通道Projection-Based CCA SSVEP-Based BCI系统的目标识别方法Quadrotor直升机控制

文摘

脑机接口(BCI)中扮演一个重要的角色在协助患者肌萎缩性脊髓侧索硬化症(ALS),使他们参与到沟通和娱乐。在这项研究中,一种新的频道projection-based典型相关分析(CP-CCA)目标识别方法,基于稳态视觉诱发电位(SSVEP)——BCI系统提出了。多个试验的单通道脑电图(EEG)信号时记录下的主题是相同的刺激频率。单通道脑电图信号之间的cca多个试验和正弦余弦参考信号。然后,每个通道的最优参考信号是用来估计测试脑电图信号。验证该方法,我们获得的训练数据集和两个测试条件包括最佳时间窗长度和数量的训练数据的审判。离线实验比较该方法与传统的典型相关分析(CCA)和功率谱密度分析(PSDA)方法使用五级SSVEP的数据集,记录从10。根据训练数据集,在线3 d-helicopter控制进行了实验。离线实验结果表明,该方法优于CCA和PSDA方法的分类精度和信息传输速率(ITR)。此外,在线实验三自由度直升机控制实现平均精度为87.94±5.93%的ITR 21.07±4.42 /分钟。

1。介绍

脑机接口(BCI)是一种直接通信控制系统,建立了一个人类的大脑的电信号之间的传输通道和外部设备没有肌肉和周围神经系统的参与(1]。几十年来,BCI技术已经越来越发达,利用神经生理学信号,如脑电图、脑磁图(MEG),近红外光谱(NIRS)和功能性磁共振成像(fMRI)2- - - - - -4]。因为它使得基于脑电图最近,BCI已成功地应用于临床康复辅助流动,处理识别,和游戏由于其noninvasiveness,可靠性、可移植性,和非凡的时间信号分辨率(5]。此外,BCI不仅可以提高残疾人的生活质量,但也可以提供额外的帮助和娱乐模式扩大和选择任务(健康的人来实现多功能6]。

现在几个基本范式已经因为它使得基于脑电图利用实现bci,如与事件相关电位(ERP) (7),P300电位(8],稳态视觉诱发电位(SSVEP) [9,10),缓慢的皮层电位(SCP) [11),和运动图像(MI) [12]。SSVEP-based BCI吸引了太多的关注由于其实现高维控制的可能性(自由度),仍然是一个关键问题对于发展中多维和多功能BCI的应用程序。此外,高信噪比(信噪比),高ITR和小培训需要可以通过SSVEP-based BCI系统(13]。SSVEP的是一个周期响应的大脑反映在重复的视觉刺激与某一固定频率闪烁(通常高于6赫兹)。几项研究已经提出了开发SSVEP-based BCI应用程序。的40-target SSVEP-based BCI是高速发达的大脑拼字,可以实现一个ITR 267位/分钟(14]。SSVEP-based BCI应用程序被设计为一个迷宫游戏。四个操作指令,上,下,左,和正确的应对四个命令的刺激来控制对象的运动在一个迷宫15]。这两种不同类型的视觉刺激,pattern-reversal棋盘刺激(prc文件)和成长/收缩刺激(GSS),比较在SSVEP-based BCI在虚拟现实环境中的应用。这表明,最佳的视觉刺激一个人可以改善的性能SSVEP-based bci,减少视觉疲劳在虚拟现实环境中(16]。信号通路的SSVEP-based BCI拼字的系统设计(17]。这部小说虚拟键盘包含58字符、特殊符号,数字,5盒(6厘米×6厘米)刺激中每一层(三层一个目标字符)。在线实验精度约为97.4%的ITR 49±7.7 /分钟。

然而,对于真实的应用程序中,不能被广泛接受的多通道系统由于设备的高成本和复杂的安装过程。商业和低成本的脑电图记录装置,Emotiv EPOC,结合低空间分辨率和可接受的信号质量,用于BCI走出实验室应用。Emotiv EPOC是利用在射击游戏的主题可以使用他们的大脑控制手枪在线射击的方向(18]。研究人员设计了一个基于SSVEP的可穿戴的BCI系统,使3 d导航四轴飞行器的飞行与身临其境的第一人称视觉反馈使用头戴设备(19]。因此,Emotiv EPOC设备相当足够用于便携式日常应用健康和残疾人改善生活质量20.]。

提高SSVEP-based bci的性能,考虑两个主要的方向(21:增加刺激类的数量和提高目标识别算法的准确性。的频率,可以在电脑屏幕上呈现由其刷新率是有限的。因此,改善控制性能和增加的数量选择,相结合的混合形态SSVEP和其它脑电图特征(P300)或电生理学特性了22]。目标识别算法起着重要的作用在增强SSVEP-based bci的性能。功率谱密度分析(PSDA)是一种广泛使用和容易实现方法在SSVEP的识别中,该公司估计EEG信号在不同频率的PSD值在一个特定的时间窗口,通常是通过快速傅里叶变换(FFT)和离散傅里叶变换(DFT) [23]。随后最大PSD的频率值(峰值)被认为是视觉刺激频率。然而,PSDA对噪声的敏感性导致低SSVEP的频率检测精度。此外,通常需要一个相对较长的时间窗口来估计可能限制它的实时应用的频谱。为了克服PSDA的局限性,一些研究采用多元统计分析作为分类器来检测SSVEP的频率,如典型相关分析(CCA) [24),至少绝对收缩和选择算子(套索)[25]。CCA-based分类器被用来提高分类精度的情况下multichannel-based应用由于其能力提高SSVEP-based BCI系统的信噪比(26]。EEG数据是多维的,含有不同的多个实验,主体间的不确定性,等等。然而,上述算法不能满足多维信息的需要同时处理EEG信号(尤其是SSVEP的)。为了解决这个限制,我们试图把多维信号处理技术与CCA算法来优化和改善的BCI系统的性能SSVEP的特征提取和分类的过程。

本研究提出一个通道projection-based目标识别方法与CCA SSVEP-based BCI的提高性能。离线的性能实验评价使用5-target SSVEP的数据集记录来自10个科目。传统的CCA方法和PSDA方法被用来比较该方法的性能。优化后的参数(数据长度、训练试验的数量和电极的数量),在线BCI系统进行了控制方法的三自由度直升机。论文的其余部分的结构如下:部分2描述材料使用的所有的细节,提出了分类/控制方法,实验设置和离线和在线。离线和在线实验结果显示部分3。最后,提出了讨论和结论部分4。

2。材料和方法

图1显示了一个拟议中的SSVEP-based BCI系统的框图。主题坐在椅子上的液晶显示器(LCD)和凝视着刺激盒子。原始记录的干电极脑电图数据,然后被传输到主机电脑作预处理提高信噪比。对于目标识别,一种方法是将特征提取和特征分类方法找到合适的刺激频率。另一个是使用不同的目标识别方法来识别目标刺激。最后,生成控制命令由计算机根据分类的结果。3 d直升机将进行控制命令移动到目标位置。

2.1。实验环境

男性和3女性十个健康志愿者(7)参与了离线和在线实验,分别。所有参与者年龄从21岁到26岁(平均年龄24)。这些完全BCI-naive受试者正常或矫正到正常视力。所有的参与者被告知明确的书面同意关于实验的目的和可能的后果。

在BCI实验,液晶是用于演示刺激的监视器分辨率和刷新率是1920×1080像素和60 Hz,分别。黑白的颜色组合是在刺激器的设计中选择显示不同刺激频率。每个刺激框是4厘米×4的平方厘米,如图2(一个)。刺激频率的五个目标是6.67赫兹,7.5赫兹,8.57赫兹,10赫兹,和12赫兹位于左侧,中间,右,前,和底部的屏幕,分别。

结合成本效益,便携式,没有培训功能,Emotiv EPOC耳机是用来收集脑电图信号,装置如图3。大脑活动记录,14个通道是放置在标准位置根据10 - 20国际体系,名叫AF3、F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, AF4。此外,CMS / DRL参考位置也雇佣,坐落在耳朵后面的话题。EEG信号采样2048 Hz的内部收益率和down-sampled在每个脑电图通道128 Hz。

2.2。实验设计

2.2.1。离线BCI实验

SSVEP-based BCI的实验中,受试者坐在舒适的位置通常在一个明亮的房间,40厘米距离监控,这是放置在前面的主题。离线实验,受试者进行了模拟在线实验记录脑电图数据离线分析。受试者引导目光的一个五刺激目标根据被扬声器发出的命令。每个主题完成10分,每次运行5组成的试验。防止被试视觉疲劳,2分钟后打破了5分。此外,每个刺激频率进行了一个随机序列。每次试验持续6秒,由两部分组成:一个线索阶段1 s和刺激阶段5 s。图4显示整个过程的时间。减少眼球运动工件,受试者被要求避免眼神闪烁在刺激。十倍交叉验证是用来评估SSVEP的精度识别为一个主题。这意味着九道作为训练数据集,然后剩下的一个试验是测试数据。传统的CCA方法和PSDA方法被用来比较该方法的性能。

2.2.2。在线BCI实验

在线实验进行验证所列出的特征识别方法的有效性。离线数据被用作训练数据集在网上实验。受试者被要求通过该方法控制三自由度直升机。直升机的示意图如图5。了状态方程的线性化系统是利用在我们之前的研究27]。Matlab工具箱和QuanRC软件被用来连接实验平台控制三自由度直升机的态度。根据设计刺激频率,四个任务的直升机可以进行(左,右,向上和向下运动),对应于四个刺激在屏幕上的位置。屏幕的中间刺激盒子是用来取消前面的行动时,用一个错误的命令。直升机飞行任务的俯视图如图6。导航所需的主题是直升机从起始位置到目标位置B,然后回到位置A当直升机收到控制命令,它将十度沿轴在相应的重新定位。因此,18岁应该产生正确的命令完成这项任务。正确的数量计数的18命令是用来评估系统精度。一旦生成错误的命令,用户可以选择中间框直升机回到最后一个位置。

评估整个系统,分类精度和ITR计算。ITR是一个著名的BCI系统参数评价(28]。的审判N可能的目标,每个目标都有相同的可能性,分类精度这个目标可以实现每个目标都是一样的。ITR越高意味着BCI系统能够传输更多的信息单位的时间。信息传达每一分钟计算如下: 在哪里T代表了时间窗长度。如果该值的N是固定的,ITR只是的价值而受到影响T的价值 。在这项研究中,目标是5的数量和时间窗口长度的范围是从1到5 s。

2.3。目标识别算法

2.3.1。基于CCA SSVEP的识别

CCA方法能够计算潜在的两个多维数据之间的相关性。因此,CCA扩展了普通相关性两组随机变量,已广泛应用于ssvep的识别24,29日]。换句话说,CCA旨在找到一对线性变换,称为标准变体,为两套多维变量,从而达到最大的两个典型变量之间的相关性。假设两个多维随机变量X和Y(和 )。CCA发现一双权重向量和 ,分别,最大化线性组合之间的相关性和 。它被定义为 在哪里是最大的典型相关。x和y预计到和 。其中,和是之间的协方差矩阵,然后呢之间的协方差矩阵。每个CCA导致大量的解决方案等于最低的行数之间X(h),Y(j)。的解决方案是一个衡量两组原始数据之间的相似性。

区分米刺激频率,CCA将被执行米次了。在一定频率的刺激 ,多通道脑电图信号之间的CCAX(h介绍脑电图通道的数量,以及我每个通道的采样点数量)和一个参考信号计算。Y是人工生成的参考信号与正弦和余弦波刺激频率 ,和j谐波的数量。设置为参考信号 在哪里采样率。大脑动力学扮演一个低通滤波器,在方波和高谐波组件可能过滤。四个谐波是用于这项工作。脑电图信号之间的相关系数和不同参考信号计算(3)。因此,目标频率被公认为

2.3.2。通道与CCA Projection-Based目标识别方法

虽然强大的性能CCA-based方法在检测SSVEP的研究人员已经证明24,26,30.]。然而,SSVEP的检测能力可以影响不同频率的幂律分布功率谱自发的脑电图(EEG)信号。因此,CCA可能不给最好的SSVEP的分类精度,尤其是在使用一个相对较短的时间窗口。几项研究已经试图缓解这一问题。据报道,一个无监督方法推导出规范化的典型相关系数CCA增强SSVEP的频率检测。张等人提出了MCCA [31日]和L1-MCCA [32)方法来优化参考正弦余弦信号关联EEG信号的多个维度。然后,共同的特征被用作参考信号而不是正弦余弦信号来提高识别精度。这些方法的核心思想是使用多个试验主题聚焦于相同的视觉刺激通过训练过程得到参考信号,从而降低主体的内在差异。

灵感来自上面的研究中,我们利用CCA方法找到最优数据代表脑电图数据的多个试验时所记录的单通道主体凝视着相同频率的视觉刺激。图7说明了该CP-CCA的流程图(通道projection-based CCA)。假设记录脑电图数据的multitrials特定刺激频率 ,n试验的数量,h代表四个不同的频道(O1、O2、P7 P8)。这两个向量和选择找到的最大相关系数和 。的最大相关性可以被描述为一个频道

参考信号反映了SSVEP的频率分量不同的渠道。此外,它包含的共性与multitrials单通道频率相同的刺激。当最优参考不同的刺激频率的信号得到的相关系数测试信号和参考信号之间的单通道(O1、O2、P7 P8)可以计算。单个试验的新测试数据是公认的最大价值 ,的是哪一个 ,,可以定义为

在这个工作中,目标刺激频率的数量米= 5。参考信号,其根本和第二频率成分被认为是在这个设计。

3所示。结果

3.1。离线实验结果

离线实验旨在寻找最优参数在线SSVEP的识别。在这个离线分析、最优时间窗长度和训练数据的数量进行了讨论。图8显示了大脑频率功率主题地图S1的运行。红色代表大脑活动明显激烈。相反,蓝色表示部分的大脑中没有显示显著的活动。

图9显示了每个十个科目的平均检测精度得到PSDA, CCA,并提出CP-CCA对时间窗口长度从1到5 s。的精度估计10倍交叉验证、9试验作为训练数据,分别和1审判作为测试数据。结果表明,分类精度与刺激的时间增加。

图10描述了所有科目的平均精度的三个方法。这些结果说明该CP-CCA显著优于PSDA和CCA SSVEP-based目标识别在时间窗口从1到5 s。分类精度最高的5 s提出CP-CCA是90.09%的时间窗口,而CCA和PSDA方法达到的最高精度的81.02%和73.04%,分别在5 s窗口长度。

图11显示每个通道的相关系数(P7, P8 O1、O2)和四个通道对应不同的平均价值参考信号频率(6.67赫兹,7.5赫兹,8.57赫兹,10赫兹,和12赫兹)来自10倍交叉验证的提议CP-CCA 5 s的时间窗口,当五刺激频率作为目标频率。此外,这些结果与CCA-based方法在相同的实验条件。CCA相比的结果,提出CP-CCA取得了较高的相关系数(4通道)的平均值为目标频率。

此外,另一个进行分析找出最优通道蒙太奇,结果如图12。10倍交叉验证的精度估计。实验结果表明,该组合O1、O2的精度高于P7和P8在五刺激频率的组合与不同时间窗长度但低于O1群的组合,O2, P7, P8。研究结果还表明,在大多数情况下,侧电极具有更好的结合比侧电极的组合结果。的组合O1、O2 SSVEP的检测能力作出了重大贡献。最后,我们选择四个频道(P7, P8 O1、O2)作为一个组合,因为他们更高的分类精度。

图13显示所有科目的平均分类精度与培训路径的数量(从2到10)使用5 s窗口长度。精度最高的90.09%时获得培训试验的数量是10。此外,当训练试验的数量是5,分类精度超过89%。

3.2。实时实验结果

为确保检测的准确性和ITR在线实验期间,所选的时间窗口是4 s。0.5秒间隔给受试者将目光转移3 d直升机和刺激之间的盒子。表1在线实验的结果列表的三自由度直升机控制在10个科目。4培训试验的离线试验用于每个5刺激频率。的平均精度提出的控制策略在所有科目为87.94±5.93%,和命令的平均值为23.60±3.24 /分钟。所有科目取得了超过80%的准确性。此外,主题1成功完成控制任务没有任何错误。ITR平均21.07±4.42 /分钟。

4所示。讨论和结论

在这项工作中,我们旨在开发一个可行的SSVEP-based Emotiv EPOC BCI系统考虑现实的可行性。目标识别算法中扮演一个重要的角色在SSVEP-based BCI系统的性能的提高自其他元素如刺激设计和电极的数量也应考虑。评估的有效性提出CP-CCA目标识别方法,我们比较其性能与传统的CCA和PSDA方法。如图10,该方法得到的分类精度高于CCA和PSDA时间窗口。在这项研究中,多个试验的单通道脑电图信号记录在相同主题时刺激频率。单通道之间的cca multitrials脑电图信号和正弦余弦参考信号。最优参考信号包含单通道的共性与不同试验在相同刺激频率。图11为上级提供证据SSVEP-based CCA识别精度。使用CP-CCA可能解决自发脑电活动的干扰的限制和减少固有的差异问题。

拟议中的CP-CCA之前需要个人培训数据在线BCI控制实验。培训试验是一个重要的参数的数量目标重组。如图13,分类精度的提高训练试验。然而,对于一个方便、高效的在线BCI系统,无培训或几次是至关重要的(13]。从离线实验结果,5倍交叉验证的分类精度达到89%以上。此外,提醒窗口长度的增加可能会导致降低ITR,每个命令的时间增加,增加的总时间完成一项任务。为确保检测的准确性和ITR 4 s时间窗口被选为在线实验。实验结果从10科目三自由度直升机在控制显示,平均精度为87.94±5.93%的ITR 21.07±4.42 /分钟。在线平均精度略低于线下使用相同数量的训练试验。的差异可能会影响实验条件之间的在线和离线模式,如脑电图信号的信噪比光照条件在房间里,受试者的视觉疲劳,和主题的三自由度直升机控制意识。一些研究表明,空间滤波技术有效去除脑电图工件,导致增加信噪比和SSVEP的分类(24,33]。另一个因素是低分辨率在在线实验的准确性(100%意味着主题不断18执行正确的命令)。此外,由于低采样频率和更少的有用的Emotiv EPOC渠道SSVEP的目标识别,分类精度,ITR设计系统是有限的。一些研究利用8或9频道CCA-based SSVEP的目标识别的方法。然而,在真实的应用程序中,一个多通道系统可以是一个低效的设备由于其复杂的设置。Emotiv EPOC的便利,提高了可用性以及降低系统的复杂性,同时保持穿着舒适随着时间的推移可能会弥补缺点。

在本文中,我们提出了一个新颖的通道projection-based CCA SSVEP-based BCI系统目标识别方法与便携式设备。离线分析结果表明,该方法优于CCA和PSDA方法的分类精度。在线应用程序验证了三自由度直升机控制实验。10个科目取得了平均精度为87.94±5.93%的ITR 21.07±4.42 /分钟。通过使用低成本的电信号采集装置,本研究将鼓励更多真实的BCI沟通和控制应用程序帮助残疾人。一个自动化系统是高效的BCI的关键特性控制。将会进行进一步的研究来开发可编程程序减少命令的总数,提高系统的灵活性和实用性为禁用。

数据可用性

[。txt)数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由年轻人和中年人在天津高校创新人才培养计划(批准号20130830)和天津市自然科学基金(批准号18 jcybjc87700)。

引用

1. j·r·沃尔波n . Birbaumer w . j . Heetderks et al .,“脑机接口技术:回顾第一国际会议”IEEE康复工程,8卷,不。2、164 - 173年,2000页。视图:出版商的网站|谷歌学术搜索
2. g . Schalk p Brunner洛杉矶姑娘,h .女孩和j·r·沃尔波“脑-机接口(bci):检测分类,而是“神经科学杂志》上的方法,卷167,不。1,51 - 62,2008页。视图:出版商的网站|谷歌学术搜索
3. n . Naseer和k . s .香港“fNIRS-based脑-机接口:复习一下,”人类神经科学前沿,9卷,p。2015。视图:出版商的网站|谷歌学术搜索
4. k·e·施罗德和c . a . Chestek皮层脑机接口推进感觉运动神经科学,神经科学前沿,10卷,p。291年,2016年。视图:出版商的网站|谷歌学术搜索
5. f .乐天l . Bougrain A Cichocki et al .,“因为它使得基于脑电图分类算法的评估脑-机接口:一个10年的更新,“《神经工程,15卷,不。第三条ID 031005, 2018。视图:出版商的网站|谷歌学术搜索
6. n . Birbaumer c·韦伯,c . Neuper e . Buch k . Haapen l·科恩,“生理调控的思考:脑机接口(BCI)研究,“大脑研究的进展,卷159,不。1,第391 - 369页,2006。视图:出版商的网站|谷歌学术搜索
7. h . Cecotti“拼写和非侵入式脑机interfaces-current和未来趋势,”Physiology-Paris杂志,卷105,不。1 - 3、106 - 114年,2011页。视图:出版商的网站|谷歌学术搜索
8. r . Carabalona f . Grossi a . Tessadri·卡斯蒂格利奥尼a .卡拉乔洛和i . de Munari光!现实世界的评估P300-based脑机接口(BCI)在智能家居环境控制,”人体工程学,55卷,不。5,552 - 563年,2012页。视图:出版商的网站|谷歌学术搜索
9. 问:问:刘,k . Chen Ai, s .谢”点评:最近的信号处理算法开发SSVEP-based大脑计算机接口,“医学和生物工程杂志》上,34卷,不。4、299 - 309年,2014页。视图:谷歌学术搜索
10. Y.-J。陈,研究所。陈,i Zaeni C.-M。吴,“模糊跟踪和控制算法SSVEP-based BCI系统,”应用科学》第六卷,没有。10,270年,页2016。视图:出版商的网站|谷歌学术搜索
11. n . Birbaumer n . Ghanayim t Hinterberger et al .,“拼写设备瘫痪,”自然,卷398,不。6725年,第298 - 297页,1999年。视图:出版商的网站|谷歌学术搜索
12. g . Pfurtscheller和f·h·洛佩斯·达席尔瓦与事件相关的脑电图/梅格同步和失调:基本原则,“临床神经生理学,卷110,不。11日,第1857 - 1842页,1999年。视图:出版商的网站|谷歌学术搜索
13. m .录像x, y . Wang高x, y . t . Wang和t·p·荣格“加强检测ssvep的大脑高速拼字的使用任务相关成分分析,“IEEE生物医学工程,卷65,不。1,第112 - 104页,2018。视图:出版商的网站|谷歌学术搜索
14. 陈x, y, m .录像x高,陈宗柏。荣格,美国高,高速拼写无创性脑机接口,“美国国家科学院院刊》上,卷112,不。44岁的E6058-E6067, 2015页。视图:出版商的网站|谷歌学术搜索
15. n . Chumerin n . v . Manyakov m·范·弗利特罗本,a . Combaz和m . van Hulle“稳态视觉诱发电势电脑游戏在消费级EEG设备”IEEE计算智能和人工智能在游戏中,5卷,不。2、100 - 110年,2013页。视图:出版商的网站|谷歌学术搜索
16. 崔k . s .公园,c . h . Im”比较稳态视觉诱发电势视觉刺激的脑-机接口在虚拟现实环境下的分类精度和视觉舒适,”计算智能和神经科学卷,2019篇文章ID 9680697, 7页,2019。视图:出版商的网站|谷歌学术搜索
17. t·h·阮和w . y .钟”,使用深度学习单通道SSVEP-based BCI拼字,”IEEE访问7卷,第1763 - 1752页,2019年。视图:出版商的网站|谷歌学术搜索
18. m . Ignas和d·a·罗伯塔”原型SSVEP的实时BCI游戏系统”,计算智能和神经科学卷,2016篇文章ID 3861425, 15页,2016年。视图:出版商的网站|谷歌学术搜索
19. r . m . Wang, r, g .李·d·张,“可穿戴SSVEP-based BCI系统四轴飞行器控制使用头戴设备”IEEE访问》第六卷,第26798 - 26789页,2018年。视图:出版商的网站|谷歌学术搜索
20. 赵问:高,x, x, y,和z,“基于脑机接口的智能家居系统的控制,”技术和医疗保健,26卷,不。5,769 - 783年,2018页。视图:出版商的网站|谷歌学术搜索
21. m .录像,y, y . t . Wang y Mitsukura, t·p·荣格,“高速使用稳态视觉诱发电位的脑拼字,”国际期刊的神经系统,24卷,不。6、文章ID 1450019, 2014。视图:出版商的网站|谷歌学术搜索
22. j . h . Wang y . Li长,t . Yu和z .顾,“异步轮椅控制混合EEG-EOG“脑机接口”认知神经动力学,8卷,不。5,399 - 409年,2014页。视图:出版商的网站|谷歌学术搜索
23. g . Hakvoort b Reuderink, m . Obbink比较PSDA和CCA SSVEP-Based BCI系统中的检测方法远程信息处理与信息技术中心,特文特大学恩斯赫德,荷兰,2011年。
24. 林z, c .张、w·吴和x高,“频率识别基于典型相关分析SSVEP-Based bci,”IEEE生物医学工程,54卷,不。6,1172 - 1176年,2007页。视图:出版商的网站|谷歌学术搜索
25. j . y . Zhang Jin, x, x王,b . Wang“套索SSVEP BCIs刺激频率识别模型为基础,“生物医学信号处理和控制,7卷,不。2、104 - 111年,2012页。视图:出版商的网站|谷歌学术搜索
26. g . Bin x高,z, b .香港和美国高,“网上多渠道SSVEP-based脑机接口用典型相关分析方法,”《神经工程》第六卷,没有。4、文章ID 046002, 2009。视图:出版商的网站|谷歌学术搜索
27. y的歌,j .刘问:高,m .刘”quadrotor直升机控制系统基于脑机接口,”学报2015年IEEE国际会议上机电一体化和自动化(国际),第1483 - 1478页,北京,中国,2015年8月。视图:出版商的网站|谷歌学术搜索
28. j·r·沃尔波n . Birbaumer d·j·麦克法兰g . Pfurtscheller和t·m·沃恩“脑-机接口的通信和控制,”临床神经生理学,卷113,不。6,767 - 791年,2002页。视图:出版商的网站|谷歌学术搜索
29. p .元,x, y, x高,和美国高,“加强表演的SSVEP-based脑-机接口通过利用inter-subject信息,“《神经工程,12卷,不。4、文章ID 046006, 2015。视图:出版商的网站|谷歌学术搜索
30. 诉Mondini, a·l·曼吉亚l . Talevi和a . Cappello”Sinc-windowing和多个相关系数提高SSVEP识别基于典型相关分析,“计算智能和神经科学卷,2018篇文章ID 4278782, 11页,2018年。视图:出版商的网站|谷歌学术搜索
31. y, g .周问:赵et al .,“多路典型相关分析的频率成分识别SSVEP-Based bci,”Proceddings 18国际会议上的神经信息处理(ICONIP 2011),第295 - 287页,上海,中国,2013。视图:谷歌学术搜索
32. y, g .周j .金m . Wang x Wang和a . Cichocki”L1-regularized多路SSVEP-based BCI的典型相关分析,“IEEE神经系统和康复工程,21卷,不。6,887 - 896年,2013页。视图:出版商的网站|谷歌学术搜索
33. a . t .索泽和c . b . Fidan”小说空间滤波器SSVEP-based BCI:生成参考滤波器方法,”计算机在生物学和医学卷,96年,第105 - 98页,2018年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019羌族高等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。