提出一種新的基于快速序列視覺(jué)呈現(xiàn)(Rapid Serial Visual Presentation,RSVP)與穩(wěn)態(tài)視覺(jué)誘發(fā)電位(Steady-State Visually Evoked Potential,SSVEP)組合范式的腦電信號(hào)(Electroencephalogram,EEG)刺激與多類(lèi)事件檢測(cè)方法。對(duì)誘發(fā)的原始腦電信號(hào)通過(guò)電位重參考、基線去除、空間濾波等預(yù)處理操作去除數(shù)據(jù)的偽跡和噪聲,通過(guò)自舉聚合決策樹(shù)(Bagging Tree,BT)和支持向量機(jī)(Supported Vector Machine,SVM)等機(jī)器學(xué)習(xí)算法,對(duì)14名受試者雙重刺激誘發(fā)的腦電信號(hào)進(jìn)行目標(biāo)與頻率相結(jié)合的多類(lèi)事件檢測(cè),通過(guò)實(shí)驗(yàn)驗(yàn)證了該組合范式誘發(fā)的腦電信號(hào)具有良好的多類(lèi)可分性,為開(kāi)發(fā)基于RSVP和SSVEP兩種范式的混合型腦-機(jī)接口應(yīng)用提供了一種新的有效途徑。同時(shí),實(shí)驗(yàn)結(jié)果還表明,基于機(jī)器學(xué)習(xí)的BT和SVM模型對(duì)RSVP和SSVEP組合范式誘發(fā)的EEG信號(hào)進(jìn)行多類(lèi)識(shí)別的性能明顯優(yōu)于傳統(tǒng)的典型關(guān)聯(lián)分析(Canonical Correlation Analysis,CCA)算法的性能。

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
1 引言
2 EEG數(shù)據(jù)獲取
    2.1 實(shí)驗(yàn)準(zhǔn)備
    2.2 實(shí)驗(yàn)過(guò)程
    2.3 數(shù)據(jù)預(yù)處理
3 EEG特征提取與分類(lèi)算法
    3.1 歸一化處理與PSD特征提取
    3.2 基于CCA算法的SSVEP頻率匹配
    3.3 基于機(jī)器學(xué)習(xí)的EEG分類(lèi)算法
4 EEG事件分類(lèi)實(shí)驗(yàn)及結(jié)果分析
    4.1 基于RSVP的2類(lèi)事件分類(lèi)
    4.2 基于RSVP與SSVEP的5類(lèi)事件分類(lèi)
    4.3 基于RSVP與SSVEP的8類(lèi)事件分類(lèi)
5 結(jié)束語(yǔ)



本文編號(hào)：3803583