基于脑电信号的状态分类与滤波方法研究
在脑机接口(BCI)领域,利用脑电图(EEG)信号来实现人类与外部设备的交互是一个重要的研究方向。本文将介绍几种用于提取稳态视觉诱发电位(SSVEP)的空间滤波方法,以及一种基于共同空间模式(CSP)的心理计数和运动执行EEG信号分类方法。
提取SSVEP的空间滤波方法
空间滤波原理
空间滤波器旨在找到与SSVEP模型“最大对齐”的EEG数据投影。假设通过‘Ny’个电极获取EEG数据($Y \in R^{N×Ny}$),每个通道的数据长度为‘N’。在小时间窗口(‘lw’)内,不同滤波器通过最大化特定目标函数来保留SSVEP成分,提高信噪比(SNR)。一般通过找到变换矩阵($W \in R^{Ny×Nl}$,其中$Nl < Ny$)来实现,变换公式为:
$\hat{Y} = YW$
这里,$Nl$是重构信号$\hat{Y}$中的通道数。常用的SSVEP模型包含目标频率及其谐波的正弦和余弦分量,参考信号($X \in R^{N×(2×Nh)}$)可表示为:
$X =
\begin{pmatrix}
\sin(2\pi f_m t) \
\cos(2\pi f_m t) \
\vdots \
\sin(2N_h\pi f_m t) \
\cos(2N_h\pi f_m t)
\end{pmatrix}$
其中,$f_m$是目标频率‘m’,‘t’是长度为‘N’的时间向量。本研究中,功率谱密度分析(PSDA)作为通用特征提取器,检测分数(特征)计算公式为:
$T(f_m) = \frac{1}{N_l N_h} \sum_{