基于稳态视觉诱发电位的脑-机接口（SSVEP-BCI）因其多命令输出和高性能而被广泛应用。SSVEP的每个谐波成分各自包含独特的特征，可用于增强SSVEP-BCI的识别性能。然而，现有的子带分析方法在提取和利用SSVEP各个单独的谐波成分方面存在局限性。对此，该研究提出了一种正弦信号辅助多变量变分模态分解（SA-MVMD）算法，该算法允许使用者根据信号的特性来控制分解过程，从而更精准地提取目标信号成分，避免错误分解和模态混叠现象。SA-MVMD能够有效分离SSVEP的各个独立谐波成分，在此基础上，该研究进一步提出了一种基于SA-MVMD的任务相关成分分析（SA-MVMD-TRCA）方法，以充分利用SSVEP的各个独立谐波中的特征，从而提高了分类性能。这为SSVEP-BCI的性能提升提供了新的策略和视角。
这项研究作为封面文章发表在IEEE Journal of Biomedical and Health Informatics（JBHI，一区Top）上，题目为《Novel Sinusoidal Signal Assisted Multivariate Variational Mode Decomposition Combined With Task-Related Component Analysis for Enhancing SSVEP-Based BCI Performance》，DOI：10.1109/JBHI.2024.3439391。第一作者吕金蓬来自东南大学生物科学与医学工程学院葛盛副教授指导的脑机接口研究团队。该工作得到了国家自然科学基金（62271141）的资助。
研究背景
已有的研究表明，SSVEP的不同谐波成分各自包含独特的特征，并代表了不同的生理功能，这对于提高SSVEP-BCI的性能具有潜在的研究价值。通过分析和利用每个独立谐波的特征，将可能提高SSVEP的分类性能。
子带分解方法能够捕捉SSVEP的频域局部特征，已经被广泛应用于SSVEP的谐波分析，常用的包括：滤波器组、经验模态分解（EMD）、变分模态分解（VMD）及其变体等。然而，滤波器组方法基于最低刺激频率固定地划分子带，难以匹配不同刺激频率下的SSVEP响应；而现有的EMD和VMD及其变体则是完全自适应性的，这导致它们对噪声或伪迹敏感，容易产生错误分解和模态混叠问题，从而丢失SSVEP中的关键信息。这些分解方法的局限性可能会妨碍SSVEP谐波的有效提取。
另一方面，利用每个独立谐波特征的SSVEP分类方法仍鲜有报道。基于滤波器组的方法通常在宽频带上同时分析多个SSVEP谐波成分，而未利用单个谐波中的独特信息；现有的基于EMD或VMD的方法往往将IMF重构作为带通滤波器，很少用于分析每个独立的谐波成分。因此，有必要探索一种新的信号分解与分析方法，以利用SSVEP每个独立谐波的信息来提高分类性能。
主要内容
正弦信号辅助多元变分模态分解（SA-MVMD）
VMD可以将信号分解为若干具有自适应带宽和中心频率的窄带振荡成分，称为本征模态函数（IMF）。多变量VMD（MVMD）是适用于多通道信号的VMD变体，其IMF的中心频率由各通道的功率谱共同决定。该研究提出的SA-MVMD在对信号执行MVMD前，向信号添加了一条新的正弦辅助信号通道。该通道由若干个指定频率的正弦波构成，其功率将会影响MVMD计算IMF的中心频率。当辅助信号的功率足够大时，IMF的中心频率将被约束在预设的正弦波频率值附近；相反，当辅助信号的功率降低，中心频率的计算将更加自适应。SA-MVMD对中心频率的约束能力允许使用者根据信号的特性来自主控制分解过程，从而更精准地提取目标信号成分。
该研究以12 Hz的SSVEP信号为例展示了SA-MVMD的有效性，数据来自于清华大学发布的SSVEP Benchmark数据集。图2(a)展示了信号经标准MVMD和SA-MVMD得到的IMF的频谱。受噪声和伪迹的影响，标准MVMD获得的IMF存在明显的模态混叠，表现为SSVEP特征峰出现在多个IMF中，且幅度显著衰减。相比之下，在SA-MVMD的结果中，SSVEP的谐波峰分别被分解到不同的IMF中，没有显著的模态混叠或幅度衰减，而噪声峰则显著降低。图2(b)所展示的希尔伯特谱显示，SA-MVMD同样改善了SSVEP的时频表征。
图2 (a)示例信号经标准MVMD和SA-MVMD得到的IMF的频谱；(b)示例信号经标准MVMD和SA-MVMD得到的IMF的希尔伯特谱（Oz通道）；(c)Benchmark数据集中的1秒数据经标准MVMD和SA-MVMD得到的IMF的SNR分布；(d)Benchmark数据集中的1秒数据经标准MVMD和SA-MVMD得到的IMF中，单个谐波的幅值分布。
为进行统计分析，文章对Benchmark数据集中的全部数据进行了测试。图2(c)显示，与标准MVMD相比，SA-MVMD获得的IMF具有显著更高的信噪比。图2(d)展示了IMF中SSVEP单个谐波的幅值分布，显示标准MVMD显著衰减了谐波的幅值，而SA-MVMD则衰减较少，表明其更能避免信号中目标信息的丢失。
基于SA-MVMD的任务相关成分分析（SA-MVMD-TRCA）
受以下结论所启发：
（1）SSVEP中存在一致且稳定出现的任务相关成分（TRC），
（2）SSVEP的不同谐波各自具有独特特征，并代表不同的生理功能，
该研究假设每个SSVEP谐波均各自包含独特的TRC。分析这些TRC可增强对SSVEP局部信息的利用，从而提高分类性能。
SA-MVMD为分析SSVEP的独立谐波创造了条件，因此，该研究提出了SA-MVMD-TRCA。该方法将辅助信号中的正弦波频率设置为SSVEP的刺激频率及其倍频，使得SA-MVMD能够将SSVEP信号分解为包含单个独立谐波的IMF。随后，对这些IMF应用任务相关成分分析（TRCA），从而训练用于特征增强的空间滤波器和用作分类模板的TRC，以利用谐波中的局部信息。同时，TRCA还被应用于IMF的重构信号，以利用SSVEP在宽带内的整体信息。因此，所提方法通过整合SSVEP的整体和局部信息来提高分类性能。SA-MVMD-TRCA的流程如图3所示。
图3 SA-MVMD-TRCA流程图。
文章以一组12 Hz的SSVEP数据为例，展示了通过SA-MVMD-TRCA训练得到的 TRC。如图4(a)和图4(b)所示，独立谐波的TRC波形表现出明显的调幅-调频（AM-FM）特性，其频谱在响应频率及其倍频处具有显著的峰值，而希尔伯特谱呈现出稳定的时频谱线，表明嵌入在SSVEP独立谐波中的振荡特征被有效提取。此外，在留一交叉验证法中，不同训练组所获得的TRC表现出高度一致性和稳定性，使其适合作为分类模板。图4(c)展示了SA-MVMD-TRCA与对照方法在Benchmark数据集上测得的平均分类准确率和信息传输率（ITR）。SA-MVMD-TRCA在所有数据长度上均优于对照方法，尤其在数据长度超过0.8秒时，表现出显著优势（采用单因素ANOVA和Holm-Bonferroni法多重比较检验）。
图4 (a)示例数据经SA-MVMD-TRCA训练得到的TRC的波形和频谱；(b)示例数据经SA-MVMD-TRCA训练得到的TRC的希尔伯特谱；(c)SA-MVMD-TRCA与对照方法在Benchmark数据集上测得的平均分类准确率和ITR。
结论
该研究提出了一种新的变分模态分解变体——SA-MVMD，在处理具有先验频率知识的信号时，表现出更优越的可控性、准确性和鲁棒性。同时，SA-MVMD还有望具备更广泛的适用性，能够处理其他类型的信号。在此基础上，该研究提出了SA-MVMD-TRCA方法，通过整合SSVEP的整体和局部信息，显著提升了分类性能。分析和利用SSVEP各个独立谐波特征的思想，为提升SSVEP-BCI的性能提供了新的策略和视角。
仅用于学术分享，若侵权请留言，即时删侵！
加入社群
欢迎加入脑机接口社区交流群，
探讨脑机接口领域话题，实时跟踪脑机接口前沿。
加微信群：
添加微信:RoseBCI【备注：姓名+行业/专业】。
加QQ群：913607986
欢迎来稿
1.欢迎来稿。投稿咨询，请联系微信：RoseBCI
点击投稿：脑机接口社区学术新闻投稿指南
2.加入社区成为兼职创作者，请联系微信：RoseBCI
一键三连「分享」、「点赞」和「在看」
不错过每一条脑机前沿进展
