广东工业大学 卢芳安

脑机接口（BCI）系统旨在大脑和计算机之间建立直接连接，这可以帮助重度残疾人表达其意图或控制设备而无需肌肉运动，从而摒弃了人类最初的肌肉系统和外周神经。常见的脑机接口系统主要有基于运动想象（MI）、基于P300以及基于稳态视觉诱发（SSVEP）。由于SSVEP信号具有较好的信噪比，并且经过较少的训练就能很好的进行诱发，同时还能简单的从大脑表皮采集到，因此已经成为了BCI技术领域的研究的热点。因此对SSVEP信号的检测和分类也成为了研究者们研究的重点。

典型相关性分析（CCA）算法运用到SSVEP信号检测中，因为其运用到多通道分析，所以效果会比PSD单通道脑电信号分析有很大的提升。2018年，任务相关成分分析（TRCA）在SSVEP分类中的分类效果明显。该方法是通过TRCA算法求投影滤波矩阵，然后将测试信号进行滤波求相关系数。最近，基于广义典型相关性分析（generalized canonical correlation，GCCA）的潜在共源提取（Latent common source extraction，LCSE）框架被提出，该方法在分类精度和信息传输率上都优于TRCA算法。我们在该框架的基础上提出了一种扩展广义典型相关性分析（Extended canonical correlation analysis，Exd-GCCA）。Exd-GCCA在分类精度和信息传输率较LCSE都有所提升。

1 研究方法

1.1 潜在共源提取框架

LCSE是基于GCCA方法来实现的一种方法，GCCA基于MAXVAR公式求解模型表示如下：

式中G表示潜在的公共源向量，Wj表示每次试验对应的空间滤波器，也是我们所要求的解，Xj表示每次试验得到的SSVEP信号。公式（1）最终的优化解为：

其中，G的求解我们可以通过以下的方法求得：

rj I是为在求解过程中防止过拟合而加入的正则化参数，G的最终可以表示为矩阵M的前几个最大特征值对应的特征向量构成的矩阵。……