S3、据诱发所述待识别脑电信号的视觉刺激频率，定义参考信号；
S4、求解特定刺激频率fi的加权关联系数；
S5、取最大加权关联系数对应的频率即为所述待识别脑电信号的诱发刺激频率。


2.如权利要求1所述的方法，其特征在于，所述多通道稳态视觉诱发电位SSVEP脑电信号作为待识别脑电信号，具体为：
采用多导联电极帽采集SSVEP刺激下的脑电信号作为待识别脑电信号。


3.如权利要求1或2所述的方法，其特征在于，所述设定带分解的分量个数K，构造变分问题，具体为：
所述待识别脑电信号为x(t)，通道数为C；设定的待分解分量数目为K，分解得到的K个多元调制分量uk(t)，k＝1,2,...,K，据此构建变分问题，包括如下步骤：
S201、利用Hilbert变换求多元调制振动信号uk(t)的解析信号



其中分别为第1～第C通道的解析信号；uk,1(t)～uk,C(t)分别为uk(t)第1～第C通道的数据；δ(t)为冲激函数；j为复数符号；
S202、预估解析信号的中心频率为wk，采用移频操作将解析信号的频谱移至基带：



S203、利用梯度的L2范数构造约束变分问题如下：



其中uk,c(t)为分解的第k个分量中uk(t)的第c个通道的数据，xc(t)为待识别脑电信号x(t)的第c个通道的数据；
S204、引入二次罚项α和拉格朗日乘子λ将所述约束变分问题转换为无约束变分优化问题：



其中，<>表示两个元素的积；λc为


4.如权利要求3所述的方法，其特征在于，所述采用ADMM算法求解所述...

【专利技术属性】
技术研发人员：翟弟华，王康，胡乐云，夏元清，戴荔，邹伟东，张金会，闫莉萍，崔冰，孙中奇，郭泽华，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11