[发明专利]一种基于卷积神经网络的稳态视觉诱发电位信号分类方法

权利要求书

1.一种基于卷积神经网络的稳态视觉诱发电位信号分类方法，其特征在于，包括以下步骤：

步骤1：采用以周期进行正弦或余弦翻转运动的棋盘格作为刺激目标，用以诱发SSVEP信号，将以不同频率周期翻转运动的刺激目标同时呈现在显示器上，供使用者选择，刺激目标的设计及呈现均由基于MATLAB的Psychtoolbox工具箱实现；

步骤2：使用者端坐在距离显示器60～100cm处，当以不同周期频率运动的刺激目标同时呈现在显示器上时，使用者选择注视其中某个特定目标，同时使用脑电信号采集仪采集使用者选择特定刺激目标注视时的SSVEP信号，根据国际标准10/20系统法，SSVEP信号采集视觉脑区A1、A2、…、An电极位置处的脑电信号，接地电极在前额的Fpz处，参考电极在单侧耳乳突D处；

步骤3：将采集到的不同刺激目标时使用者的SSVEP信号做成带标签的数据集，数据集的标签编码采用one-hot编码，并将数据集分为训练数据集、验证数据集与测试数据集；

步骤4：构建用于SSVEP信号识别的深度卷积神经网络模型；

步骤5：进行深度卷积神经网络模型的训练，将训练集输入构建好的深度卷积神经网络模型中进行网络的训练，同时使用验证集来进行深度卷积神经网络模型最优参数的选择；

步骤6：将测试集数据输入训练好的深度卷积神经网络直接进行刺激目标的识别分类，检测深度卷积神经网络模型的分类性能，深度卷积神经网络模型能够进一步用于SSVEP信号的在线识别；

其中，所述方法通过训练好的卷积神经网络提升SSVEP信号分类的准确率和速度；

所述方法以多通道原始脑电信号为输入，根据SSVEP信号兼具时、频、空域特征的特点，提出先时域后空域卷积的时空分离卷积操作，使用Inception模块提取不同尺度的特征；

所述方法具有自适应提取信号特征的特点，不需要人工预处理，同时可以通过对数据的学习，更好地适应个体差异性；

其中，所述的步骤4中的深度卷积神经网络模型，具体为：

4-1)深度卷积神经网络模型的第一层为输入层，输入的为原始多通道SSVEP信号，输入样本矩阵大小为通道数n×数据采样长度m；

4-2)深度卷积神经网络模型的第二层为时域卷积层，用来对输入的SSVEP信号进行时域滤波，使用一维卷积核对输入矩阵进行时域卷积；

4-3)深度卷积神经网络模型的第三层为空域卷积层，使用一维卷积核对上一层的输出进行空域卷积，将多通道的信息进行融合，使用线性整流函数ReLU作为激活函数；

4-4)深度卷积神经网络模型的第四层为降采样层，对上一层的输出进行数据降维，降采样操作采用平均池化方法，使用线性整流函数ReLU作为激活函数；

4-5)深度卷积神经网络模型的第五层为Inception模块层，Inception模块层用来对上一层的输出进行多尺度卷积，以提取不同尺度的特征；

4-6)深度卷积神经网络模型的第六层为降采样层，对上一层的输出进行数据降维，降采样操作采用平均池化方法，使用线性整流函数ReLU作为激活函数；同时使用Dropout方法防止过拟合，最后将降采样后的数据进行扁平化Flatten处理，使多维数据变为一维向量；

4-7)深度卷积神经网络模型的第七层为输出层，将池化层输出的一维向量与输出层节点全连接，使用Softmax函数计算输入对应分类标签的概率分布；

4-8)在深度卷积神经网络模型中每层卷积层之后还添加有BatchNorm层，以加快训练收敛速度。