一种基于FHN随机共振的SSVEP特征频率提取方法

本发明涉及脑-机接口技术领域，具体涉及一种基于fhn随机共振的ssvep特征频率提取方法。

背景技术：

脑-机接口技术通过对脑电信号中包含的运动意图进行解码，并转化为不同的驱动命令来实现人脑对外部设备的直接控制。作为一种新型的人机交互手段，脑-机接口给部分神经坏死、脑中风、高位截肢、重度瘫痪等患者带来了自主生活的新希望。稳态视觉诱发电位是人眼在接受视觉刺激后在大脑枕叶区产生的一组特定的脑电信号，与p300、运动想象信号及自发脑电相比，具有周期稳定、特征明显且无需训练的特点，已成为脑-机接口最常用的控制信号之一。

目前，绝大多数ssvep提取方法均建立在线性框架下，将噪声视为有害信息，通过对抑制噪声来突出信噪比，提高微弱信号的检测能力。虽然，这些方法均能在低信噪比状况下不同程度的提取出原始eeg中包含的信息，体现出一定的ssvep检测能力，却都不能避免以下问题：(1)为了消除eeg中包含的多尺度噪声，需要选择合适的带通滤波器，而带通滤波器的边缘效应会减少有效数据长度，并增加检测时间，此外，还需要考虑带通滤波器的通带范围与信号特征频率的自适应匹配。(2)使用线性方法来提取具有明显非线性和非平稳特征的ssvep，有用信号在噪声被抑制的同时也会衰减或丢失。当诱发信号的稳定性不足时，对有用信号的抑制程度甚至会远远超过抑制噪声。因此，原始eeg中包含的信息无法被完全利用，影响检测灵敏度和识别精度。

技术实现要素：

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于fhn随机共振的ssvep特征频率提取方法，利用多通道eeg中包含的噪声增强ssvep的频谱图，并结合fhn输出频率响应相当于一组非线性带通滤波器且通带范围可调的特性，将原始eeg信号送入fhn非周期随机共振模型进行噪声增强，来保留ssvep的全部信息，从而实现特征频率的高精度识别。

为了达到上述目的，本发明采取的技术方案是：

一种基于fhn随机共振的ssvep特征频率提取方法，包括以下步骤：

1)多通道数据采集：对被试者进行多通道eeg信号采集；多通道eeg信号经过放大、滤波与数模转化处理；

2)信号预处理：

2.1)多通道信号降维：采用共平均参考算法来降低多信道信号的维度；

2.2)低通滤波处理：用巴特沃斯滤波器滤除低频噪声；

3)fhn随机共振参数初始化及模型处理：设置计算参数，包括模型参数ε以及需要识别的最大峰值阶次n；

将预处理后带有噪声干扰的ssvep信号送入到相应的模型以进行fhn随机共振处理，再通过快速傅里叶变换计算噪声增强的ssvep的频谱图以识别目标频率；

4)峰值频率识别：从步骤3)中获得的输出信号的频谱图中，分别提取第n阶主峰对应的特征频率；

5)频率匹配检测：将识别频率与所有刺激频率进行匹配，如果匹配成功，则目标频率被有效识别；如果匹配失败，则检测当前识别的阶次是否大于设定的最大阶次；如果终止条件满足，则检测结束，表明目标频率标识失败；否则，计算返回到步骤4)。

所述的步骤1)多通道eeg信号采集中采集电极按照10/20电极分布标准设置，参考电极(ref)位于大脑前额(fpz)，接地电极(gnd)位于单侧左耳垂(a1)，用oz、o1、o2、poz、po3、po4、po5、po6八个通道来记录脑电信号，各导联的采样频率为250hz。

所述的步骤2.1)中以oz通道为基准通道，选取po5、po3、po6、o2四个通道平均值作为共同平均的参考通道。

所述的步骤2.2)中通带纹波设置为1，阻带纹波设置为10。

所述的步骤3)中fhn随机共振模型的数学表达式为：

式中：v(t)——细胞膜电压，是一个快变量；w(t)——膜内离子浓度，是一个慢变量；a——为常数表示激励幅值，促使神经元定期点火；ε——时间参数常量，决定了神经元点火的速率，此处取值为0.04；b——参数常量，值为0.15；n(t)——高斯白噪声，均值为零且自相关函数满足<n(t)n(s)>＝2dδ(t-s)；<.——求整体均值；s(t)——输入的非周期激励信号，该微分方程组求解时采用四阶runge—kuta方法；

当a＝0.5时，令v(t)＝v(t)′+1/2，w(t)＝w(t)′-b+1/2，a＝a′-b+1/2，fhn随机共振模型被简化为以下形式：

式中：——阈值电压；b——信号幅值到阈值电压的距离；

令at-b＝0，则只需要设置和调整模型参数ε和需要识别的最大峰值阶次n。

本发明的有益效果为：

(1)本发明fhn随机共振处理考虑了随机噪声对系统输出的影响，进一步加强了对噪声的抑制，得到的信号更加平滑。

(2)本发明fhn随机共振处理的输出频率响应类似于一组非线性带通滤波器，只有一个可调模型参数ε且通带范围可调，适合用于ssvep多尺度噪声的抑制。

(3)本发明利用噪声能量来增强ssvep，避免有用信号受损及滤波器边缘效应，提高ssvep特征频率的识别正确率。

附图说明

图1是本发明的流程图。

图2是本发明模型参数ε对随机共振输出影响时得到的不同参数下fhn随机共振输出信号曲线。

图3为采用常规cca方法识别特征频率时，得到的滤除8hz以下低频成分的eeg信号与模板信号的cca系数谱。

图4为采用本发明fhn随机共振方法识别特征频率时，得到的滤除8hz以下低频成分eeg信号频谱图。

图5为15名正常被试通过常规cca方法和本发明fhn随机共振方法得到的特征频率识别正确率的结果图。

具体实施方式

以下结合附图对本发明进一步的详细说明。

参照图1，一种基于fhn随机共振的ssvep特征频率提取方法，包括以下步骤：

1)多通道数据采集：通过g.usbamp(g.tecinc.,austria)脑电采集系统对被试者进行多通道eeg信号采集，eeg采集过程中以单侧耳垂接地，在正面位置(fpz)作为参考电极。靠近枕叶的oz、o1、o2、poz、po3、po4、po5、po6八个通道来记录脑电信号，各导联的采样频率为250hz；电极与脑电采集系统的输入连接，经过放大、滤波与数模转化处理，脑电采集系统输出脑电信号数据，与数据处理模块的输入连接；

模型参数ε对随机共振输出的影响分析：参照图2，建立一组标准正弦仿真信号(正弦信号幅值a＝5，频率f＝0.5hz，采样频率fs＝1000hz，采样点数n＝10000)并加入一定d＝20的噪声作为模型的输入，进行fhn随机共振处理，调节系统参数可获取不同表现的系统输出，由此得到的不同模型参数输入下fhn随机共振系统的输出信号，可以从图中看出，当ε＝0.01时，输出信号存在较大的随机波动，此时噪声的随机干扰起到了主导作用，得到信号的毛刺很大；随着模型参数ε增大到0.04，输出信号中的波动成分被逐步抑制，系统的响应得到改善；但过大的模型参数ε会使得系统输出状态在转移过程中无法跟上输入信号的响应速度，输出信号波形产生畸变；同时，噪声和驱动信号的幅值也被大幅滤除，造成输出信号失真；因此，对于不同的输入信号，会存在一个最佳模型参数ε，使得fhn随机共振系统具有最好的滤波效果；

2)信号预处理：

2.1)多通道信号降维：为了完全利用每个信道中包含的信息，数据处理模块采用共平均参考算法来降低多信道信号的维度，以oz通道为基准通道，选取po5、po3、po6、o2四个通道平均值作为共同平均的参考通道；

2.2)低通滤波处理：用巴特沃斯滤波器滤除低频噪声，通带纹波设置为1，阻带纹波设置为10，防止低频噪声对识别特征频率的干扰；

3)fhn随机共振参数初始化及模型处理：根据采集到的信号特点和实际分析需要设置计算参数，包括模型参数ε以及需要识别的最大峰值阶次n；

fhn随机共振模型的数学表达式为：

式中：v(t)——细胞膜电压，是一个快变量；w(t)——膜内离子浓度，是一个慢变量；a——为常数表示激励幅值，促使神经元定期点火；ε——时间参数常量，决定了神经元点火的速率，此处取值为0.04，下同；b——参数常量，值为0.15；n(t)——高斯白噪声，均值为零且自相关函数满足<n(t)n(s)>＝2dδ(t-s)；<.>——求整体均值；s(t)——输入的非周期激励信号，该微分方程组求解时采用四阶runge—kuta方法；

当a＝0.5时，令v(t)＝v(t)′+1/2，w(t)＝w(t)′-b+1/2，a＝a′-b+1/2，fhn随机共振模型被简化为以下形式：

式中：——阈值电压；b——信号幅值到阈值电压的距离；

令at-b＝0，则只需要设置和调整模型参数ε和需要识别的最大峰值阶次n；

将预处理后带有噪声干扰的ssvep信号送入到fhn随机共振模型进行fhn随机共振处理，再通过快速傅里叶变换计算噪声增强的ssvep的频谱图以识别目标频率；

4)峰值频率识别：从步骤3)中获得的输出信号的频谱图中，分别提取第n阶主峰对应的特征频率；

5)频率匹配检测：将识别频率与所有刺激频率进行匹配，如果匹配成功，则目标频率被有效识别；如果匹配失败，则有必要检测当前识别的阶次是否大于设定的最大阶次；如果终止条件满足，则检测结束，表明目标频率标识失败；否则，计算返回到步骤4)。

下面再结合实施例对本发明进行说明。

采用本发明方法对15名正常被试者(10男，5女，均为20-26岁)进行实验。将光闪烁作为视觉刺激范式，视觉刺激范式包含40个目标，刺激频率分别为8-16hz，间隔0.2hz；在dell-s2409w电脑的24英寸lcd显示器上以75hz的刷新率同时渲染40个视觉闪烁(长宽为3cm*3cm)；两次刺激之间的水平间隔和垂直间隔分别为2cm和3cm；使用者头部距离计算机屏幕150cm。分别输出常规cca方法、本发明fhn随机共振方法下ssvep信号特征频谱图，并计算识别正确率，得到的提取效果分别如图3、图4所示(图3中8.4hz、8.6hz、12.4hz、14.6hz、14.8hz及15hz表示特征频率识别错误、图3中9.4hz、11.2hz、12.8hz及15.4hz表示特征频率周围存在大量干扰峰、图4中8.4hz、8.6hz、12.4hz、14.8hz及15hz表示特征频率的提取结果得到纠正、图4中9.4hz、11.2hz、12.8hz及15.4hz表示干扰峰得到较好的抑制)。15名被试者的特征频率识别正确率如图5所示，与cca方法相比，本发明fhn随机共振对eeg信号特征频率的识别效果得到大幅提升。对于目标频率周围存在较大干扰峰而信号,如9.4hz、11.2hz、12.8hz及15.4hz所对应的频谱图，经过fhn共振处理后，干扰频率得到了更为明显的抑制，目标频率在频谱图中的主导地位进一步凸显；尤其是对于cca无法识别的信号,如8.4hz、8.6hz、12.4hz、14.8hz及15hz所对应的频谱图，fhn随机共振则可以有效的识别出相应的目标频率。同时，利用cca识别ssvep特征频率的平均处理时间为2.79s，而利用本发明fhn随机共振识别ssvep特征频率的平均处理时间为1.24s，大大压缩了提取方法的处理速度。

本发明能够从视觉中枢神经出发，应用脑机接口技术，在ssvep多尺度噪声抑制及特征频率提取方法实现了更高的识别精度和更快的处理速度，有效的增加了基于ssvep的bci系统的信息传输率，为ssvep的特征频率提取提供了有效的手段。