RSVP与SSVEP混合脑电信号刺激与多类事件检测

提出一种新的基于快速序列视觉呈现(Rapid Serial Visual Presentation,RSVP)与稳态视觉诱发电位(Steady-State Visually Evoked Potential,SSVEP)组合范式的脑电信号(Electroencephalogram,EEG)刺激与多类事件检测方法.对诱发的原始脑电信号通过电位重参考、基线去除、空间滤波等预处理操作去除数据的伪迹和噪声,通过自举聚合决策树(Bagging Tree,BT)和支持向量机(Supported Vector Machine,SVM)等机器学习算法,对14名受试者双重刺激诱发的脑电信号进行目标与频率相结合的多类事件检测,通过实验验证了该组合范式诱发的脑电信号具有良好的多类可分性,为开发基于RSVP和SSVEP两种范式的混合型脑-机接口应用提供了一种新的有效途径.同时,实验结果还表明,基于机器学习的BT和SVM模型对RSVP和SSVEP组合范式诱发的EEG信号进行多类识别的性能明显优于传统的典型关联分析(Canonical Correlation Analysis,CCA)算法的性能.