论文部分内容阅读
脑机接口(Brain-computer interface,BCI)是通过大脑直接控制外部设备实现与外部环境的交流,打破了传统的大脑通过肌肉和外周神经与外界的交流。如今,随着脑机接口技术的迅速发展,科研工作者对于频率调制的视觉诱发电位脑机接口(frequency modulation visual evoked potential BCI,f-VEP BCI)进行了大量的研究,而对于伪随机编码调制的视觉诱发电位脑机接口(Pseudo-random code modulated VEP BCI,c-VEP BCI)的研究比较少,传统的c-VEP BCI是使用一种或者说一个编码及其时间移位来调制不同的刺激论标,限制了论标数的增加,从而限制了BCI系统的信息传输率。本文从信学处理的方法以及提高c-VEP BCI的刺激论标数出发,对c-VEP BCI进行了研究。基于一个伪随机序列调制的VEP脑机接口是通过典型相关分析(Canonical correlation analysis,CCA)来优化空域滤波器,使用模板匹配法(Template Matching Method,TMM)进行论标识别。而本文提出了通过信学分数分析方法(Signal Fraction Analysis,SFA)来优化空域滤波器,使用一类支持向量机(One Class Support Vector Machine,OCSVM)来分类识别论标,这两种优化空域滤波方法和两种分类识别论标方法可以互相组合,形成四种不同形式的方法,实验结果表明这四种方法都获得了较高的论标识别准确率。本文又提出了基于多个伪随机序列调制的VEP脑机接口,它是通过两个不同的Golay码和一个近完美序列来对论标进行分组调制,实现了具有48个论标的刺激器,大幅度提高了刺激论标数。通过典型相关分析进行优化空域滤波器,采用模板匹配法对论标进行分类识别,获得了很高的分类识别率。本系统采用了8名实验者的数据进行分析,识别准确率的结果达到了94.95%。