基于MVMDMS-CCA的稳态视觉诱发电位分类算法

摘要

针对脑电图信号的分类问题，考虑其非线性、非稳态的特点，引入多元变分模态分解处理稳态视觉诱发电位（SSVEP）信号，提出模态筛选的新思路，并结合CCA算法，提出一种用于稳态视觉诱发电位的分类算法（MVMDMSCCA）。MVMDMS-CCA方法首先提出用信噪比确定MVMD中的关键参数K值，然后进行MVMD分解，结合MIC方法设定阈值进行模态的筛选，将不满足阈值的模态进行自适应小波去噪，构建新的模态组合，再送入CCA算法，实现SSVEP信号的分类。使用自采的脑电数据集进行验证，在3 s的时间窗长下取得93.23%的平均分类正确率，比标准的CCA提升5.78%，比改进的滤波器组CCA提升1.51%。试验结果表明，MVMDMS-CCA有效挖掘脑电信号中的SSVEP成分，同时压制噪声，为SSVEP解码算法的研究提供一种新的思路。

关键词

多元变分模态分解 / 稳态视觉诱发电位 / 模态筛选 / 典型相关分析