基于FFT谱校正的频率相位脑机接口解码方法及其装置

摘要

本发明公开了一种基于FFT谱校正的频率相位脑机接口解码方法，所述方法包括：对采集的稳态视觉诱发电位信号SSVEP进行数字采样，得到N个离散样本，对离散样本加窗作快速傅立叶变换分析，得出SSVEP信号的频谱；搜索出峰值谱，并记录其相位值，另需确定次高谱位置并求得比值；由比值得到频偏估计值，基于此获得相应相位估计值；通过求出两个激励频率的校正后的测量相位差来识别激励目标。所述解码装置包括：将采集到的信号经过模数转化器采样得到样本序列，以并行数字输入的形式进入DSP器件，经过内部处理，得到信号的参数估计；再借助输出驱动及其显示模块显示受试者发出的命令，最后外部设备响应对应的命令。

说明书

技术领域

本发明涉及数字信号处理领域，尤其涉及一种基于FFT谱校正的频率相位脑机接口解 码方法及其装置，本发明对基于视觉稳态诱发电位的脑机接口装置激励信号的频率存在频 偏时，通过FFT谱校正方法来提取相位信息而实现命令解码。

背景技术

脑机接口^[1](Brain-Computer Interface，简记为BCI)是人脑和计算机或者其他电子设 备之间建立的一种直接的信息交流和控制通道，它不依赖于大脑的正常输出通路(外周神 经系统及肌肉组织)，是一种全新的通讯和控制方式^[2]。它旨在建立人脑和外界的直接交 流通道，通过提取脑电信号的特征而识别出大脑指令，最终完成大脑对外部设备的直接控 制。

研究脑机接口技术的主要目的是设计出基于脑电信号的控制装置，以实现与外部环境 的交流和控制^[3]。因此脑机接口在医学分析领域和临床应用上有着深远的意义。

在脑电信号的选择上，稳态视觉诱发电位(Steady-State Visual Evoked Potential，简记为 SSVEP)^[4]因具有非侵犯性、系统配置简单、训练时间短及其高信息转化率的优势，近年来 常被选作是大脑命令的良好载体。所谓稳态视觉诱发电位，即当受到一个大于某固定频率 (6Hz)的视觉激励时，人的大脑视觉皮层产生的一个连续的与激励频率有关(激励频率的 基频或倍频处)的响应，它可以可靠地应用于脑机接口系统。

而衡量SSVEP-BCI系统性能的标准之一就是该系统可产生的命令数(即目标激励块)， 命令数越多，对应的执行动作也越多，系统也越完善。目前最常用的SSVEP命令识别方 法是通过提取脑电信号的频率信息来实现的^[5-7]，而对于采用LCD(Liquid Crystal Display， 液晶显示器)激励产生的SSVEP信号，由于其激励频率是通过对LCD的刷新频率整数分频 得到，因而其激励频率数目受到限制；另外，在这些通过整数分频得到的激励频率中，必 然存在一些因为存在频率偏移而无法直接检测的激励频率^[8,9]，这就需要通过引入新的频率 检测算法(即频率解码方法)来解决该问题。为增加目标数，也有研究者采用了多频率激励 进行SSVEP信号诱导，通过典型相关分析(CCA)方法提取信号的特征^[10,11]。但以上方 法都仅侧重于通过丰富频率编码来增加命令目标数。为根本解决有限频率数下的命令识别 问题，不但要改进频率编码算法，还要完善现有的频率解码检测算法。

近年来，为改进脑机接口系统的性能，频率相位混合编码的概念进入我们的视野，显 然，这一举措大大提高了激励目标数。由于在频率相位混合编码^[12,13]的SSVEP系统中， 在频率编码的基础上增加了相位信息，因而要求其解码过程既能准确提取频率特征，又能 提取相位特征。如清华大学在文献[12]提出的方法，在编码时对同一激励频率赋予多个初 始相位而增加了目标数，在解码时则通过结合SSVEP信号的FFT谱峰处的幅度值和相位 值来区分不同的激励目标；文献[14]则将SSVEP激励周期划分为闪烁时段和静默时段，在 编码时，通过设置不同的静默时段长度而产生标识不同目标特征的相位，在解码时，则考 虑所有静默分段情况对SSVEP响应信号做分割，并计算出不同分段的时域平均能量，再 以这些能量差异为依据来识别不同相位的激励目标。

显然，文献[14]由于解码过程是在时域中进行的，故对噪声敏感度较高；文献[12]的解 码是在FFT频域中直接实现的，但调研该文献的参数可发现，其激励频率全都选取为FFT 频率分辨率的整数倍(正好对应各激励频率的频偏为0，使得直接FFT测相无误差)，从而 其激励目标数仍受到限制(同样限制也存在于文献[6,10,12,15]中)。之所以选取无频偏的 激励频率，是为了绕开在频偏情况下FFT谱泄漏导致测相不准确的固有缺陷。因为存在谱 泄漏，即使对于单频信号，其峰值谱线上的相位值都会存在很大误差；当信号包含多个频 率成分时，各成分因谱泄漏而导致的谱间干扰，则会进一步增大测相误差^[16-18]。因此为提 高有限带宽内的频率利用率，迫切需要解决存在频偏时稳态视觉诱发电位的FFT相位解码 问题。

发明内容

本发明提供了一种基于FFT谱校正的频率相位脑机接口解码方法及其装置，本发明能 够在SSVEP激励频率存在各种偏移情况下，准确提取出其初相信息，具有高识别精度， 详见下文描述：

一种基于FFT谱校正的频率相位脑机接口解码方法，所述方法包括以下步骤：

(1)对采集的稳态视觉诱发电位信号SSVEP进行数字采样，得到N个离散样本，再离 散样本加窗作快速傅立叶变换分析，得出SSVEP信号的频谱X_f(k),k＝0,…,N-1；

(2)搜索出位于k＝k^*处的峰值谱X_f(k^*)，并记录其相位值另需确定次高谱位置并求 得比值v；

(3)由比值v值得到频偏估计值基于此获得相应相位估计值

(4)通过求出两个激励频率f₁与f₂的校正后的测量相位差来识别激励 目标。

所述比值v具体为：

$v=\frac{\left|X_f\left(k^{*}\right)\right|}{\max \left(\right|X_f(k^{*}+1)|,|X_f(k^{*}-1)\left|\right)}.$

所述频偏估计值具体为：

$\Delta \hat{\beta }=(v-2)/(v+1);$

所述相位估计值具体为：

其中，为峰值处所对应的相位值。

所述测量相位差具体为：

分别为不同激励频率下的延时相位，分别为不同激励频 率下的激励相位。

一种基于FFT谱校正的频率相位脑机接口解码装置，所述解码装置包括：模数转化器、 DSP器件、输出驱动及其显示模块，将采集到的信号x(t)经过所述模数转化器采样得到样 本序列x(n)，以并行数字输入的形式进入所述DSP器件，经过所述DSP器件的内部处理， 得到信号的参数估计；再借助所述输出驱动及其显示模块显示受试者发出的命令，最后外 部设备响应对应的命令。

本发明提出的基于FFT谱校正的相位提取方法，若应用于实际工程领域及临床医学领 域，可以产生如下有益效果：

由于放宽了对激励频率的要求，增加了目标块数量，故大大丰富了对所处环境的控制 操作。

由于本发明的相位解码精度高，故有利于减少外界设备的操作失误。

由于本发明的核心校正过程可以快速配置，故有利于系统升级，适用于不同的应用需 求。

附图说明

图1为脑机接口系统的基本构成框图；

图2为基于FFT谱校正的频率相位脑机接口解码方法的设计总流程图；

图3为无噪情况下频率偏移估计和相位估计值；

图4为加噪情况下频率偏移估计和相位估计值；

图5为两目标块激励显示器；

图6为基于FFT谱校正的频率相位脑机接口解码装置的硬件实施图；

图7为DSP内部程序流图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详 细描述。

为突破这一瓶颈，本发明在混合频率相位差式激励方式的基础上，使用频率和相位对 SSVEP信号进行混合编码并作解码处理，提出了一种新型的基于FFT谱校正的频率相位脑 机接口解码方法及其装置。该方法能够改善SSVEP激励信号存在频偏情况下由于FFT谱 泄漏而测不准相位的问题，准确计算出对应的激励相位值，并识别出目标块，最终达到放 宽对目标激励频率的限制、增加激励目标数的目的。

图1为脑机接口系统的基本构成框图，脑机接口系统大致可分为四个组成部分：

(1)由外界产生各种包含不同频率和初相信息(即编码信息)的诱发电位生成激励信号；

(2)在皮层电极或头皮电极对神经电信号进行采集，并进行多通道放大、滤波和A/D转 换，完成预处理；

(3)特征提取与控制命令生成：即利用信号处理和模式识别算法，提取出诱发电位的特 征信息，并进行分类、解码和转换，产生与神经活动模式相对应的控制命令；

(4)利用产生的控制命令来操纵外部环境和设备。

显然，以上步骤中，特征提取部分为脑机接口系统中最为重要的环节，只有提取出准 确的信号特征、并扩大信号特征的识别范围，才能提高系统可识别的目标数，丰富脑机接 口的外部控制功能。

如图2所示，在存在频偏情况下为得到准确的信号初相信息，需对信号进行校正求相 位。其校正解码过程如下：

首先，需要对采集的SSVEP信号进行数字采样，得到N个离散样本，再对该离散样 本加窗作快速傅立叶变换(FFT)分析，得出SSVEP信号的频谱X_f(k),k＝0,…,N-1；

其次，为得到频率偏移值，需搜索出位于k＝k^*处的峰值谱X_f(k^*)，并记录其相位值另需确定次高谱位置(若次高谱位于谱峰左侧，该位置记为k^*-1；若位于谱峰右侧，则记为 k^*+1)，并求得如下比值v；

$v=\frac{\left|X_f\left(k^{*}\right)\right|}{\max \left(\right|X_f(k^{*}+1)|,|X_f(k^{*}-1)\left|\right)}---\left(1\right)$

最后，由v值得到频偏估计值基于此获得相应相位估计值分别为

$\Delta \hat{\beta }=(v-2)/(v+1)---\left(2\right)$

图2中，无论怎样改变激励频率、激励初相和采样速率等参数，都可以快速获得准确 的频率估计输出和相位估计输出。

式(3)中，为校正后的SSVEP测量相位，并不是SSVEP的激励相位(记为)。如图 1所示，在SSVEP激励与响应之间存在人脑的反应时间，该大脑反应延迟会相应产生因人 而异的延时相位这三者之间满足如下关系

由于解码是依据激励相位而不是测量相位因此需要进一步确定延时相位

本发明引入双频SSEVP激励方案，通过求出两个激励频率f₁与f₂的校正后的测量相 位差来识别激励目标。该相位差为

式(5)中，当激励频率f₁和f₂很接近时，延时相位差值可忽略不计，因此目标识别时则 可用测量相位差取代实际相位差，便捷地识别出目标激励块。

本实验分为用于验证谱校正原理的仿真实验和用于SSVEP解码的实际实验两部分。

仿真实验

该仿真实验中信号序列为{x(n)＝a·cos(ω₀n+θ₀)+w(n),n＝0,1,…,N-1}，其中a＝1，θ₀＝60°， N＝16，Δω＝2π/16，ω₀＝(3+Δβ)Δω。w(n)为0均值，σ²方差的加性白噪声，用来模拟SSVEP 信号中的背景噪声。为说明本发明校正方法的可行性，下面分别对不同频偏Δβ情况作直 接FFT和FFT校正对照，令频偏值Δβ以0.1为步进，在0至0.9之间变化，再分别求得 这十个频偏情况对应的频率估计和初相估计。

实验中信噪比SNR定义为

$\mathrm{SNR}=10{{\log }_{10}}^{\frac{a^2}{2{\sigma }^2}}---\left(6\right)$

首先，在无噪情况下进行对照，图3给出了两种方法对应的频率偏移估计Δβ和相位 估计(其中直接FFT用‘o’标记，校正后的估计值为‘×’)。图3表明，在无噪情况下，直接 FFT方法的频率估计误差在-0.5Δω～0.5Δω之间，而校正后的误差介于-0.0039Δω和 0.0032Δω之间，相比之下可以忽略不计。而从相位估计值角度来看，校正后的估计值误差 范围很小，介于-0.6390°～-0.0009°之间，而直接FFT方法相位误差则出现很大的误差， 无法用来表示初相值。

为验证本方法在有噪情况下的校正性能，对原信号序列加噪，信噪比SNR设为6dB， 对应的直接FFT与校正后对照如图4所示。

图4(a)表明，在信噪比SNR＝6dB时，校正后的频率估计误差均位于-0.0259Δω～ 0.0659Δω之间，相比于无噪情况虽有所增大，但对于直接FFT方法估计出的频率值还是 可近似忽略不计。而相位估计值介于(-14°～-5°)之间，也能较准确地识别出相位信息。

以上无噪和有噪情况的两种仿真结果验证了本校正方法的可行性和准确性，在频偏存 在时也可准确地估计出信号频率和初始相位信息。对于SSVEP-BCIs而言，就意味着可以 大大放宽对激励频率的相位要求，使得任意频率(而非必须为频率分辨率整数倍时)都可 作为激励频率，采用频率相位混合编码可以大大增加激励目标数。

SSVEP测相实验

(1)实验装置

在本SSVEP-BCI系统中，测相实验借助澳门大学搭建的频率相位混合编码平台，并 采用本发明提出的FFT谱校正装置进行相位特征提取和目标分类识别。实验所设置的采样 频率f_s＝600Hz，实验需要一22英寸、刷新频率120Hz、屏幕分辨率为1680×1050的显示 器，如图5所示。

SSVEP激励是通过对该显示器的行扫描信号做分频得到。实验中，显示器屏幕分为左 右两个激励目标块，每个目标块由两个子分块组成；编码时，赋予这两个子分块以不同的 闪烁频率及相位，解码时，通过检测每对目标块对应的相位差确定受试者注视的目标。

如前所述，由于大脑反应延迟会产生的延时相位，故两个激励频率的选择是非常重要 的，必须要求两频率相差很少，这样才可忽略抵消该延时相位。将两个目标块的SSVEP 测量相位差重新表示为

式(7)中，若当激励频率f₁和f₂很接近时，延时相位差值可忽略不计，目 标识别时则可用测量相位差取代实际相位差，便捷地识别出目标激励块。

而在本SSVEP测相实验中选取的两个测试频率分别为刷新频率120Hz的10分频和11 分频，即12Hz(包括两个初相为0°和180°的激励)和10.9Hz(包括两个初相为0°的激励)。其 对应目标块激励频率和目标块频率编码表如表1所示

表1  半场混合激励相位编码显示器参数表

显然，表1所选择的两频率仍存在一定间隔，多次实验发现，这时两激励频率的延时 相位差值相对固定为36°，因此实际应用时需在测量相位差的基础上减去36° 才能更准确地识别目标块。

(2)实验过程及结果

对三位受试者(S1、S2、S3)进行激励诱导，采集13个电极位置(PO3，PO5，PO7， POZ,PO4，PO6，PO8，P1，O1，OZ和O2)产生的SSVEP信号，信号通过脑电信号放大 器连接USB接口记录，采样频率为600Hz。本次实验采集脑电信号共分为5轮，每一轮包 含10次采集。每次激励实验持续8秒，在整个过程中，受试者都要求集中注意力，其中 激励前2秒为准备时间，后6秒则要求受试者按照要求注视所对应的闪烁激励块，注视次 序按照‘1212121212’交替进行。

显然，可得频率分辨率Δf＝f_s/N＝1/6Hz，激励频率12/Δf＝72，恰好为整数倍，而 10.9Hz/Δf＝65.4545，为非整数倍，因此，若采用直接FFT测相，则必然会导致测相的不准 确。因此采用加窗并校正的FFT方法进行测相。

在此次测相实验中，主要分为以下几个步骤：

Step1：对经过预处理的SSVEP信号分别用两种不同的方案(直接FFT测相方案和FFT 校正方案)作频率和相位估计，得到两组测相值

Step2：求取步骤1中估计出的测量相位差值用来代替实际相位差

Step3：代入(7)求取相位差值

Step4：用式(8)所示的判别准则对Step3算出的相位差值进行判别，以确定目标块p；

式(8)中，M为目标数，C_k为相应的理想聚类中心。因此判断该目标块的类别时只需 从R₁到R_M中找出最大值p(即寻求R_k值最接近于1时对应的k值)，即为所识别的目标 块标号。

分别用两种方案(直接FFT法及校正方法)对SSVEP信号进行频率相位识别并归类 (类别为两类(激励块1和2)，M＝2)，表2给出对不同受试者加不同长度hanning窗得 到的目标识别准确率。

表2  不同窗长不同受试者的目标识别准确率

表2中，C_FFT表示FFT谱校正方法，FFT为直接法。不难发现，目标识别的准确率 不仅和窗长有关，还与所采用方法有很大关系，经过校正的准确率明显高于直接FFT方法， 平均准确率高出10％以上。

下面选取窗长为4秒，将目标数M设置为4，假定对应的相位分别为0°、90°、180°、 270°，再次对SSVEP信号用两种方法处理，对比目标识别的准确率结果如下表所示：

表3  不同受试者的估计相位和特征识别R_k(均值±标准差)

从表3可知，识别激励目标块只需找出R₁，R₂，R₃和R₄中最接近1的值。

(1)对于激励频率为10.9Hz的直接FFT测相情况，即不校正的情况，由于激励频率 10.9Hz不是频率分辨率的整数倍，从表3第2列的数据可清楚地看到对应该频率 的测相均值会存在很大的偏差(理想初相值是0°，实际测相值偏差最大接近90°)。

(2)对于激励频率为10.9Hz的引入FFT校正的测相情况，尽管激励频率10.9Hz不是频 率分辨率的整数倍，从表3第2列的数据可清楚地看到对应该频率的测相均值仅 仅存在较小的偏差(理想初相值是0°，实际测相值偏差基本不超过30°)。

(3)对于激励频率为12Hz测相情况，由于激励频率12Hz恰好为分辨率的整数倍，即 不存在频偏，从表3第1列的数据可清楚地看到两种方案的测相效果大体相当，都 比较准确(理想均值为0°和180°，所测相位都在这两个理想均值附近小范围分布)。

(4)从表3第1列和第2列还可看出，其测相数据的标准差都在36°附近 小范围分布，验证了预先设好的36°大脑时延相位差的正确性。

(5)观察表3中分类结果R_k(k＝1,2,3,4，M＝4)对应的p值(表5中，每行最大的R_k值用 阴影做了标记，对应的k值即为目标p)，因为这M＝4个假想的目标块中，对应于k＝2的目 标块和k＝4的目标块是假设的，只有对应于k＝1的目标块(即对应j＝1的目标块)和k＝3的 目标块(即对应j＝2的目标块)才是可能的激励，故正确目标识别时的p值也应限定在p＝1 和p＝3两种情况，且其出错概率相比于M＝2时要大。不难发现引入校正的C_FFT解码对 应的p＝1和p＝3的测量值均高于直接FFT测相解码情况，故相比于直接FFT方法，本发 明方法更可靠。

总之，从上述仿真实验可以看出，本发明提出的FFT谱校正方法能够在任意频偏的情 况下，通过进行校正准确快速地提取出信号的相位信息；SSVEP测相对照实验也证实了该 方法完全可以用于项目工程，准确地实现脑机接口的目标识别。

参见图6，基于FFT谱校正的频率相位脑机接口解码装置，将采集到的信号x(t)经过 A/D(模数转化器)采样得到样本序列x(n)，以并行数字输入的形式进入DSP器件，经过 DSP器件的内部算法处理，得到信号的参数估计；再借助输出驱动及其显示模块显示受试 者发出的命令，最后外部设备响应对应的命令。

其中，图7的DSP(Digital Signal Processor，数字信号处理器)为核心器件，在信号 参数估计过程中，完成如下主要功能：

(1)调用核心算法，完成采集信号的参数估计处理(频率估计及相位估计)；

(2)对信号进行FFT频谱校正，将相位估计结果代入判别式，进行目标块识别并发出 相应命令实时输出至驱动和显示模块。

需指出，由于采用了数字化的估计方法，因而决定了图6解码装置的复杂度、实时程 度和稳定度的主要因素并不是图6中DSP器件的外围连接，而是DSP器件内部的程序存 储器所存储的核心估计算法。

DSP器件的内部程序流程如图7所示。

本发明将所提出的“FFT频谱校正算法”这一核心估计算法植入DSP器件内，基于此完 成高精度、低复杂度、高效的相位估计。

图7流程分为如下几个步骤：

(1)首先需根据具体应用要求，设置信号的采样点数N和重复测量的次数i，并根据具 体需要设定精度要求。

该步骤是从工程方面提出具体需求，以使得后续流程有针对性地进行处理。

(2)然后，DSP器件中的CPU主控器从I/O端口读采样数据，进入内部RAM。

(3)后续的“去直流处理”，是为了消除待测信号中的直流成分的影响。否则，直流成 分的存在，会降低测量精度。直流成分很容易测出，仅需计算样点的平均值即可得到。

(4)按图2本发明的处理过程进行FFT频谱校正估计相位值是DSP算法最核心的部分， 运行该算法后，即可得到相位测量值。

(5)判断本方法是否满足需求，若不满足，程序返回，重新根据要求设定采样频率进行 下一轮相位测量并归类识别。

(6)直至识别目标正确，可发出正确控制命令。重复进行以上测量过程i次。

(7)通过DSP的输出总线输出至外部显示驱动设备，将命令指令传到外部设备。如控 制电视的开关与调台、控制电扇的风速档位、控制轮椅的前后运动等。

需指出，由于采用了DSP器件实现，使得整个参数估计操作变得更为灵活，可根据信 号所包含的各种分量的具体情况，通过编程灵活改变算法的内部参数设置，如采样点数N， 采样率f_s等。

参考文献

[1]WOLPAW J R,BIRBAUMER N,MCFARLAND D J,et al.Brain–computer interfaces for  communication and control[J].Clinical neurophysiology,2002,113(6):767-91.

[2]CHENG M,GAO X,GAO S,et al.Design and implementation of a brain-computer interface  with high transfer rates[J].Biomedical Engineering,IEEE Transactions on,2002,49(10): 1181-6.

[3]吴小培,宋俊可,郭晓静,et al.脑-机接口技术的回顾与展望[J].2012,

[4]MIDDENDORF M,MCMILLAN G,CALHOUN G,et al.Brain-computer interfaces based  on the steady-state visual-evoked response[J].IEEE Transactions on Rehabilitation Engineering, 2000,8(2):211-4.

[5]BIN G,GAO X,WANG Y,et al.VEP-based brain-computer interfaces:time,frequency,and  code modulations[Research Frontier][J].Computational Intelligence Magazine,IEEE,2009, 4(4):22-6.

[6]LIN Z,ZHANG C,WU W,et al.Frequency recognition based on canonical correlation  analysis for SSVEP-based BCIs[J].Biomedical Engineering,IEEE Transactions on,2006, 53(12):2610-4.

[7]YAN Z,GAO X,BIN G,et al.A half-field stimulation pattern for SSVEP-based  brain-computer interface；proceedings of the Engineering in Medicine and Biology Society,2009 EMBC2009Annual International Conference of the IEEE,F,2009[C].IEEE.

[8]WANG Y-T,WANG Y,JUNG T-P.A cell-phone-based brain–computer interface for  communication in daily life[J].Journal of neural engineering,2011,8(2):025018.

[9]KELLY S P,LALOR E C,REILLY R B,et al.Visual spatial attention tracking using  high-density SSVEP data for independent brain-computer communication[J].Neural Systems  and Rehabilitation Engineering,IEEE Transactions on,2005,13(2):172-8.

[10]LI Y,BIN G,GAO X,et al.Analysis of phase coding SSVEP based on canonical correlation  analysis(CCA)；proceedings of the Neural Engineering(NER),20115th International  IEEE/EMBS Conference on,F,2011[C].IEEE.

[11]BIN G,GAO X,YAN Z,et al.An online multi-channel SSVEP-based brain–computer  interface using a canonical correlation analysis method[J].Journal of neural engineering,2009, 6(4):046002.

[12]JIA C,GAO X,HONG B,et al.Frequency and phase mixed coding in SSVEP-based  brain--computer interface[J].Biomedical Engineering,IEEE Transactions on,2011,58(1): 200-6.

[13]LEE P-L,SIE J-J,LIU Y-J,et al.An SSVEP-actuated brain computer interface using  phase-tagged flickering sequences:a cursor system[J].Annals of biomedical engineering,2010, 38(7):2383-97.

[14]CHANG H-C,LEE P-L,LO M-T,et al.Independence of Amplitude-Frequency and Phase  Calibrations in an SSVEP-Based BCI Using Stepping Delay Flickering Sequences[J].Neural  Systems and Rehabilitation Engineering,IEEE Transactions on,2012,20(3):305-12.

[15]YAMAGUCHI T,OMORI K,IRIE J,et al.Feature extraction from EEG signals in SSVEP  spelling system；proceedings of the SICE Annual Conference2010,Proceedings of,F,2010[C]. IEEE.

[16]PINTELON R,SCHOUKENS J.Time series analysis in the frequency domain[J].Signal  Processing,IEEE Transactions on,1999,47(1):206-10.

[17]LIN Y-P,BAN Y-Y,SU C-C,et al.Windowed multicarrier systems with minimum spectral  leakage；proceedings of the Acoustics,Speech,and Signal Processing,2004 Proceedings(ICASSP'04)IEEE International Conference on,F,2004[C].IEEE.

[18]MATHEWS V,YOUN D.Spectral leakage suppression properties of linear and quadratic  windowing[J].Acoustics,Speech and Signal Processing,IEEE Transactions on,1984,32(5): 1092-5.

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要 能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号 仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。