65、用于SSVEP识别的特定神经成分重建

用于SSVEP识别的特定神经成分重建

1. 引言

近年来，随着计算机技术和机器学习的发展，脑机接口（BCI）受到了越来越多的关注。它在中枢神经系统和外部环境之间建立了一条直接的通路。稳态视觉诱发电位（SSVEP）是一种由重复视觉刺激诱发的脑电图（EEG）信号，由刺激的基频及其谐波组成。由于其实验设计简单且性能稳定，基于SSVEP的BCI已成为基于EEG的BCI中常用的范式之一。

SSVEP - BCI的解码算法通常分为三类：免训练方法、与受试者无关的训练方法和与受试者相关的训练方法。典型的免训练算法包括功率谱密度分析、最小能量组合和典型相关分析（CCA）等。与受试者无关的训练方法通过其他受试者的数据获得适合当前用户的系统参数或分类器。与受试者相关的训练方法可以使用当前受试者的数据来训练分类模型，通常具有更好的解码性能。然而，这些与受试者相关的训练方法通常以较长的训练时间为代价来实现高识别性能，过度的视觉刺激会导致用户视觉疲劳。因此，开发能够用较少训练样本保持高精度的算法非常重要。

基于SSVEP的时间锁定和相位锁定特性，研究提出了点位置等效重建（PPER）方法，用于从EEG中重建特定的SSVEP成分。将PPER与集成任务相关成分分析（eTRCA）算法相结合来识别SSVEP，结果表明，使用一个训练样本的PPER - eTRCA的分类性能可以等于或超过使用两个训练样本的eTRCA的性能。

2. 方法

2.1 点位置等效重建

通常，从一个电极测量的SSVEP信号可以定义为诱发的周期性响应和背景噪声的线性加权和。由于SSVEP是时间锁定和相位锁定的，不同正弦周期中相同位置的数据点可以定义为响应等效点。基于此特性，提出了P