图 4介绍了不同的阈值确定算法的步骤。

阈值确定算法由三个步骤开始估计SSVEP的信噪比。事实上,正如上面提到的,噪音和工件的水平直接影响的发生突然变化,所以断点的发生。断点是未知点两个连续的线连在一起的。他们代表职位的斜坡函数与线性趋势开始改变大幅超过一个预定义的阈值。我们的目标是要推导出适量的断点基于信噪比。信噪比估计方法用于我们的方法是在今年的工作等。 25]。这种技术措施活动水平在一个给定的刺激频率对相邻频率的活动水平根据以下方程: (1) 信噪比 f = n 。 P f ∑ 我 = 1 n / 2 P f + 我 Δ f + P f − 我 Δ f , 在哪里 n= 6, Δ f = 0.5 赫兹 , P f 通过评估获得的光谱功率频率 f 通过周期图与图基窗口参数等于0.1。

基本频率是最高的权力SSVEP的信号之后,第一次谐波下谐波。因此,它更容易比谐波分析的基本频率。为达此目的,我们选择来表达SSVEP的信号的信噪比SNR值在基本频率的平均值: (2) 信噪比 SSVEP的 = ∑ 我 ∈ k 信噪比 f 我 米 , 在哪里 k 刺激频率和使用的组吗 米 是刺激的数量。

估计的信噪比SSVEP之后,这个量第二步使用指定断点(BP)的适当比例根据以下方程: (3) 英国石油公司 = 一个 + B ⋅ 信噪比 SSVEP的 , 在哪里 一个 和 B 是两个系统参数估计使用遗传算法(GA)。

GA的性能优化方法。它从达尔文进化论和遗传学的优势。GA的目标,在目前的工作,是指定的最优值 一个和 B最大化整个BCI系统的准确性(计算后决定由CCA块)。GA始于一个随机初始种群的个体,然后分析在每一代成立健身价值观(精度值),因此,它的发展通过迭代最优解计算过程( 26, 27]。因此,需要一个系统参数优化阶段之前BCI系统的正常使用。一次,离线预备阶段确定的值 一个和 BBCI系统成为准备好开始正常的实时使用阶段。重要的是要注意到的价值 信噪比 SSVEP的 从一个领域到另一个使不同系统的适应性。在系统评价实验,每次实验我们选择一个主题作为测试集,并结合试验从所有剩余科目设置需要执行遗传算法。

在下一步(指定适当的阈值),该方法探索所有可能的断点和挑选最接近的一个百分比值固定的早些时候GA然后指定阈值将用于其余的分析。

算法 1细节的不同指令后得到适当的阈值。断点比例最高(100%)被发现当断点的数量等于一半数量的EEG样品(0.000001阈值是最小的,在我们的例子中)。该算法首先验证如果阈值等于最小或最大价值;否则,它将阈值范围分为20个区间,然后分析它们一个接一个。该技术减少了计算时间。

输入:PhaseSig▷瞬时相位信号

旨在段时间序列的分段线性近似 n 样品到 k 直线尽可能高质量的近似。形成这个问题的一个可能的方法是考虑一个用户指定的阈值和代表容忍的错误,目的是产生新的表示在这种方式的最大误差不超过阈值。作为 k 小于 n ,这表示可以用来促进数据的分析和解释。提出了几种技术来创建断点在字里行间。滑动窗口算法是最受欢迎的一个由于其简单性,它的直觉,与在线应用程序的兼容性。使用滑动窗口,从一个样本每段长度增加到下一个错误边界虽然没有达到。一旦错误超过阈值时,就会创建一个新的断点和过程将重复下一段。

简单线性回归的目的是分析两个定量变量之间的关系:一个解释也称为独立变量和一个响应也称为因变量(一般来说, x 和 y 笛卡儿坐标系统的坐标)。寻求关系由一条直线表示,应该尽可能准确地符合笛卡尔坐标的点形成一个新的因变量的预测 y ^ 作为一个独立变量的函数( 23]。这个线性函数给出的 (4) y ^ = β 0 + β 1 x , 在哪里 β 0 和 β 1 模型的参数(系数)指示,分别的截距项 y设在和回归线的斜率。这些参数被发现通过最小化之间的偏差的平方和回归线因变量和相应的值(也称为平方和误差)。 (5) β 0 ^ , β 1 ^ = 参数 最小值 ∑ 我 = 0 米 y 我 − β 0 − β 1 x 我 2 。

这个优化问题的决议是由 (6) ∂ ∂ β 0 ∑ 我 = 0 米 y 我 − β 0 − β 1 x 我 2 = 0 , ∂ ∂ β 1 ∑ 我 = 0 米 y 我 − β 0 − β 1 x 我 2 = 0。

这个问题的解决方案如下: (7) β 0 ^ = y ¯ − β 1 ^ x ¯ , β 1 ^ = 浸 x , y 年代 x 2 , 在哪里 x ¯ 和 y ¯ 的平均 x 和 y 分别 年代 x 的方差 x , 浸 x , y 的协方差 x 和 y 。

在分段线性回归,简单线性回归是用来创建直线和误差的平方和作为阈值来创建断点( 24]。

马过滤器是不同的有限脉冲响应(杉木)滤波器的信号进行了平滑,消除随机变化。是有用的改进时域信号的信息。当前输出样本计算平均前面 米 样品在哪里 米 滤波器的长度或订单。时间窗口是应用到移动信号计算连续当地平均水平。马的输出滤波器与秩序 米 表示如下: (8) y n = 1 米 x n + x n − 1 + x n − 2 + ⋯ + x n − 米 + 1 , y n = 1 米 ∑ k = 0 米 − 1 x n − k , 在哪里 x 是输入原始信号。

信号预处理的步骤后,一个决策的步骤是需要提供系统输出命令。的一个最有效的方法来识别目标的频率的凝视是CCA-based方法。该方法已经应用在许多作品由于其简单性,其可靠性和精度高。首先引入了林等。 6, 28),该方法集成CCA量化最优的多通道脑电图和模型之间的相似性SSVEP的信号。因此, n 之间的相关系数估计多通道脑电图信号和参考信号( n 是刺激的数量)。每个引用 R f 我 是由多个时间序列对应于一个刺激频率及其谐波。 (9) R f 我 = 罪 2 π f 我 t 因为 2 π f 我 t ⋮ 罪 2 π N h f 我 t 因为 2 π N h f 我 t 。

如前面的方程所示, R f 我 由一组正弦和余弦信号 f 我 和 N h 是两个常量代表第i个刺激频率和谐波的数量考虑在内,分别和 t 定时器计数。因此, R f 我 ∈ ℝ 2 N h × 问 在哪里 问 是时间点的数量。

刺激频率产生最大系数值是选择和确定为目标频率。

像在前一节中,我们提出的方法允许的第一块检测系统性能恶化的无关紧要的间隔。图 5展示了一个示例的结果这一块。

这个实验之前,系统已经处决了GA的准备阶段,以确定最佳的参数值 一个和 B。

图 5(一个)显示PLR的结果应用于一个瞬时相位信号估计从一个原始脑电图段。圆曲线上表示直线的开端,而十字架表示结局。开始和结局都可以认为是特征提取阶段信号容易被他们创建一个新的表示。事实上,只是计算两个点之间的差异可以知道他们一定的间隔是相关或不相关。

图 5 (b)所示,相同的数据,结果无关紧要的周期识别的步骤。结果表明,短长度的PLR行允许区分相关和无关紧要的间隔没有延迟不管他们的长度。间隔的类型只取决于瞬间变化的斜率。

图 5 (c)阐述了预处理信号的瞬时相位估计发现算法。从曲线的趋势很明显,相位信号更稳定和边坡稳定的用更少的变化。这个结果证明少SSVEP的信号的频率成分的变化。

在文献中提出了两个指标来评估的BCI系统的准确性和ITR。计算准确率正确决策的数量除以数量的试验。ITR反映了系统的速度和考虑准确性和执行时间的值。沃尔波et al。 29日)提出了一种方式来表达ITR如下方程给出: (10) B = 日志 2 N + P 日志 2 P + 1 − P 日志 2 1 − P N − 1 , 在哪里 B 在比特/符号, N 的数量目标, P 分类精度。更常见的ITR来自第一个给出如下( 30.]: (11) B t = B ∗ 60 CTI , 在哪里 B t 在比特/分钟和CTI命令转移代表所需的平均时间间隔大脑功能活动转换成一个命令。

该方法与空间滤波方法的介绍。实验使用PC电脑8内存和英特尔酷睿i7, 4.6 GHz处理器。软件代码是使用MATLAB实现R2016a EEGLAB插件的ICA方法。脑电图信号预处理的所有方法的描述展示在表获得信号 1。这些信号被用于决策的CCA步骤。

BSS家庭使用方法,属于所有的16通道创建ICs,然后,只有6中使用前面提到的通道CCA的一步。

表 2显示了五个科目的系统准确率发现使用所有的预处理方法。2 s长度的片段被用于实验。

结果表明,预处理方法的文献在某些情况下改善SSVEP的质量。然而,大多数结果是拒绝的。事实上,以防汽车方法,错误是由于电极密度有限,不完整的电极覆盖,只有头顶可以由电极,和不准确的建模的一个简单的球体。此外,BSS方法无法区分的脑电图段污染工件从artifact-free段。因此,从每一个分解的结果会导致删除ICs ICs的重要。同时,集成电路可以包括一个混合的组件SSVEP的相关相关工件和其他组件。因此,整个ICs的拒绝以系统的方式会导致重要信息包含在这些ICs的损失。CSP和PLS方法允许增加平均精度;然而,他们的表演是所有科目不稳定。他们主要使用脑电图主题2精度下降。

很明显的结果,该方法执行比标准的CCA和空间滤波的。事实上,它增加了系统平均准确率7.3%,平均ITR约3.85比特/分钟。这证明了该方法的有效性在SSVEP的频率分量的增强和降低噪声水平和工件。此外,所有科目的准确性增加无一例外,即使精度很低,作为主题的,以防3精度低于65%;因此,我们可以看到,我们的方法保持稳定甚至面临着高水平的噪音和工件。

表 3显示了一个比较处理所需的平均时间2秒的片段长度。

结果表明,我们建议的方法执行比ica方法。事实上,混合矩阵及其逆矩阵的估计是非常耗时。然而,CSP,请和汽车方法远比我们的方法的计算时间。的平均计算时间约为0.28秒2 s区段长度。之间的延迟的结束部分收购和决策可以削弱的自然使用BCI。然而,提高计算成本,更可以使用高性能计算机与更强大的资源。此外,代码可以优化软件解决方案。

表 4显示了不同的段长度的系统性能。因为用户不能使用BCI在计算时间,这段时间被添加到段长度计算ITR。

结果表明,该方法提高了CCA方法的决定即使减少段的长度,这证明了它的稳定性和鲁棒性。事实上,随着系统可以选择无关的间隔长度和减少应用过滤,它仍然是功能和精度不管段的长度。段和2 s长度允许达到最好的准确性和ITR值使系统接近一个在线使用外部实验室。然而,确保实时使用,平均所需计算时间做出决定必须得到改善。