[发明专利]一种基于经验模态分解的稳态视觉诱发电位的分类方法

说明书

一种基于经验模态分解的稳态视觉诱发电位的分类方法，首先将采集到的多导稳态视觉诱发电位(SSVEP)进行多元经验模态分解后，分解为不同频段范围上的若干子信号；然后根据已知分类标签信号的子信号与模板信号间的相关系数，计算子信号所对应的分类适确性指数；而后计算出未知标签信号中子信号与模板信号间的相关系数，通过将分类适确性指数作为子信号相关系数的选择权重，重构原信号与模板信号的相关系数；最后根据原信号与模板信号的重构相关系数对稳态视觉诱发电位(SSVEP)进行分类；本发明在提高稳态视觉诱发电位(SSVEP)信噪比的基础上，实现了对于稳态视觉诱发电位(SSVEP)较高的分类正确率。

技术领域

本发明涉及稳态视觉诱发电位信号(脑电信号)分类技术领域，特别涉及一种基于经验模态分解的稳态视觉诱发电位的分类方法。

背景技术

脑机接口是一种新型的人机交互方式，能够通过读取受试者的脑部神经活动信息实现对外部设备的控制。在实际使用中，皮层脑电信号(EEG)以其高时间分辨率和信号提取便捷等优势，被作为脑机接口控制系统中的主要信号来源，其中基于稳态视觉诱发电位信号(SSVEP)、运动想象和P300等事件相关脑电信号的脑机接口更是作为脑机接口的基础模式。在经过不断的探索和研究之后，稳态视觉诱发电位信号(SSVEP)以其高稳定性和高传输速率等优势成为了脑机接口系统中最广泛使用的脑电信号。然而由于大脑的容积传导效应，由受试者采集到的头皮脑电信号包含了各种环境噪声、各类生理信号噪声和运动伪影等，致使头皮脑电信号的信噪比较低，由此导致脑机接口在使用过程中对于事件相关电位脑电信号的特征不易提取的问题。针对稳态视觉诱发电位信号，清华大学提出了典型性相关分析(CCA)的算法用于提升在稳态视觉诱发电位信号(SSVEP)脑机接口实际使用过程中的分类正确率，成为稳态视觉诱发电位信号(SSVEP)脑机接口中关键性的算法。

典型性相关分析算法在对稳态视觉诱发电位信号进行特征提取和分类时主要存在以下不足:

(1)典型性相关分析算法将稳态视觉诱发电位信号视作单一的脑电信号，在对其进行滤波等预处理操作的过程中会损失有效的特征信息，导致其分类正确率受限。

(2)在不少的改进算法中，对于分频带后的稳态视觉诱发电位信号子信号的选择和权重缺乏先验知识，在对子信号进行分解和重构的过程中会加入不少的噪声信号，无法有效实现提升稳态视觉诱发电位信号信噪比的目的。

发明内容

为了克服上述现有技术的缺陷，本发明提出了一种基于经验模态分解的稳态视觉诱发电位的分类方法，分类确适性指数由信号自身的分类属性对信号进行选取和权重确定，使得在子信号选择的过程中获取到了理论依据，提升了信号的信噪比，为以稳态视觉诱发电位为代表的生理信号子信号选取提供了理论依据和支持。

为了达到上述目的，本发明的技术方案为：

一种基于经验模态分解的稳态视觉诱发电位的分类方法，包括以下步骤：

(一)、将稳态视觉诱发电位(SSVEP)通过多元经验模态分解算法分解为若干个子信号，其中若干个子信号分布在不同频段范围内，具体为：采集单个被试者导联数目为N，信号长度为T，信号刺激源共有P个，对应刺激频率为f_p的稳态视觉诱发电位(SSVEP)S＝{s_ntp},n＝1,2...N，t＝1,2...T，p＝1,2...P，对采集的N导联稳态视觉诱发电位(SSVEP)进行多元经验模态分解(MEMD)，得到频段范围由大到小的m个MIMF经验模态分量。

(二)、选取已知类别标签的稳态视觉诱发电位作为训练集信号，分别计算其子信号与模板信号的相关系数。

(三)、对已知类别标签的子信号与模板信号的相关系数进行分类适确性指数的计算，将该指数平方的倒数作为分类过程中的子信号选择权重。