[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

说明书

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，先将以不同频率翻转运动的棋盘格刺激同时呈现给使用者，使用脑电采集设备采集使用者注视特定目标时的脑电信号；然后将使用者注视不同刺激目标时的原始多通道脑电信号做成带标签的数据集，并将数据集分为训练集、验证集和测试集；再将训练集输入设计好的深度卷积神经网络模型进行训练，同时使用验证集进行网络最优参数选择，最后将测试集输入到训练好的深度卷积神经网络模型中，完成刺激目标的识别；本发明可实现稳态视觉诱发电位信号的精确识别，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。

技术领域

本发明涉及稳态视觉诱发电位脑-机接口技术领域，尤其涉及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。

背景技术

脑-机接口(brain-computer interface,BCI)是一种不依赖于大脑正常输出通路，而直接实现大脑与计算机等外部设备进行通信的技术，该技术为重度瘫痪病人提供了一种全新的与外界环境进行交流与控制的手段，如通过大脑意念操控轮椅等。常用的脑-机接口信号类型有稳态视觉诱发电位(steady-state visual evoked potential,SSVEP)、运动想象、P300等，其中SSVEP具有稳定性强、操作简单等优势，成为一种被广泛应用的脑-机接口输入信号。

SSVEP是大脑视觉系统对外部周期性视觉刺激的响应，当使用者注视以特定频率闪烁的视觉刺激时，在其大脑皮层视觉区会检测到刺激频率的基频或倍频的脑电信号。基于SSVEP的脑-机接口系统以不同频率表征的周期性视觉刺激目标代表不同的控制指令，当使用者想要执行某项命令时，只需注视相对应刺激目标，系统检测其脑电信号，并对其诱发的SSVEP进行识别分类，即可获得使用者的控制意图。由于诱发的SSVEP属于微弱信号，容易受到肌电、自发脑电等背景噪声的影响，因此如何有效地对脑电信号进行识别，成为脑-机接口系统应用中的关键技术。

传统的SSVEP信号分类一般通过手工提取脑电信号的频域或时频域特征信息，然后对特征向量进行有监督分类的方式来实现。这些传统的信号处理方法一般需要较长时间视觉刺激下才能取得较好的分类效果，导致其识别效率低下；而且这些方法使用手工提取特征容易导致信息丢失，对不同使用者运用相同的识别方法，未考虑到个体差异性，因此识别准确率偏低，限制了SSVEP-BCI的工程应用。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了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，有效地提升了SSVEP信号分类的准确率和速度。

为了达到上述目的，本发明采用的技术方案为：

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，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；