基于多元经验模式分解的SSVEP目标识别研究

邵星翰，林明星

(山东大学，山东 济南 250061)

0 引 言

脑-机接口技术(brain-computer interface，BCI)不同于传统的大脑-神经-肌肉的控制方式，其采集脑皮层产生的脑电图(electroencephalogram，EEG)信号，并将其转换成计算机指令来控制外部设备[1]。其中基于稳态视觉诱发电位(steady state visual evoked potential，SSVEP)的BCI系统有着信噪比高、无需训练等显著优点，在BCI系统中被广泛采用[2-3]。SSVEP是由持续视觉刺激而诱发的节律性EEG信号[4]，SSVEP频率由固定的视觉刺激频率及其谐波频率组成[5]。常见的SSVEP频率识别算法有功率谱分析(PSDA)[6]与典型相关分析(CCA)[7-8]。但由于采集信号的过程中，人体难免会产生眼电伪迹，肌电伪迹等降低SSVEP的识别率[9]。如何准确高效地识别SSVEP仍是BCI研究中的主要问题。

Huang等人提出经验模态分解(EMD)[10]。EMD可以将非线性非平稳时间序列分解为一系列具有物理意义的内蕴模式函数(IMF)。因此，EMD算法对非线性或非平稳的脑电信号进行分析是自适应和高效的。刘建辉将EMD与PSDA结合，在3 s的时间窗下,识别正确率相较于传统PSDA方法提高了12%[11]。Tello等人对比了EMD-PSDA，EMD-CCA，EMD-MSI三种算法的检测精度与信息传输率，EMD-MSI算法有着最优的性能[12]。然而在处理多通道数据时，EMD技术中存在着各通道IMF分量在数量和频率尺度上难以对齐的问题[13]，会降低SSVEP识别率。Rehman等人提出多变量经验模态分解(MEMD)，用于更好地对齐多通道信号对应的IMF[14]。Chen等人将MEMD应用于SSVEP的识别中，提出了MEMD-CCA算法，在时窗为3 s时，其准确率要比CCA算法高18.45%，并证明了其对EEG进行预处理的效果优于傅里叶分解、小波分解、EMD等算法[15]。孙高鹏提出了SA-MEMD算法，平均分类正确率最高可以达到91.4%(4 s),相比于经典CCA算法,平均分类正确率在每个时间窗口条件下都提高了3.5%以上[16]。……