[0039] 图1为本发明的流程图
[0040] 图2为预处理前、后脑电信号频域波形图
[0041] 图3为系数特征提取流程图
[0042] 图4(a)为电话拨号的虚拟键盘
[0043] 图4(b)为目标对应的刺激频率和相位设置
[0044] 图5为重构前、后个体模板的频谱波形图具体实施方式：
[0045] 下面结合具体实施例对本发明做进一步说明。以下描述仅作为示范和解释，并不对本发明作任何形式上的限制。
[0046] 如图1所示，本发明的实施例实现步骤如下：
[0047] 步骤1、使用脑电采集设备采集稳态视觉诱发电位脑电信号，采样频率为256Hz；
[0048] 步骤2、选取位于脑皮层视觉区域(枕区)对应的电极通道，分别为POz、PO3、PO4、PO5、PO6、Oz、O1、O2，并用零相位切比雪夫无限脉冲响应滤波器对信号进行6～80Hz的带通滤波，截取提示信号出现后的2s视觉刺激时间作为初始脑电数据，预处理后的频域信号如图2所示；
[0049] 步骤3、构造人工正‑余弦参考信号和包含各训练数据权重系数的个体模板信号，具体步骤如下：
[0050] 步骤3‑1：设 为一组多通道的脑电信号， 为一组长度与X相同的人工正‑余弦参考信号：
[0051]
[0052] 式中，fk刺激频率设置为9.25Hz到14.75Hz，等差间隔0.5Hz；fs采样率设置为256Hz；Nh谐波数量设置为5。
[0053] 步骤3‑2：对脑电信号进行快速傅里叶变换，然后分别以训练数据的频谱均值与信噪比作为评价指标，定义频率fk处的信噪比为幅频响应曲线中fk处的幅值与附近L个频率的幅值均值之比：
[0054]
[0055] 式中，amp(fk)为SSVEP在频率fk处的频谱幅值，L取值为16，相邻频率间隔Δf为0.125Hz。
[0056] 步骤3‑3：分别采用两种计算方式确定权重系数——第一种为计算频谱中所有12个刺激频率对应的评价指标(evaluation index,EI)取平均，见式(3)；第二种为针对各刺激频率，计算其基频与各谐波频率所对应的评价指标，见式(4)。
[0057]
[0058]
[0059] 式(4)中，Nh谐波个数设置为5，即针对频率为9.25Hz时计算9.25Hz、18.5Hz、27.75Hz、37Hz、46.25Hz对应的评价指标，其他频率以此类推。
[0060] 步骤3‑4：对各次试验数据的评价指标做归一化处理，得到构造个体模板中各试次所对应的权重系数：
[0061]
[0062] ∑EI为各次试验数据评价指标之和，权重系数 C为通道数，Ntrain为训练数据个数。得到个体模板信号为：
[0063]
[0064] 步骤4、运用扩展典型相关分析算法，分别对脑电信号、人工正‑余弦参考信号和个体模板信号两两之间进行典型相关分析，计算的空间滤波器映射到信号上可以得到多种特征，本文选择了其中的3个系数特征，具体步骤如下：
[0065] 步骤4‑1：针对脑电信号、人工参考信号、个体模板信号，寻找一组权重向量使得经过映射后的典型变量二者之间相关性最大。相关性由计算二者之间Person相关系数确定，以x，y举例：
[0066]
[0067] 步骤4‑2：由这3种信号可以得到6种权重向量即空间滤波器的形式(1)测试信号X与个体模板 之间： (2)测试信号X与正‑余弦参考信号Y之间：wX(XY)、wY(XY)；(3)个体模板信号与正‑余弦参考信号之间：
[0068] 步骤4‑3：由6种空间滤波器与测试信号、正‑余弦参考信号和个体模板信号分别进行映射，总共可以得到10个典型变量，见表1。本发明选择了如下3个系数特征，系数特征提取流程见图3：
[0069]
[0070] 步骤5、先采用一个集成分类器用于组合3种系数特征作为最终特征用于识别：
[0071]
[0072] 最后选择相关系数最大值对应的频率视为SSVEP的目标刺激频率：
[0073]
[0074] 本发明以10个受试者作为实验对象，总共有12个目标即为12分类，视觉刺激布局如图4所示，实验有15个模块组成，每个模块中受试者被要求以随机顺序注视程序指示的一个视觉刺激，完成对应12个目标的12次试验。采用留一法交叉验证，即将某一识别目标15次试验中的14项作为训练数据用于构造受试者个体模板，剩余的1项作为测试数据用于验证，循环进行直至每项数据皆被当作一次测试数据。表2显示了采用了两种信号质量评价指标和两种计算方式重构个体模板后的eCCA与标准eCCA的识别结果对比。
[0075]
[0076]
[0077] 表2每位受试者的识别准确率
[0078]
[0079] 表3每位受试者计算消耗时间
[0080] 比较四种方式，计算12个刺激频率的频谱幅值用于确定各训练数据权重系数的方式取得了最好的结果，其中受试者S2的提升尤为明显，其他三种方式也有着相应的提高，识别结果验证了本发明的有效性，同时从表3中可以看出本发明提出的方法与标准扩展典型相关分析相比降低了计算消耗时间。为了可视化重构个体模板带来的效果，图5显示了重构前后两种模板的波形图，后者基频和谐波频率外的成分被有效地抑制，增强了信号的SSVEP响应，可以看出重新构造个体模板后从基波到谐波的信噪比均超过或接近40dB。
[0081] 本实施例在大多数空间滤波算法中传统的个体模板构造方式的基础上，考虑到选择直接对训练数据平均化以得到个体模板这一操作可能稍显粗略，使得计算出的空间滤波器不够准确从而影响算法的识别效果，提出了一种在构造个体模板时引入各训练数据权重系数的方式。为了确定权重系数，分别选择频率幅值和信噪比作为训练信号质量的两种评价指标，以及计算所有刺激频率和各刺激频率对应的基频与谐波频率的评价指标这两种计算方式，对算法中的个体模板进行重构。然后针对电话拨号数据集重新选择系数特征组合，在提高识别准确率的同时降低了计算消耗时间。
