SSVEP增强使用移动平均滤波器控制的相位特性

文摘

脑机接口(BCI)系统将人类的神经生理学活动转化为命令通过脑电图分析。改善BCI表演导致更快和更容易使用,减少疲劳。在这项研究中,我们提出了一种新的引人注意的方法提高鲁棒性的基于稳态视觉诱发电位(SSVEP)的BCI。鼓舞人心的SSVEP的频率成分的属性,目标是提高信号质量,使其更方便解释的决策步骤。我们第一次调查潜在的检测日益恶化的时期基于SSVEP的生理属性。该系统定位的间隔可以掩盖了SSVEP的频率由一个新的算法建立在处理和瞬时相位的分析。分段线性回归允许取样器的理解阶段的信号。然后,这些间隔由移动平均滤波器过滤提高SSVEP的质量。最后,决策是由典型相关分析(CCA)算法。实验的结果,使用真实的脑电图信号从五个主题,表明,该方法显著增加了表演的准确性和信息传输速率7.3%和3.85比特/分钟,分别在2 s区段长度。 On the other hand, the spatial filtering methods of the literature weaken the system performances.

1。介绍

脑-机接口(bci)是一个最后的手段恢复联系周围的在没有神经肌肉通路是可用的,例如在闭锁综合症患者的情况。他们提供了一个新的神经生理学联系一个人(通常严重残疾)和一台电脑或任何其他机器和沟通和控制提供了新的选择1,2]。BCI有多种范例包括P300、运动图像和稳态视觉诱发电位(SSVEP)。

SSVEP-based BCI是最成功的一个接口。事实上,它提供了一个信息传递率高(ITR)相比其他bci所需,不需要培训,减少电极(3,4]。生成SSVEP的信号在大脑枕叶区域的注视一个视觉主题目标闪烁以恒定频率超出1 Hz [5]。它由正弦分量附近的刺激频率及其倍数也称为谐波。因此,它有一个密切的常数谱分布集中在基本频率。

轻松、自然、方便使用BCI,我们需要为系统提供尽可能高的精度和ITR。因此,如何提高的问题SSVEP-based BCI的表演。这个问题的答案很简单。我们需要改善的质量SSVEP的信号。事实上,脑电图的质量是BCI的通信速度的关键。一个精确的目标识别使用数据较低的信噪比(信噪比)需要更长的信号时代导致ITR的减少。因此,我们需要高效和有效的预处理算法。

几种方法和方法已经用于SSVEP-based BCI的预处理步骤提高脑电图以提高决策质量,确保系统不是由artifactual和noncerebral信号控制。第一个方法采用时域滤波用于消除可能包括噪声的频带和工件。例如,在[6),一个无限脉冲响应(IIR)带通滤波器从22赫兹到48赫兹是用来保留EEG信号的相关部分。此外,滤波器组结合一组带通滤波器被用于选择感兴趣的频段以估计谱权力在接下来的处理步骤(7]。尽管的简单和易于实现时域滤波方法,它的成功要求相关和不相关的信号是位于不同的频段8,9]。在重叠的情况下,这种过滤将无法降低噪音水平没有衰减SSVEP的频率。空间滤波方法也得到了很多的关注。更具体地说,共同平均rereferencing(汽车)方法已经被用于减少噪声的水平和参比电极注入的工件7]。它是基于事实,每个与事件相关电位(ERP)的组件是积极的在一些地区的头上和消极的一些其他领域。因此,如果头部模型假定为球形,ERP的组件的总和是零(中性)的全部。因此,平均所有的脑电图渠道导致建立一个零电势参考(10]。更受欢迎的方法是基于盲源分离(BSS)模式。例如,娱乐方法允许估计独立组件(ICs)自动排名。有害成分相关的噪音和工件将被删除,然后投影回头皮级别创建artifact-free信号(11]。事实上,第一个和最后一个组件将被删除。第一个组件包含最慢的大脑活动应该是相关的眼电图(小城镇)工件和其他慢构件而最后一个组件包含最快的活动应该是肌肉相关工件和其他高频噪声12]。独立分量分析(ICA)也允许将脑电图信号分解成不同的ICs。区分有关和无关的组件,王et al。13计算归一化幅度在刺激频率。最高的ICs振幅归一化被认为是SSVEP的活动。相关分析也用于单独的ICs。例如,ICs相关性最高的信号从AF3电极是此次相关工件。另一方面,ICs相关性最高的信号从奥兹电极是SSVEP的相关活动(14]。多元数据分析(MVA)算法用于SSVEP的预处理步骤。例如,最低能量组合(MEC)是一个空间滤波方法只献给提高SSVEP的质量。它使用了主成分分析(PCA)和正交投影突出SSVEP的频率和衰减的频率(15]。此外,偏最小二乘(PLS)回归MVA是另一个方法用于最大化脑电图和SSVEP的模型之间的协方差信号(16]。公共空间格局(CSP)算法也被用来找到一个脑电图数据的线性组合来增加刺激频率的力量(17,18]。它创建一个数据集的分布之间的分歧从两个不同的类。第一节课,称为目标子集,通过过滤的时代在刺激与带通滤波器的中心频率。第二类称为不属预定目标的子集,通过过滤的时代每个不属预定目标的SSVEP的带通滤波器的中心频率。

这些预处理方法使用时间,频率和噪声的统计特性和工件。另一个促进范式是生理属性的部署。事实上,以防工件是由其形状识别,其去除有更高的概率变得容易保存有用的组件。在这种背景下,Zhang et al。19)提出了一个眨眼工件去除方法。他们开始通过建模的通用框架构件直线基于眨眼一代的弹道特性,然后从通道信号Fp1检查以适合每个人眨眼的骨架。接下来,检测工件远离所有频道。减少噪音和工件的水平对于更好的表现是至关重要的;然而,保留原始信号的形状以最小的失真是基础在几个应用程序。为此,一些作品已经感兴趣的移动平均滤波器(MA) (20.,21]。除了它的简单,它能够保持曲线的特点允许保留重要的信息导致一个更好的解释。

所有的提出了预处理方法过滤信号无论其质量水平可以恶化时不需要增强。同时,他们中的大多数需要大量的渠道。在这篇文章中,我们将提出一个新的方法,段信号分成两组根据质量水平然后过滤器只需要一个增强的时期。该方法应该能够工作即使少量的通道(一个频道)。我们的方法背后的理念是提高受益于寻求信号属性的表现。我们建议的范式是出于这一事实的刺激频率反映preknown寻求信号的形状。因此,可以使用生理信息SSVEP的信号来控制预处理阶段。我们提出了一种新的预处理方法基于分段线性回归的瞬时相位检测日益恶化的时期。此外,移动平均滤波器综合的改进时间。决策,我们用典型相关分析(CCA)来检测目标刺激。 The proposed algorithm was evaluated using an open database for SSVEP-based BCI. This database was collected with a 4-target BCI from 5 subjects. For comparison, we use all the spatial filtering methods previously presented. Results show that the ability of our method to choose when to apply the filtering allows it to reach better performances.

本文的其余部分组织如下。部分2介绍了使用数据库。该方法及其在节块详细3。实验结果和讨论在第四节,然后工作总结部分5。

2。SSVEP的数据库

在目前的研究中,系统性能分析是评估使用一个免费的在线数据库(22]。五个主题,23岁,25岁,31日,42岁,46岁,分别参加了实验。脑电图信号是来自16个通道(O2, AF3 AF4, P4, P3, F4, Fz, F3, FCz, Pz、C4, C3, CPz, Cz,盎司,根据10/20国际体系)和O1群通过g。USBAmp脑电图信号采集系统采样率为256 Hz。每个实验对象被要求坐1米远4绿色LED 1厘米直径的目光一次在每个领导30年代。每个LED闪烁恒定频率不同于另一个。这四个频率是5、6、7和8赫兹。

3所示。提出了SSVEP的质量改进方法

SSVEP的信号是由不同频率成分比例的刺激(基频)及其谐波。每个组件是一个振荡的规模。背景噪音,工件和活动注入一些添加剂恶化量时间序列样本。这些变化振幅每隔一个时间段可能会导致一些频率成分的变化,导致出现新的non-SSVEP来源可以扭曲最终决定。我们建议的方法的目的是提高SSVEP的信号通过选择负责的衰落时期的结果(例如,决策的系统),然后通过一个过滤恢复SSVEP的组件的最大数量。过滤不会应用于有利的时期。因此,一个高概率保存有用的信息将被保证。

图1说明了提出SSVEP的增强方法和其在整个BCI系统的集成。

后获得所需的数量从头皮脑电图数据的多通道脑电图信号预处理的新引人注意的方法。增强的信号发送到CCA方法找到主题凝视的频率。提出的改进方法是由两个街区。第一个块允许检测的部分可以通过创建non-SSVEP组件模糊SSVEP的频率。第二块是用来减少这些组件的过滤。

图2细节的不同步骤提出SSVEP的增强方法。

多通道脑电图信号处理通道的通道。每个单通道由该方法分别预处理,然后增强的多通道脑电图信号与参考信号的CCA方法。

背景噪音,工件和活动是完全或主要是随机的,因此,他们可以削弱SSVEP的组件或创建新组件只持续很短的时间。因此,我们可以认为non-SSVEP组件的特点是一个突变的频率可以持续很短的时间内。相反,一个SSVEP的组件都有一个恒定频率持续时间较长。显然,应该找到更多的突然改变如果噪音和工件的水平更高。基于这些假设,我们可以从有害的区分有用的时间频率变化时的清晰度和间隔期间的长度变化。简化估算这两个标准,我们提出分析信号的瞬时相位域。事实上,频率成分转化为锯齿波信号在相位表示。这种技术可以让代表问题的线性。

在文献中提出了几种方法来估计信号的瞬时相位时间。在这项工作中,我们使用希尔伯特变换是最健壮的和最有用的方法之一。图3显示了一个示例使用希尔伯特变换的瞬时相位发现应用于一个脑电图信号获得主题时的视觉刺激闪烁的盯着5赫兹。

突然的变化频率导致的突然变化相位信号。因此,瞬时的斜坡上的突然变化阶段,如图3是由噪声引起的注入和工件的脑电图信号。这些变化的速度是由于随机噪声和工件的性质,这意味着这些变化的发生成正比SSVEP的信噪比。

分析瞬时相位的山坡上,我们使用了分段线性回归(PLR) [23,24]。事实上,使用PLR的信号分为若干个部分线性趋势和一条直线安装在每个时间间隔。线之间的差异和实际信号在每个周期应低于一个接受公差取决于必须设置一个阈值,根据应用程序。这个阈值影响的断点位置和长度的线。我们的方法背后的理念是自动指定阈值的每个直线的长度表示的这部分信号是否相关(例如,反映了SSVEP的信号)或不相关(例如,掩盖了SSVEP的信号)。为了保证最好的时期和自噪声和工件之间的分离是突然和迅速,该算法设置阈值的方式无关紧要的间隔是由直线组成的显示只有两个样品。邻无关的间隔形成一个无关紧要的部分将分别被过滤。对于这个任务,我们选择使用MA过滤器。事实上,马过滤器适用于即使少量的样本。此外,它是最优的减少随机噪声,同时保留一个锋利的阶跃响应。 Thus, it can improve the trends of a noisy signal to make more significant correlation coefficients with the CCA method.

以下部分更详细地解释了该方法的主要步骤。

3.1。阈值确定算法

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: 在哪里n= 6, ,和通过评估获得的光谱功率频率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: 在哪里刺激频率和使用的组吗是刺激的数量。

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: 在哪里和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。

3.2。分段线性回归

旨在段时间序列的分段线性近似样品到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。作为小于 ,这个表达式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,和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作为一个独立变量的函数(23]。这个线性函数给出的 在哪里和模型的参数(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)。

这个优化问题的决议是由

这个问题的解决方案如下: 在哪里和的平均和 ,分别的方差 ,和 的协方差和 。

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]。

3.3。移动平均滤波器

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样品在哪里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表示如下: 在哪里是输入原始信号。

3.4。标准的典型相关分析方法

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,之间的相关系数估计多通道脑电图信号和参考信号(是刺激的数量)。每个引用是由多个时间序列对应于一个刺激频率及其谐波。

如前面的方程所示,由一组正弦和余弦信号和是两个常量代表第i个刺激频率和谐波的数量考虑在内,分别和定时器计数。因此,在哪里是时间点的数量。

刺激频率产生最大系数值是选择和确定为目标频率。

4所示。结果

SSVEP-based BCIs获得了研究兴趣由于其优点:便携性和易用性,更高的信噪比以及ITR更快。尊重这些优点,我们选择限制通道的数量到6和只使用最近的通道枕骨区域(O2, Oz, O1, P3、Pz和P4)。此外,脑电图段的长度减少到2 s。每30年代多通道脑电图信号分为nonoverlapped 2 s片段,然后分析每一部分分开。

4.1。检测无关的间隔

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。

4.2。系统性能评价

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: 在哪里在比特/符号,的数量目标,分类精度。更常见的ITR来自第一个给出如下(30.]: 在哪里在比特/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。

5。结论

SSVEP-based BCI的促进系统将BCI在实验室日常使用。高精度和ITR控制和通信应用程序的一个不错的选择。在目前的研究中,我们提出了一种新的预处理方法提高SSVEP的质量。该方法是一种实时信号处理链由希尔伯特变换、分段线性回归,图基的周期图估计量,和移动平均滤波器使用遗传算法的参数优化。结果表明,该系统提高了CCA-standard系统和达到平均准确率为84.29%,平均ITR 29.57比特/分钟一段2 s轨道的长度。

数据可用性

使用的数据来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

MOBIDOC下这项工作进行计划,由欧盟(EU)通过再次播种计划和管理由国家机构促进科学研究(ANPR)。

引用

1. r . Abiri s Borhani e . w .卖家y江,和赵x,“因为它使得基于脑电图的综合评估脑机接口范式”,《神经工程,16卷,不。1页1 - 2019。视图:出版商的网站|谷歌学术搜索
2. h . j .门敏m . h . Chang j . Heo和k . s .公园,“提高脑机接口系统的可用性,计算智能和神经科学卷,2019篇文章ID 5427154, 12页,2019。视图:出版商的网站|谷歌学术搜索
3. r·扎卡米尔,o . Falzon k·p·卡米尔,“火车或不要火车?调查培训SSVEP-based bci的特征提取方法,”《神经工程,15卷,不。5,2018。视图:出版商的网站|谷歌学术搜索
4. r·扎卡米尔,k . p .卡米尔和o . Falzon”干扰的影响SSVEP-based脑-机接口,“生物医学物理与工程表达,5卷,不。3,p。35031年,2019年。视图:出版商的网站|谷歌学术搜索
5. c·s·赫尔曼,“人类脑电图反应1 - 100 Hz闪烁:共振现象在视觉皮层和他们的潜在相关性认知现象,”大脑研究实验,卷137,不。3 - 4、346 - 353年,2001页。视图:出版商的网站|谷歌学术搜索
6. 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
7. 卡瓦略、t·b·s·科斯塔·l·f·s·乌里韦et al .,“比较分析的特征提取和分类策略SSVEP的bci,”生物医学信号处理和控制卷。21日,34-42,2015页。视图:出版商的网站|谷歌学术搜索
8. a . Felinger”数据处理科学技术”,爱思唯尔21卷,第181 - 143页,1998年。视图:谷歌学术搜索
9. m . Fatourechi a . Bashashati r·k·沃德,和g . e .桦木、“EMG此次工件在大脑计算机接口系统:一项调查,“临床神经生理学,卷118,不。3、480 - 494年,2007页。视图:出版商的网站|谷歌学术搜索
10. 问:云,y Dezhong h . Shiang et al .,“参考我们应该用脑电图和ERP实践?”大脑地形,32卷,不。4、530 - 549年,2019页。视图:出版商的网站|谷歌学术搜索
11. p·马丁内斯,h . Bakardjian和a . Cichocki”完全在线multicommand脑机接口视觉neurofeedback使用SSVEP的范例,”计算智能和神经科学ID 94561条,卷。2007年,9页,2007。视图:出版商的网站|谷歌学术搜索
12. h . Bakardjian t .田中,a . Cichocki”优化SSVEP的大脑反应与应用eight-command“脑机接口”神经学字母,卷469,不。1、品种马非常,2009页。视图:谷歌学术搜索
13. r . y . Wang Wang x高,b .香港和美国高,”一个实际VEP-based“脑机接口”IEEE神经系统和康复工程,14卷,不。2、234 - 240年,2006页。视图:出版商的网站|谷歌学术搜索
14. m . Kołodziej a . Majkowski l . Oskwarek, r . j .爱你”比较脑电图信号预处理方法SSVEP的识别,”美国第39次国际会议上电信和信号处理(TSP),第345 - 340页,维也纳,奥地利,2016年6月。视图:谷歌学术搜索
15. o . Friman i Volosyak, a .γ射线激光器”的多个通道检测稳态视觉诱发电位的脑机接口,“IEEE生物医学工程,54卷,不。4、742 - 750年,2007页。视图:出版商的网站|谷歌学术搜索
16. g . r . Kiran Kumar和m . Ramasubba Reddy SSVEP的orthonormalized偏最小二乘法建立空间滤波器提取、”第十届国际研讨会论文集,IHCI 2018年,智能人机交互(IHCI),第16 - 25页,阿拉哈巴德,印度,2018年12月。视图:出版商的网站|谷歌学术搜索
17. 美国Parini, l .美极,A . Turconi g . Andreoni”一个健壮的和自学BCI系统基于四类SSVEP的范式:大脑high-transfer-rate直接通信的算法和协议,”计算智能和神经科学文章ID 864564卷,2009年,p . 2009。视图:出版商的网站|谷歌学术搜索
18. a . Chabuda p Durka, j . Zygierewicz“高频SSVEP-BCI与硬件刺激控制和相位同步梳状滤波器,”IEEE神经系统和康复工程,26卷,不。2、344 - 352年,2018页。视图:出版商的网站|谷歌学术搜索
19. 张,j·麦金托什,s m . Shadli工程学系。Neo, z黄,n . McNaughton”把眨眼文物从EEG-A单通道基于生理方法,”神经科学杂志》上的方法卷,291年,第220 - 213页,2017年。视图:出版商的网站|谷歌学术搜索
20. j·l·费雷拉,r·m·亚特和p . j . m . Cluitmans”优化移动平均滤波梯度人工制品在同时EEG-fMRI校正,”生物机器人会议第五届IEEE生物学报》上、萨尔瓦多、巴西、2014年5月。视图:谷歌学术搜索
21. s·w·史密斯,科学家和工程师的数字信号处理指南圣地亚哥,加利福尼亚技术出版、钙、美国,1999年。
22. m . Kolodziej A Majkowski, r . j .爱你”空间滤波器的一种新方法设计基于稳态视觉诱发电位的脑机接口,”IEEE学报》第八届国际会议上智能数据采集和先进的计算系统:技术和应用程序(IDAACS),卷2,页697 - 700,华沙,波兰,2015年9月。视图:谷歌学术搜索
23. p . a . Cornillon和大肠Matzner-Løber回归用R斯普林格出版社,巴黎,法国,2011年。
24. f . Grutzmacher b . Beichler答:嗯,t . Kirste和c . Haubelt”时间和内存效率在线传感器信号的分段线性逼近,“传感器,18卷,不。6,1672年,页2018。视图:出版商的网站|谷歌学术搜索
25. r . Kuśa . Duszyk p Milanowski et al .,“SSVEP的频率响应在人类的量化脑电图在现实的BCI的条件下,“《公共科学图书馆•综合》,8卷,不。10篇文章ID e77536 2013。视图:出版商的网站|谷歌学术搜索
26. a . Albasri f . Abdali-Mohammadi, a . Fathi“脑电图电极的选择对于人识别通过遗传算法方法,”医疗系统杂志,43卷,不。9日,1,2019页。视图:出版商的网站|谷歌学术搜索
27. h . Chang和j·杨会特征选择的有效运动成像脑机接口框架,“《神经工程,15卷,不。5,2018。视图:出版商的网站|谷歌学术搜索
28. 大肠Erkan和m . Akbaba“基于性能增加SSVEP BCI研究应用,”工程科学与技术、国际期刊,21卷,不。3、421 - 427年,2018页。视图:出版商的网站|谷歌学术搜索
29. j·r·沃尔波h·拉莫斯·d·j·麦克法兰和g . Pfurtscheller”EEG-based沟通:准确性提高了响应验证”IEEE康复工程》第六卷,没有。3、326 - 333年,1998页。视图:出版商的网站|谷歌学术搜索
30. x x y . Wang Chen高,美国高,”一个基准数据集SSVEP-based脑-机接口,“IEEE神经系统和康复工程,25卷,不。10日,1746 - 1752年,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年奥马尔Trigui等。这是一个开放的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。