基于B樣條小波變換的視覺(jué)誘發(fā)電位的識(shí)別方法

李明愛(ài) 張方堃 劉 雷 郝冬梅

1(北京工業(yè)大學(xué)人工智能與機(jī)器人研究所，北京 100124)2(北京工業(yè)大學(xué)生命科學(xué)與生物醫(yī)學(xué)工程學(xué)院，北京 100124)

基于B樣條小波變換的視覺(jué)誘發(fā)電位的識(shí)別方法

李明愛(ài)1*張方堃1劉 雷1郝冬梅2

1(北京工業(yè)大學(xué)人工智能與機(jī)器人研究所，北京 100124)2(北京工業(yè)大學(xué)生命科學(xué)與生物醫(yī)學(xué)工程學(xué)院，北京 100124)

針對(duì)已知的視覺(jué)誘發(fā)電位信號(hào)處理及特征提取存在的抗干擾能力差及識(shí)別率低的問(wèn)題，提出一種基于B樣條小波變換與BP神經(jīng)網(wǎng)絡(luò)的視覺(jué)誘發(fā)電位(VEP)的特征提取及識(shí)別方法。首先，對(duì)VEP進(jìn)行少次平均預(yù)處理，以增強(qiáng)信號(hào)的信噪比;其次，基于B樣條小波變換對(duì)VEP進(jìn)行特征選取，并通過(guò)BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)特征進(jìn)行分類。與現(xiàn)有方法相比，所提出的方法能夠較好地提取視覺(jué)誘發(fā)電位特征，對(duì)于含噪聲的信號(hào)具有較好的抗干擾能力和識(shí)別能力。實(shí)驗(yàn)結(jié)果表明，采用B樣條小波變換結(jié)合BP神經(jīng)網(wǎng)絡(luò)的方法，對(duì)視覺(jué)誘發(fā)電位的平均識(shí)別率為90.4%，優(yōu)于其他方法，驗(yàn)證了所提出方法的正確性和有效性。

腦機(jī)接口;視覺(jué)誘發(fā);識(shí)別;小波變換;神經(jīng)網(wǎng)絡(luò)

引言

腦機(jī)接口(brain computer interface，BCI)是不依賴于腦的正常輸出通路(外周神經(jīng)系統(tǒng)及肌肉組織)的腦—計(jì)算機(jī)(或其他裝置)通訊系統(tǒng)。作為一種新穎的人機(jī)接口方式，BCI已在生物醫(yī)學(xué)、軍事、娛樂(lè)特別是康復(fù)工程等領(lǐng)域顯示出很好的應(yīng)用前景和研究?jī)r(jià)值。要實(shí)現(xiàn)這樣一種人機(jī)交互方式，實(shí)時(shí)或短時(shí)對(duì)腦電信號(hào)進(jìn)行提取和分類是關(guān)鍵。

視覺(jué)誘發(fā)電位(Visual Evoked Potential，VEP)是神經(jīng)系統(tǒng)接受視覺(jué)刺激(如圖形或閃光刺激)所產(chǎn)生的特定腦電活動(dòng)，是一種特殊的事件相關(guān)電位(Event Related Potential，ERP)，具有與目標(biāo)刺激或任務(wù)存在鎖時(shí)關(guān)系的特性，并且波形較為穩(wěn)定。從時(shí)間分布上看，視覺(jué)誘發(fā)電位特征主要集中在刺激出現(xiàn)100 ms后的波形上，頻率范圍為1～30 Hz，主要由P100、N200和P300成分組成。筆者將重點(diǎn)研究特定視覺(jué)刺激下視覺(jué)誘發(fā)電位的特征提取與識(shí)別問(wèn)題。

目前，視覺(jué)誘發(fā)腦電信號(hào)處理及特征提取方法主要有以下幾種:1)累加平均法。該方法是電生理測(cè)量中提高信噪比最常用的方法，但進(jìn)行信號(hào)累加計(jì)算所需的時(shí)間太長(zhǎng)，實(shí)時(shí)性較差。2)維納濾波法。該方法適用于信號(hào)與噪聲的頻率成分互不交疊的情況，但對(duì)于非平穩(wěn)且時(shí)變的誘發(fā)電位信號(hào)卻難以取得好的效果。3)參數(shù)模型法(adaptive auto regression，AAR)。該方法把待研究信號(hào)看成是由某一輸入信號(hào)激勵(lì)某一系統(tǒng)所產(chǎn)生的，要求該系統(tǒng)的輸出與待研究的信號(hào)具有相似的性質(zhì)。但在誘發(fā)腦電信號(hào)的處理中，由于信號(hào)和噪聲具有非平穩(wěn)性，刺激前記錄到的噪聲可能與檢測(cè)到的實(shí)際噪聲差別較大，采用參數(shù)模型法會(huì)導(dǎo)致較大誤差。4)頻譜分析法。該方法采用快速傅立葉變換(FFT)對(duì)視覺(jué)誘發(fā)腦電信號(hào)進(jìn)行頻譜分析，具有算法簡(jiǎn)單、比較容易實(shí)現(xiàn)的優(yōu)點(diǎn)，缺點(diǎn)是對(duì)誘發(fā)電位特征提取的運(yùn)算時(shí)間較長(zhǎng)，且僅適用于穩(wěn)態(tài)視覺(jué)誘發(fā)電位。5)獨(dú)立分量分析法(Independent Component Analysis，ICA)。訪方法用統(tǒng)計(jì)學(xué)方法把觀測(cè)到的多導(dǎo)隨機(jī)信號(hào)變換成為統(tǒng)計(jì)意義上盡可能獨(dú)立的成分，但由于腦電信號(hào)的非平穩(wěn)性，靜態(tài)ICA算法對(duì)腦電數(shù)據(jù)的獨(dú)立分量提取往往難以得到有效的結(jié)果。

根據(jù)誘發(fā)電位和背景噪聲的時(shí)頻特性，嘗試?yán)眯〔ㄗ儞Q的多分辨率分解特性，對(duì)視覺(jué)誘發(fā)腦電信號(hào)進(jìn)行處理。小波變換所采用的基波具有不同的時(shí)間和頻率分辨率，采用小波來(lái)提取誘發(fā)電位，在減少刺激次數(shù)、提高信噪比方面有著明顯的效果。因此，選取 BP神經(jīng)網(wǎng)絡(luò)為分類器對(duì)特征樣本進(jìn)行分類，取得了良好的識(shí)別效果。

1 實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)預(yù)處理

1.1 實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)采集

視覺(jué)誘發(fā)腦電信號(hào)采集實(shí)驗(yàn)，主要包括視覺(jué)刺激器設(shè)計(jì)與腦電信號(hào)實(shí)時(shí)采集兩大部分。其中，視覺(jué)刺激器的設(shè)計(jì)是在Windows環(huán)境下參考美國(guó)Illinois大學(xué)Oddball實(shí)驗(yàn)范例自行設(shè)計(jì)的。該刺激器具有圖1所示的3種棋盤(pán)格式界面，利用閃爍翻轉(zhuǎn)棋盤(pán)格對(duì)受試對(duì)象以偽隨機(jī)的順序施加兩種不同的視覺(jué)刺激，75%的刺激為由圖1(a)轉(zhuǎn)換至圖1(b)的非目標(biāo)刺激(Not Goal Stimulus，棋盤(pán)格顏色全部翻轉(zhuǎn))，25%的刺激為由圖1(a)轉(zhuǎn)換至圖1(c)的目標(biāo)刺激(Goal stimulus，棋盤(pán)格顏色翻轉(zhuǎn)一半)。為了防止受試者對(duì)視覺(jué)刺激產(chǎn)生適應(yīng)性從而降低目標(biāo)刺激的腦電信號(hào)強(qiáng)度，兩種刺激方式分別在2.5 s～3.5 s之間隨機(jī)改變，刺激頻率約為6 Hz。腦電信號(hào)采集設(shè)備為便攜式數(shù)字腦電圖儀(NT9200，北京中科新拓儀器有限公司，中國(guó))。該儀器采用22導(dǎo)USB接口全數(shù)字腦電放大器，腦電信號(hào)的采集由左枕骨區(qū)(O1)通道獲得，以耳垂為參考點(diǎn)記錄電極，采樣頻率為256 Hz。

圖1 棋盤(pán)刺激器界面。(a)刺激器起始狀態(tài);(b)非靶刺激圖像;(c)靶刺激圖像Fig.1 Chessboard stimulating interface. (a)original state; (b) non-goal stimulus; (c)goal stimulus

選取5名年齡在22～27歲的受試者進(jìn)行實(shí)驗(yàn)，他們均知情同意。受試者均無(wú)精神病史，實(shí)驗(yàn)前經(jīng)過(guò)充分休息。對(duì)每個(gè)受試者重復(fù)200次實(shí)驗(yàn)，以提取視覺(jué)誘發(fā)電位的數(shù)據(jù)，剔除外部環(huán)境干擾所致的無(wú)效實(shí)驗(yàn)，平均每個(gè)受試者選取150～170組有效刺激數(shù)據(jù)，其中120～130組為訓(xùn)練樣本集，其余為測(cè)試樣本集。

1.2 腦電信號(hào)的預(yù)處理

在腦機(jī)接口實(shí)驗(yàn)中，單次記錄信號(hào)的信噪比低，誘發(fā)電位信號(hào)的單次提取很困難，為此，對(duì)誘發(fā)腦電信號(hào)進(jìn)行少量次累加平均的預(yù)處理，以提高其信噪比和信號(hào)識(shí)別率。由于視覺(jué)誘發(fā)腦電信號(hào)主要集中在低頻段，故而設(shè)計(jì)0.1～70 Hz的帶通濾波器，記錄并保存靶刺激發(fā)生前后約2 s數(shù)據(jù)，包括256個(gè)刺激前數(shù)據(jù)和256個(gè)刺激后數(shù)據(jù)。

設(shè)TO表示腦電信號(hào)Oi的N次實(shí)驗(yàn)的平均瞬時(shí)功率，并定義

式中，Oi為第i次實(shí)驗(yàn)所測(cè)的誘發(fā)腦電信號(hào)。

圖2為含噪聲的3組誘發(fā)腦電信號(hào)波形，圖3是經(jīng)過(guò)3次累加平均濾波后的信號(hào)波形?？梢?jiàn)，信噪比得到顯著提高，誘發(fā)腦電信號(hào)特征更加明顯。這樣通過(guò)累加平均處理后的腦電數(shù)據(jù)表示出了目標(biāo)刺激出現(xiàn)之前與之后各1 s的 VEP均值數(shù)據(jù)共512個(gè)。

圖2 含噪聲的3組誘發(fā)腦電信號(hào)波形Fig.2 3 Groups of VEPs with noises

圖3 3次累加平均濾波后的腦電波形Fig.3 VEPs after 3 times progressive average

2 基于B樣條小波變換腦電信號(hào)的特征提取方法

2.1 視覺(jué)誘發(fā)響應(yīng)及其特點(diǎn)

視覺(jué)誘發(fā)電位的特征主要由 P100、N200和P300成分組成。P100和N200分別是刺激出現(xiàn)后誘發(fā)電位中大約在100 ms之后出現(xiàn)的正的波峰和200 ms之后出現(xiàn)的負(fù)的波谷;而P300峰值則出現(xiàn)在目標(biāo)刺激發(fā)生后的300 ms，非目標(biāo)刺激則不會(huì)產(chǎn)生P300波形，這是誘發(fā)電位的一項(xiàng)重要特征。

P300誘發(fā)響應(yīng)是在目標(biāo)刺激出現(xiàn)大約300 ms以后出現(xiàn)的一個(gè)正的波峰，它是誘發(fā)電位的主要成分之一，在頂骨中心位置最為明顯。實(shí)驗(yàn)研究表明P300成分與認(rèn)知過(guò)程有關(guān)，因此P300特征量可以作為BCI系統(tǒng)的控制信號(hào)。BCI系統(tǒng)的信號(hào)處理目的就是要保證所識(shí)別的信號(hào)是真正所需的EEG信號(hào)，而不是其他一些偽跡，因此 BCI信號(hào)處理技術(shù)直接決定了BCI系統(tǒng)的速度和準(zhǔn)確率。

從圖3可以看到經(jīng)累加平均濾波后的腦電波形可在目標(biāo)刺激出現(xiàn)后大約100 ms處，即第280個(gè)數(shù)據(jù)點(diǎn)附近，有一個(gè)正的波峰 P100;在200 ms處，即第305個(gè)數(shù)據(jù)點(diǎn)附近，有一個(gè)負(fù)的波谷N200;在400～500 ms處，即第360個(gè)數(shù)據(jù)點(diǎn)到385個(gè)數(shù)據(jù)點(diǎn)，有一個(gè)最大的正波峰 P300，而且，VEP的能量主要集中在刺激出現(xiàn)后的100～600 ms時(shí)間段。這個(gè)特點(diǎn)為視覺(jué)誘發(fā)電位的特征提取提供了生理學(xué)依據(jù)。

2.2 基于B樣條小波變換的信號(hào)重構(gòu)

選用Bior小波作為基本小波，對(duì)腦電信號(hào)f(t)進(jìn)行有限層分解，即

式中，L為分解層數(shù)，AL為低通逼近分量，Di為不同尺度下的細(xì)節(jié)分量。

信號(hào)的整個(gè)頻帶劃分為多個(gè)子頻帶，設(shè)信號(hào)f(t) 的采樣頻率為 fS，則 AL，DL，DL－1，…，D1各量所對(duì)應(yīng)的子頻帶依次為

若選用Bior小波對(duì)信號(hào)進(jìn)行5層分解，即f(t)=A5+D5+…+D1，則各分量所對(duì)應(yīng)的子頻帶依次為 0 ～4、4 ～8、8 ～16、16 ～32、32 ～64、64 ～128 Hz。尺度層的大小，直接決定了低頻部分劃分的精細(xì)程度。圖4是VEP原始信號(hào)和各頻段的信號(hào)分解圖，可見(jiàn)，當(dāng)尺度層數(shù)為5時(shí)，誘發(fā)電位的低頻部分細(xì)節(jié)已經(jīng)能夠在尺度圖上得到很好的表現(xiàn)，故將分解的尺度層數(shù)選為5。

圖4清楚地表明，D1、D2頻段上沒(méi)有出現(xiàn)明顯的波形波動(dòng)，而在 A5、D5、D4、D3頻段的 P300時(shí)間段上波形有明顯的幅值變化。由于視覺(jué)誘發(fā)電位VEP主要體現(xiàn)在P300上，所以該頻段必須能很好地體現(xiàn)P300的特征，從而確定要剔除的是只與自發(fā)腦電背景噪聲相關(guān)的小波系數(shù)，以及需保留的與P300密切相關(guān)的小波系數(shù)。

圖5為小波分解系數(shù)的選擇，圖6為原始VEP波形及經(jīng)Bior小波分解并按圖5進(jìn)行小波系數(shù)選擇重構(gòu)后的波形。可見(jiàn)，A5、D3、D4、D5頻段包含了明顯的P300信號(hào)特征，重構(gòu)后的信號(hào)為

圖4 VEP信號(hào)及其各頻段的信號(hào)分解Fig.4 The VEP signal and its frequency decomposition

圖5 小波分解系數(shù)選擇Fig.5 Choice of wavelet decomposition coefficients

圖6 VEP波形。(a)原始VEP波形;(b)重構(gòu)波形Fig.6 VEP waveform(a)original VEP waveform;(b)VEP after reconstruction

式中，S(t)為原始信號(hào)經(jīng)Bior小波變換后的重構(gòu)信號(hào)，A5、D5、D4、D3分別為 A5、D5、D4、D3 各頻段上的細(xì)節(jié)分量。

2.3 特征向量的選取

利用VEP信號(hào)的時(shí) －頻特性，并根據(jù) VEP各組成成分與刺激時(shí)間的鎖時(shí)關(guān)系，進(jìn)行VEP信號(hào)的特征向量選取。從以上實(shí)驗(yàn)設(shè)計(jì)及分析可知，0 s～1 s的數(shù)據(jù)是刺激前的自發(fā)腦電數(shù)據(jù)，不包含視覺(jué)誘發(fā)特征信息，因此對(duì)前256個(gè)測(cè)試數(shù)據(jù)不予考慮。誘發(fā)電位的能量主要分布在刺激出現(xiàn)后600 ms的時(shí)間區(qū)間內(nèi)，而且其頻率低于40 Hz，故將D1、D2及600 ms以后的小波系數(shù)都置為零，并結(jié)合腦電信號(hào)的時(shí)頻特性，只需選取 A5、D3、D4及 D5四個(gè)頻段上小波系數(shù)的后一半為有效特征參數(shù)，即選取A5層［9，15］范圍內(nèi)的小波系數(shù)、D3 層［34，38］范圍內(nèi)的小波系數(shù)、D4［17，23］范圍內(nèi)的小波系數(shù)及 D5層［8，12］范圍內(nèi)的小波系數(shù)構(gòu)成特征向量，其維數(shù)為24。

3 腦電信號(hào)分類方法

BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)功能、泛化功能以及很強(qiáng)的容錯(cuò)能力，本研究選用BP神經(jīng)網(wǎng)絡(luò)作為腦電數(shù)據(jù)樣本分類器。由于選取的特征量包含24個(gè)小波系數(shù)，因此神經(jīng)網(wǎng)絡(luò)輸入層選用24個(gè)神經(jīng)元，輸出層為一個(gè)神經(jīng)元。隱含層神經(jīng)元個(gè)數(shù)的選擇，先根據(jù)經(jīng)驗(yàn)確定大致范圍，再通過(guò)對(duì)不同神經(jīng)元數(shù)進(jìn)行訓(xùn)練對(duì)比，觀察實(shí)際訓(xùn)練效果后再微調(diào)予以確定。通過(guò)對(duì)受試者的訓(xùn)練樣本集進(jìn)行訓(xùn)練的識(shí)別率考察，最終確定隱含層神經(jīng)元個(gè)數(shù)為9個(gè)。

4 結(jié)果

表1為5名受試者檢測(cè)樣本數(shù)據(jù)的識(shí)別率。由其可知，除1名女性受試者可能受環(huán)境等因素影響導(dǎo)致識(shí)別率較低外，其余受試者的識(shí)別率均達(dá)到了較好的實(shí)驗(yàn)效果。

表1 檢測(cè)樣本識(shí)別率Recognition rate of tested samples

圖7為某受試者視覺(jué)誘發(fā)電位數(shù)據(jù)基于BP神經(jīng)網(wǎng)絡(luò)的分類結(jié)果，共有檢測(cè)樣本36組，橫坐標(biāo)為檢測(cè)樣本序號(hào)。其中1表示分類正確，－1為分類錯(cuò)誤，分類正確率達(dá)到93%以上。

圖7 基于BP神經(jīng)網(wǎng)絡(luò)的分類結(jié)果Fig.7 The classification results based on BP neural network

為驗(yàn)證本研究方法的有效性，將所提出的基于B樣條小波變換和BP神經(jīng)網(wǎng)絡(luò)的VEP識(shí)別方法與參數(shù)模型法(AAR)、快速傅里葉變換法(FFT)、獨(dú)立分量分析法(ICA)進(jìn)行了比對(duì)實(shí)驗(yàn)。圖8為每種方法的識(shí)別率比較，充分說(shuō)明了所提出的方法準(zhǔn)確率較高。

圖8 4種方法識(shí)別率比較Fig.8 Comparison of recognition rate of four methods

5 分析與結(jié)論

由圖8可以看出，基于AAR的參數(shù)模型法的識(shí)別率最低，主要是由于該方法適用于平穩(wěn)信號(hào)的分析，而對(duì)于包含大量非平穩(wěn)信號(hào)的視覺(jué)誘發(fā)電位則略顯“力不從心”。采用快速傅里葉變換法(FFT)較為簡(jiǎn)單，但運(yùn)算處理時(shí)間過(guò)長(zhǎng)，且識(shí)別率并不出眾。相對(duì)前兩種方法，獨(dú)立分量分析法(ICA)識(shí)別率有所提高，但同樣該算法只適于平穩(wěn)信號(hào)的處理，抗干擾能力不強(qiáng)，對(duì)于未經(jīng)過(guò)濾波去噪的腦電信號(hào)識(shí)別率較低。針對(duì)視覺(jué)誘發(fā)電位 VEP，提出了一種基于B樣條小波分析提取腦電特征及BP神經(jīng)網(wǎng)絡(luò)分類的方法。該方法通過(guò)少樣本平均來(lái)提高信號(hào)的質(zhì)量，應(yīng)用B樣條小波變換提取VEP特征向量，以BP神經(jīng)網(wǎng)絡(luò)為分類器對(duì)VEP識(shí)別問(wèn)題進(jìn)行了研究，并以實(shí)測(cè)的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了仿真研究，獲得了較好的識(shí)別效果。

實(shí)驗(yàn)驗(yàn)證了本方法對(duì)于視覺(jué)誘發(fā)電位識(shí)別的有效性，為BCI系統(tǒng)應(yīng)用于目標(biāo)選擇系統(tǒng)提供了新的思路。同時(shí)可以看到，本研究的識(shí)別方法是離線進(jìn)行的，還不具備實(shí)時(shí)識(shí)別的能力。因此，下一步將主要針對(duì)實(shí)時(shí)提取與識(shí)別視覺(jué)誘發(fā)電位的信號(hào)進(jìn)行研究。

［1］ 葛哲學(xué)，沙威.小波分析理論與 MatlabR2007實(shí)現(xiàn)［M］.北京:電子工業(yè)出版社，2007.

［2］ Liu WQ.Fast tracking of evoked potential variations using correlated scale function designed by multiresolution analysis［D］.Hong Kong:The University of Hong Kong，1998.

［3］ Bayliss Jessica D.A flexible brain-computer interface［D］.Rochester:New York:University of Rochester，2001.

［4］ 王兆源，周龍旗.腦電信號(hào)的分析方法［J］.第一軍醫(yī)大學(xué)學(xué)報(bào)，2000，20(2):73 －80.

［5］ 李勇，高小榕，高上凱.誘發(fā)腦電的時(shí)間－空間分析［J］.生物醫(yī)學(xué)工程學(xué)雜志，2002，19(1):158－161.

［6］ 季忠，秦樹(shù)人，彭麗玲.腦電信號(hào)的現(xiàn)代分析方法［J］.重慶大學(xué)學(xué)報(bào)，2002，25(9):108 －111.

［7］ Cilliers Pierre J.A system for vep detection and stimulus phase discrimination［D］.South Africa:University of Pretoria，1996.

［8］ 侯媛彬，杜京義，汪梅，神經(jīng)網(wǎng)絡(luò)［M］.西安:西安電子科技大學(xué)出版社，2007.

［9］ 龔茜玲，錢(qián)梓文.生理學(xué)(第二版)［M］.上海:上海醫(yī)科大學(xué)出版社，1992，215 －216.

［10］ 周元慶.利用小波變換少樣本均值提取視覺(jué)誘發(fā)電位［D］.武漢:華中科技大學(xué)，2000.

［11］ 何慶華，彭承琳，吳寶明.腦機(jī)接口技術(shù)研究方法［J］.重慶大學(xué)學(xué)報(bào)，2002，25(12):106 －109.

［12］ 何慶華.基于視覺(jué)誘發(fā)電位的腦機(jī)接口實(shí)驗(yàn)研究［D］.重慶:重慶大學(xué)，2003.

［13］ 何慶華，彭承琳，吳寶明，等.基于視覺(jué)誘發(fā)電位的腦機(jī)接口實(shí)驗(yàn)研究［J］.生物醫(yī)學(xué)工程學(xué)雜志，2004，21(1):93－96.

［14］ 張繼武，鄭崇勛，耿中行.用奇異性檢測(cè)技術(shù)提取誘發(fā)電位［J］. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，1999，18(3):295－303.

The Recognition of Visual Evoked Potential with B-spline Wavelet Transform

LI Ming-Ai1*ZHANG Fang-Kun1LIU Lei1HAO Dong-Mei2
1(Institution of Artificial Intelligence and Robot，Beijing University of Technology，Beijing 1000124，China)
2(Life Science and Institute of Biomedical Engineering，Beijing University of Technology，Beijing 100124，China)

With the aim to solve the problems such as weak anti-disturbances and low recognition rate in signal processing and feature extraction of visual evoked potential(VEP)，a method based on the B-spline wavelet transform and BP neural network was proposed to extract and recognize the features of VEP.VEP was preprocessed by a few times of average to enhance the signal-noise ratio;Then based on the B-spline wavelet transform，features were extracted and classified with BP neural network classifier.Compared with existing methods，the experimental results showed that the proposed method could accurately extract the features of VEP，and display betterperformance on anti-disturbancesand classification. The experimentresults demonstrated that the method based on B-spline wavelet transform combined with BP neural network had an average recognition rate of 90.4%，displaying the feasibility and the effectiveness of the proposed method.

brain-computer interface;VEP;recognition;wavelet transform;neural network

R318.08

A

0258-8021(2010)03-0353-05

10.3969/j.issn.0258-8021.2010.03.006

2009-09-08，

2010-03-03

國(guó)家自然科學(xué)基金資助項(xiàng)目(30670543);北京市委組織部?jī)?yōu)秀人才培養(yǎng)項(xiàng)目(20071B0501500198)

*通訊作者。 E-mail:limingai@bjut.edu.cn