摘要：在基于稳态视觉诱发电位（Steady State Visual Evoked Potentials，SSVEP）的脑电信号在线分类系统中，实验室中采集到的脑电信号不可避免的含有一些噪声成分，这些噪声成分的存在，将会降低最终的分类准确率。为了提高脑电信号的在线分类准确率，本文首先采用改进后的独立分量分析（Independent Component Analysis，ICA）方法对采集到的多导联运动想象脑电信号进行盲源分离，得到相互独立的源成分，之后滤除伪迹成分，再对处理后的脑电信号进行FFT变换求出能量熵，最后结合支持向量机（Support Vector Machines, SVM）的方法进行分类。研究结果表明去除伪迹干扰可以提高基于SSVEP的脑电信号的在线分类准确率，验证了ICA预处理方法在脑电信号在线分类中的有效性，为实现基于SSVEP的在线BCI控制系统提供了参考。
关键词： 脑电信号；伪迹；稳态视觉诱发电位；独立分量分析；支持向量机
1 引言
脑电信号（EEG）[1]是一种反映人体大脑神经活动的生理信号，它由大量神经元放电产生，含有丰富的生理和病理信息，可以将其应用于脑机接口（BCI）等领域[2]。但EEG信号具有非平稳性，十分微弱（幅值仅为μV量级），极易受到噪声干扰的特点[3]，这给我们实现基于SSVEP[4]的脑电信号的在线分类增加了难度。本文的目标就是要找到一种去噪效果好，算法复杂度低的预处理方法。
独立分量[5]分析是近年来发展起来的一种新的盲源分离方法。ICA处理对象为相互统计独立的信源经线性组合而产生的一组混合信号[6]。在生物医学信号采集过程中，通常采用多个传感器记录生理现象[7]。例如，在采集脑电（EEG）信号时，安放在头皮表面的电极距离只有几厘米，这些电极不仅记录了脑内神经元电活动，而且各种干扰信号，也被记录下来[8]。
SVM是根据统计学理论提出的一种机器学习方法，它集成了最大间隔超平面、Mercer核、凸二次规划和松弛变量等技术[9,10]。SVM的基本思想是在特征空间寻找一个最优超平面，可以把两类样本正确分开，而且要求距离超平面最近的不用类样本集之间的间隔最大，这样才能达到最大的泛化能力[11]。
本文设计了基于SSVEP的脑电信号采集实验，并将采集到的脑电数据进行在线分类处理；并提出了“扩展Infomax算法”；利用改进后的ICA算法得出了脑电信号的独立源成分，结合伪迹的相关知识，判断出伪迹成分，并予以去除；结合SVM分类方法，求出了处理前后的脑电信号的分类准确率。结果发现，经过ICA预处理后的脑电信号相比较原始信号的准确率均得到了提高，四位被试的准确率平均提高了9%左右。证明了本文提出的去除伪迹方法的可行性、有效性。
作者：杨善阳