【技术实现步骤摘要】
本专利技术属于脑机接口，更进一步涉及一种基于样本数据增强的稳态视觉诱发电位脑电特征解码方法。本专利技术可用于脑机接口系统中的脑电特征解码。
技术介绍
1、脑机接口bci(brain computer interface)指在人或动物大脑与外部设备之间创建的直接连接，实现脑与设备的信息交换。稳态视觉诱发电位ssvep(steady-state visualevoked potential)因具有相对较高的信噪比、需要较少的训练，并提供最高的信息传输率itr(interactive text response)，因此，ssvep被广泛应用于与视觉相关的bci系统的脑电特征解码中。
2、天津大学在其申请的专利文献“面向稳态视觉诱发电位的低训练成本脑电特征解码方法”(申请号cn 202310981789.2申请公布日cn 117009766.a申请日2023-11-07)中提出了一种面向稳态视觉诱发电位的低训练成本脑电特征解码方法。该方法的实现步骤包括：(1)采集受试者的原始稳态视觉诱发电位信号作为训练数据；(2)采用滤波器组对原始稳态视觉诱发电位xn进行预处理，得到预处理后稳态视觉诱发电位；(3)将预处理后稳态视觉诱发电位划分为pn个子周期根据得到第m子频段的空间滤波器对空间滤波器进行集成，得到集成空间滤波器对进行平均，得到复制连接多个合成；(4)得到所需长度的稳态视觉诱发电位模板信号；(5)通过集成空间滤波器和稳态视觉诱发电位模板信号对未知稳态视觉诱发电位k进行识别。该方法虽然解决了使用基于个体训练数据的空间滤波算法时当
技术实现思路
1、本专利技术的目的在于针对上述现有技术存在的不足，提供一种基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，旨在解决现有技术进行脑电特征解码中简单样本变换方法无法精确模拟脑电波动态特性，信号失真，只能生成单一类别数据的问题。
2、实现本专利技术目的的思路是，本专利技术使用个体校准数据估计出混叠矩阵，利用该混叠矩阵可以精确捕捉和再现每个个体的稳态视觉诱发电位脑电信号频率和相位特征。混叠矩阵保证了合成信号不仅在数值上，而且在生理特征上与原始脑电信号保持高度一致，从而避免了传统方法中由于属性简化导致的信号失真。本专利技术利用ssvep信号的周期性对合成的参考信号进行多次移位，解决了现有技术中增强方法可能导致的信号相位和频率特异性失真问题。移位操作通过按周期性地移动合成信号，以生成具有不同时间偏移的信号样本。增加了数据集中信号的多样性，移位操作能够保证信号的频率特征不变，从而维持信号的频率特异性，避免了频率偏差带来的分类错误和解读误差。扩充训练数据的数量，提高了信号处理系统的整体稳定性和可靠性。本专利技术将移位后的合成信号与原始信号拼接，增加合成的数据量，扩充训练集，解决克服了现有技术中训练集数据量小、模型泛化能力弱的问题，提高脑电特征解码的准确性。
3、实现本专利技术目的的技术方案如下：
4、步骤1，生成一个正弦-余弦参考矩阵，该矩阵的行交替表示ssvep脑电信号谐波的正弦和余弦的幅度，该矩阵的列代表ssvep脑电信号谐波的采样时刻；估计ssvep脑电信号谐波的每个采样时刻与正余弦参考矩阵每个元素之间的误差，得到混叠矩阵；通过最小均方误差准则估计出最优混叠矩阵，用最优混叠矩阵与参考矩阵相乘得到重建后的源信号；
5、步骤2，对重建后的源信号进行移位，移位的次数等于源信号的周期次数，每次移位长度等于一个源信号周期长度；将每次移位后的信号作为一个样本；
6、步骤3，将移位后的所有样本与ssvep脑电信号拼接后组成训练集；
7、步骤4，使用空间滤波算法，计算训练集中每个样本的空间滤波器的权重值，通过空间滤波器权重值和原始样本信号加权求和计算相关系数，选择与最大相关系数对应的刺激频率作为目标刺激源即解码。
8、本专利技术与现有技术相比，具有如下优点：
9、第一，本专利技术使用混叠矩阵估计方法来合成与真实ssvep信号相似的样本。这种方法通过混叠矩阵捕捉和重现原始ssvep信号的频率和相位特征，能够更准确地模拟脑电波的动态特性。与现有技术中简单的样本变换方法相比，克服了无法精确模拟脑电波动态特性的缺陷，使得本专利技术显著提高了合成信号的真实性和有效性，使其适用于对信号动态特性有高要求的ssvep-bci系统，优化了电脑特征解码的准确性和效率。
10、第二，本专利技术通过移位操作来增强合成信号与真实ssvep信号之间的相似度。移位操作通过在时间轴上调整合成信号的位置，保持信号的频率成分不变，同时确保合成信号的时间特征与真实ssvep信号更为一致。这种精确的时间匹配提升了对脑电信号的模拟和解码能力，从而提高了系统对脑电活动的识别和响应效率，有效减少了由数据增强方法可能带来的信号失真问题。这些改进使得本专利技术显著提升了在解码过程中的信号处理性能，特别适合于那些对高信噪比和数据真实性要求严格的ssvev-bci系统中使用。
11、第三，本专利技术通过对多个类别分别合成数据来克服现有技术中只能生成单一类别数据的缺陷。在ssvep-bci系统中，不同类别的ssvep信号对应不同的视觉刺激频率，本专利技术针对每个类别分别进行数据合成，确保生成的样本能够涵盖所有目标类别的特征。这种方法确保了合成数据的多样性和分类准确性，使得本专利技术适用于多分类的ssvep-bci系统，能够有效提升电脑特征解码过程中的分类性能和适应性。
本文档来自技高网...【技术保护点】
1.一种基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，其特征在于，使用个体校准脑电数据估计出混叠矩阵，利用SSVEP信号的周期性对重建的源信号进行多次移位，生成具有不同时间偏移的信号样本，将移位后的合成信号与原始信号拼接，增加合成的数据量；该解码方法的步骤包括如下：
2.根据权利要求1所述的基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，其特征在于，步骤1中所述的正弦-余弦参考矩阵如下：
3.根据权利要求2所述的基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，其特征在于，步骤1中所述的个体校准脑电数据最小均方误差准则指的是，通过最小化均方误差来调整滤波器在每个频率的权值，输出信号与期望信号之间的误差最小化后的优化值。
4.根据权利要求3所述的基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，其特征在于，步骤1中所述的最优混叠矩阵如下：
5.根据权利要求4所述的基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，其特征在于，所述个体校准数据的平均模板是由下式得到的：
6.根据权利要求5所述的基于样本数据增强
7.根据权利要求6所述的基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，其特征在于，步骤3中所述将移位后的合成信号与原始信号拼接指的是，Nt个试次的结果通过移位数据Na次得到扩展，每次移位的长度为Li，产生了一个新的扩展的数据集该数据集中包括原始试次和Na个额外试次，总共Naug个试次，Naug＝Nt+Na。
8.根据权利要求1所述的基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，其特征在于，步骤4中所述空间滤波算法指的是，使用通过训练获得的空间滤波器测试数据被分解为Y个子带分量，使用滤波器组分析表示为Yj(j＝1,2,…,Nj)，并对多次试验平均后的训练数据进行空间滤波，然后在空间滤波后计算两者的相关系数，选择其中与最大相关系数对应的刺激频率作为目标刺激源。
...【技术特征摘要】
1.一种基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，其特征在于，使用个体校准脑电数据估计出混叠矩阵，利用ssvep信号的周期性对重建的源信号进行多次移位，生成具有不同时间偏移的信号样本，将移位后的合成信号与原始信号拼接，增加合成的数据量；该解码方法的步骤包括如下：
2.根据权利要求1所述的基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，其特征在于，步骤1中所述的正弦-余弦参考矩阵如下：
3.根据权利要求2所述的基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，其特征在于，步骤1中所述的个体校准脑电数据最小均方误差准则指的是，通过最小化均方误差来调整滤波器在每个频率的权值，输出信号与期望信号之间的误差最小化后的优化值。
4.根据权利要求3所述的基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，其特征在于，步骤1中所述的最优混叠矩阵如下：
5.根据权利要求4所述的基于样本数据增强的稳态视觉诱发电位脑电特征解码方法，其特征在于，所述个体校准...
【专利技术属性】
技术研发人员：黄嘉阳，杨鹏飞，万波，问好，熊帮，王泉，赵辉，李少峰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。