在SSVEP信号处理中,CCA算法通过计算两组信号的典型相关系数来分析SSVEP信号。其中一组信号是记录的EEG信号X,另一组信号是视觉刺激频率相对应的参考信号Y。考虑到人的大脑是一个低通滤波器,高频信号基本上被过滤掉了,这里取k=3。由此,X和Y的线性组合可以表示为x=XTWX和y=YTWY,其中WX和WY是权重矩阵。 此外,为了...
其中,权重向量WX、WXY和WY分别通过测试集X和训练参考信号,测试集X和正余弦参考信号Y以及训练参考信号和正余弦参考信号Y间的CCA得到。 1.2.2.2滤波器组 Chen等[18]在CCA的基础上加入了滤波器组,通过具有不同通带的多个滤波器对信号特征进行子带分解以充分利用...
ｏｆＮａｎｃｈａｎｇＵｎｉｖｅｒｓｉｔｙ(Ｅｎｇｉｎｅｅｒｉｎｇ＆Ｔｅｃｈｎｏｌｏｇｙ)ꎬ２０２４ꎬ４６(１):１０５￣１１０.基于ＣＣＡ融合ＦＦＴ的ＳＳＶＥＰ脑机接口分类算法 胡瑢华ꎬ周浩ꎬ曾成∗ꎬ熊特ꎬ徐亦璐(南昌大学先进制造学院ꎬ江西南昌３３００３１)㊀㊀摘要:为解决多目标刺激范式的...
在径向收缩-扩张范式刺激下，eBSCCA算法比eCCA算法和TRCA算法表现出更好的性能水平。在线实验中13名被试...
FBCCA和任务相关成分分析(TRCA)是两种常用的提取脑电信号中SSVEP的方法,分类结果表明,在输入信号中加入谐波成分有助于提高标准CCA方法的性能,在优化性能方面,湿电极比干电极表现优异,且基于滤波器组TRCA(FBTRCA)方法的BCI性能优于FBCCA方法,而随着数据长度的增加,精度逐渐提高,这些性能在个体间表现差异显著。
对于无训练场景,我们实现了FBDCCA方法。由于BsV范式的固有特性,其对2组目标进行相同的编码,因此排除了无训练分类的可行性。因此,我们的分析仅限于CA和BV范式,结果如图3所示。从图中可以明显看出,受益于稳定的主频率的BV范式即使在没有训...
Keywords:CCA;SSVEP;PSDA;accuracy 0 引 言 脑机接口技术(BCI)是在大脑和外部设备之间建 立起一条连接通路,实现由脑电信号直接控制外部设 备。通过BCI,可以获得非植入式脑电图(Electroen- cephalogram,EEG),EEG凭借自身安全实用、成本较 低的优势独树一帜,成为大家采用的焦点u。其中稳 ...
3.SSVEP预处理与特征提取算法 •对SSVEP信号进行空间滤波，来降低信号的噪声，增强SSVEP的信噪比•对基于SSVEP的脑电信号的特征提取算法进行了研究：1.2.3.功率谱密度方法（PSDA），针对PSDA方法进行了离线数据分析典型相关分析方法（CCA）的基本原理在典型相关分析的相关知识基础上提出一种表明模型之间相关性 ...
至于基于SSVEP的BCI的分类,我们使用FBCCA方法进行分类,并比较了在不同窗口长度下FBCCA和CCA方法的分类结果,如图8所示。统计结果显示,FBCCA在各窗口长度上的分类精度均显著优于CCA (p < 0.01)。在相同的刺激时间长度下,由于使用了谐波频率信息,FBCCA的分类精度优于CCA(Chen et al., 2015a,b)。
分类算法多采用典型相关分析(CCA),某公开数据集测试结果表明,CCA方法在15Hz刺激下的分类准确率比传统FFT方法提高18%。 个体差异对SSVEP响应影响显著。约7%人群存在视觉皮层响应迟钝现象,某高校脑机接口社团测试发现,在30名志愿者中有2人无法产生有效SSVEP信号。改进方案包括增加谐波分量检测,某专利技术通过同时分析基频...