روش بهبود يافته تحليل همبستگي متعارف براي بازشناسي فركانس پتانسيل برانگيخته بينايي حالت ماندگار

A modified Canonical Correlation Analysis Method for SSVEP Frequency Recognition

روش تحليل همبستگي متعارف (CCA)، يكي از پركاربردترين روش هاي بازشناسي فركانس در سيستم هاي واسط مغز-كامپيوتر مبتني بر پتانسيل برانگيخته بينايي حالت ماندگار (SSVEP) است. اگرچه روش CCA در اغلب موارد با نتايج خوبي همراه است، اما اگر ميان فركانس هاي تحريك رابطه هارمونيك برقرار باشد، اين روش با چالش مواجه خواهد شد. در اين مقاله، روش CCA بهبود يافته پيشنهاد شده است كه با اضافه نمودن يك مرحله ي پس پردازش در روش CCA، اين چالش را تا حدودي رفع مي نمايد. بدين منظور، تحريك بينايي در محدوده 6 تا 16 با گام فركانسي 5/0 هرتز با استفاده از جعبه ابزار psychophysics متلب ايجاد گرديد. ثبت سيگنال SSVEP از ده سوژه و تنها از الكترود Oz انجام شد. طبق روش پيشنهادي، پس از اعمال CCA و تعيين فركانس متناظر با بيشينه همبستگي، اختلاف ميزان همبستگي حاصل از اين فركانس و همبستگي حاصل از هارمونيك متناظر، محاسبه مي گردد. سپس با مقايسه مقدار بدست آمده با مقدار آستانه، بازشناسي فركانس صورت مي پذيرد. مقدار آستانه بر اساس داده هاي هر سوژه به صورت آفلاين تعيين مي شود. ميانگين صحت بازشناسي روش CCA استاندارد با انتخاب دو هارمونيك در ايجاد سيگنال مرجع(2=N)، به ازاي پنجره زماني هشت ثانيه ، %74 بوده كه با روش پيشنهادي به %81 رسيد. به طور متناظر، به ازاي پنجره زماني چهار ثانيه نيز صحت از %78 به %83 افزايش يافت. روش پيشنهادي با كاهش خطاي بازشناسي هارمونيك توانسته است براي گستره وسيع فركانسي، صحت بازشناسي را نسبت به روش CCA استاندارد بهبود بخشد.

The canonical correlation analysis (CCA) is one of the most widely used frequency recognition methods in steady-state visual evoked potential (SSVEP)-based brain computer interface systems. Although the CCA is often associated with good results, but if stimulation frequencies have harmonic relation, this issue will challenge this method. In this paper, the modified CCA method has been proposed that can solve this problem by adding a post-processing step in the standard CCA. For this purpose, visual stimulus ranged from 6-16 Hz with an interval of 0.5 have been generated using Matlab and the psychophysics toolbox. The SSVEP signal was recorded from ten subjects via one electrode placed at Oz. According to the proposed method, after applying CCA and determining the frequency corresponding to the maximum correlation, the difference between the correlation associated to this frequency and the correlation of the corresponding harmonic frequency is calculated. Then, the frequency is recognized by comparing the obtained value with the threshold. The threshold is determined based on the data of each subject during the offline analysis. For eight-second time window, the average recognition accuracy of the standard CCA with choosing two harmonics in constructing the reference signal (N=2) was 74%, while the corresponding value of the proposed method was 81%. Correspondingly, the accuracy was increased from 78% to 83% for four-second time window. For wide frequency range, the proposed method has been able to improve the frequency recognition accuracy compared with the standard CCA, by reducing harmonic recognition error.