基于ICA与HHT的SSVEP脑机接口特征提取研究

“稳态视觉诱发脑机接口特征提取方法的研究，阮晓钢，薛坤，通过独立成分分析(ICA)与希尔伯特黄变换(HHT)的结合，提出了一种有效去除噪声并提取SSVEP-Based BCI系统中脑电特征的新方法。” 稳态视觉诱发脑机接口（SSVEP-Based Brain-Computer Interface，简称SSVEP-BCI）是一种非侵入式的脑机交互技术，它利用人眼在注视特定频率闪烁的视觉刺激时，大脑皮层会产生相应频率的稳态电位反应。这种技术在康复医学、人机交互等领域有着广泛的应用潜力。然而，由于脑电信号（EEG）的复杂性和易受噪声干扰，特征提取是SSVEP-BCI系统设计的关键环节。 本研究由阮晓钢和薛坤共同完成，他们提出了一种新颖的特征提取策略，该策略融合了独立成分分析（ICA）和希尔伯特黄变换（HHT）。首先，对原始脑电信号进行带通滤波，以去除不必要的高频和低频噪声，得到预处理的脑电信号。然后，这些预处理信号被输入到ICA算法中，ICA是一种统计方法，用于将混合信号分解成多个独立的、不可由其他信号线性组合的成分，这有助于分离出与SSVEP相关的信号。 接下来，ICA得到的独立成分被送入HHT，这是一种自适应的时间-频率分析工具。HHT由经验模态分解（EMD）和希尔伯特变换两部分组成。EMD能够将非线性和非平稳的信号分解为一系列内在模态函数（IMF），这些IMF反映了信号的不同时间尺度和频率成分。希尔伯特变换则可以计算每个IMF的瞬时频率和振幅，从而提供信号的详细时频分布。 通过对IMF的频域分析，研究者可以识别出与SSVEP相关的主要频率成分，这些成分就是SSVEP-BCI系统中重要的特征。实验结果证明了这种方法的有效性，它不仅能有效地提取特征，还能显著去除脑电信号中的噪声，提高信号质量，从而提升BCI系统的性能和稳定性。 关键词：脑电图（EEG）、稳态视觉诱发电位（SSVEP）、脑机接口（BCI）、独立成分分析（ICA）、经验模态分解（EMD）。本研究对于理解SSVEP-BCI的工作原理，以及优化其性能具有重要意义，为未来脑机接口技术的发展提供了新的思路和方法。