[发明专利]基于SSVEP与OSP的混合脑‑机接口方法

权利要求书

1.基于SSVEP与缺省刺激电位OSP的混合脑-机接口方法，其特征在于，包括以下步骤：

步骤1，受试者穿戴好电极帽，坐在计算机正前方，受试者头部距离计算机屏幕为60-80厘米，所有电极按照“国际10/20标准导联系统”放置，记录电极位于大脑枕部区域，包括O1、Oz、O2、POz、PO4、PO8，参考电极位于左耳耳垂，地电极为Fpz，给记录电极及参考电极、地电极注入导电膏，并确保其与头皮接触良好；

步骤2，将SSVEP-缺省刺激电位OSP混合范式通过计算机屏幕在受试者面前播放，受试者选择一个刺激目标进行盯视，通过电极帽采集受试者盯视刺激目标时产生的头皮脑电信号，SSVEP-缺省刺激电位OSP混合范式在重复周期刺激中引入了刺激缺失，实现SSVEP和缺省刺激电位OSP特征的同时诱发，其中计算机屏幕显示的圆盘1、3以12hz的频率闪烁，计算机屏幕显示的圆盘2、4以10hz的频率闪烁，所述的圆盘1、2、3、4分别在467ms、450ms、633ms、650ms时出现首次闪烁刺激缺失，闪烁刺激缺失有圆盘停顿在屏幕上一个闪烁周期以及消失在屏幕上一个闪烁周期两种缺失形式，任意选择一种作为闪烁刺激缺失方式，在一次刺激周期中，共出现四次闪烁刺激缺失，每次闪烁刺激缺失距上一次的缺失间隔为四次闪烁周期，即10hz下缺失间隔为333ms，12hz下缺失间隔为400ms，一次刺激周期长度为2.5s，经过脑电采集仪放大、滤波及模数转换后，将数字化的脑电信号输入计算机，其中，脑电信号的采集采用16导gUSBamp放大器作为采集硬件，放大器的采样频率为1200hz，硬件滤波包括了0.05-100hz的带通滤波及48-52hz的带阻滤波；

步骤3，对脑电信号处理，包括脑电信号的预处理及对SSVEP特征及缺省刺激电位OSP特征的提取识别；

步骤4，计算机通过屏幕输出识别结果，实现对受试者的视觉反馈；

步骤5，计算机完成目标识别反馈后，返回步骤2，重复步骤2、3、4，进行下一步的目标识别。

2.根据权利要求1所述的基于SSVEP与缺省刺激电位OSP的混合脑-机接口方法，其特征在于：所述的步骤3对脑电信号的预处理及对SSVEP特征及缺省刺激电位OSP特征的提取识别，包括以下步骤：

步骤3-1，对脑电信号的预处理，去除时间序列中的直流成分以及1-45hz的带通滤波；

步骤3-2，对SSVEP特征的特征提取及分类识别，实现方法为典型相关分析，CCA，将经过信号预处理后电极O1、Oz、O2、POz、PO4、PO8记录到的数据分别与不同刺激频率基频及二倍频、四倍频的正余弦信号求取典型相关系数，在k个刺激频率对应的k个最大CCA系数ρ_k中，具有最大值的系数被识别为用户注视的目标频率对应的CCA系数；

步骤3-3，对缺省刺激电位OSP特征的特征提取及分类识别，在SSVEP特征识别完成之后进行，使用支持向量机SVM及朴素贝叶斯分析完成缺省刺激电位OSP特征的提取以及识别，缺省刺激电位OSP特征提取及识别包括以下步骤：

3-3-1)数据平均：根据SSVEP特征识别得到的结果，按识别频率对应目标刺激缺失时刻作为起始时标，对刺激缺失后0～500ms内的数据进行叠加平均；

3-3-2)缺省刺激电位OSP特征提取：对于平均后的数据，定义在c电极在时间点t处记录到的头皮电位为x_c(t)，在给定时间点集T＝{t₁,…t_T}的情况下，x(c,T)＝[x_c(t₁),...,x_c(t_T)]为在电极c处记录的时域信息，在给定时间集T＝{Τ₁,…,Τ₁₀}＝{{125ms-150ms},…,{350ms-375ms}}及记录电极集C＝{O1,Oz,O2,POz,PO4,PO8}，的情况下，将在不同时间集及不同记录电极中记录到的时空特征集{x₁(C,T₁)＝[x(c₁,T₁),…,x(c_M,T₁)],…,x₁₀(C,T₁₀)＝[x(c₁,T₁₀),…,x(c_M,T₁₀)]}作为特征向量；

3-3-3)特征训练及在线识别：在进行在线判别前，对不同频率的数据分别训练产生训练样本，每个频率对应14*16组训练样本，对训练样本中特征矩阵进行分类生成分类器，分别对x₁(C,T₁),…,x₁₀(C,T₁₀)进行SVM分类，得到第一层的分类结果d_j，其中j＝{1，2，...，10}，则：

p_jkl＝p(d_j＝k|c＝l)k＝0，1 l＝0，1

其中，c为正确的缺省刺激电位OSP标签，根据bayes公式，得到第一层SVM分类结果为盯视目标的概率：

P=Πj=110pj01(1-dj)pj11dj/Πj=110pj00(1-dj)pj10dj]]>

其中，p_j01,p_j11,p_j10,p_j00通过bayes训练得到，d_j通过第一层SVM分类得到，对比按照上述步骤3-2中闪烁频率判别结果对应不同刺激缺失时刻平均并分类后的结果，得到P值较大的则判断为最终识别目标；

所述的SVM，朴素贝叶斯分析及判别函数均来自于Donders Machine Learning Toolbox工具箱，SVM采用的核函数为线性核函数。