基于稳态视觉诱发电位的脑电信号分类算法比较

摘要：

基于稳态视觉诱发电位(steady state visual evoked potential,SSVEP)的脑-机接口(brain computer interface,BCI)系统具有分类准确率高、用户不用长时间训练等优点而广受关注.如何高效地对SSVEP信号频率识别而实现更好的分类效果是SS-VEP-BCI的核心问题.采用滤波器组典型相关分析(filter bank canonical correlation analysis,FBCCA)与任务相关成分分析(task-related component analysis,TRCA)对SSVEP信号分类比较研究,探讨了两种方法在数据长度、子带数以及通道数对SS-VEP信号分类效果的影响.35位被试者的数据表明:在数据长度小、时间短的情况下,TRCA具有更高的分类准确率,且子带数设置为5时,分类准确率达到最大.通道数越多分类准确率越高,但是通道个数较少时,TRCA分类效果明显优于FBCCA.研究为SSVEP脑电数据有效性分析以及提高基于SSVEP的脑电信号分类准确率提供了新的思路.

关键词：稳态视觉诱发电位;滤波器组典型相关分析;任务相关成分分析;分类准确率

所属期刊栏目：21

分类号：TP391(计算技术、计算机技术)

资助基金：促进高校内涵发展-应急攻关项目;2019科技部高端专家引进项目;北京信息科技大学2019年教改重点资助项目;2019年北京高等教育本科教学改革创新项目;北京信息科技大学促进高校内涵发展科研平台师资补充经费

在线出版日期：2021-08-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：8106-8112