使用多集合典型相关分析在基于 SSVEP 的脑机接口中进行频率识别
机器学习
2014-01-17 v2
摘要
典型相关分析（CCA）一直是基于稳态视觉诱发电位（SSVEP）的脑机接口（BCI）中进行频率识别的最流行方法之一。尽管其效率较高，但一个潜在的问题是，在 CCA 方法中使用预先构建的正弦-余弦波作为所需的参考信号，往往由于缺乏真实脑电数据的特征而无法获得最佳的识别准确率。为了解决这一问题，本研究提出了一种基于多集合典型相关分析（MsetCCA）的新方法，以优化用于 SSVEP 频率识别的 CCA 方法中的参考信号。MsetCCA 方法学习多个线性变换以实现联合空间滤波，从而最大化典型变量之间的总体相关性，进而从在同一刺激频率下记录的多组脑电数据中提取 SSVEP 共同特征。优化后的参考信号由这些共同特征组合而成，且完全基于训练数据。基于十名健康受试者脑电数据的实验研究表明，与 CCA 方法及其他两种竞争方法（多向 CCA（MwayCCA）和相位约束 CCA（PCCA））相比，MsetCCA 方法提高了 SSVEP 频率的识别准确率，尤其是在通道数较少和时间窗口长度较短的情况下。这种优越性表明，所提出的 MsetCCA 方法是 SSVEP 脑机接口频率识别的一个极具前景的新候选方法。
引用
@article{arxiv.1308.5609,
title = {Frequency Recognition in SSVEP-based BCI using Multiset Canonical Correlation Analysis},
author = {Yu Zhang and Guoxu Zhou and Jing Jin and Xingyu Wang and Andrzej Cichocki},
journal= {arXiv preprint arXiv:1308.5609},
year = {2014}
}