[发明专利]一种融合注意力检测的SSVEP异步分类方法

权利要求书

1.一种融合注意力检测的SSVEP异步分类方法，其特征在于，所述方法包括：

在离线训练阶段：

分别开展控制任务和空闲任务的离线试验，采集大脑额区和枕区产生的脑电信号，得到额区离线数据集和枕区离线数据集；

将所述额区离线数据集分为第一控制任务数据集和第一空闲任务数据集，基于所述第一控制任务数据集和所述第一空闲任务数据集训练注意力检测算法；

将所述枕区离线数据集分为第二空闲任务数据集和多个不同目标频率的第二控制任务数据集，基于所述第二空闲任务数据集和多个不同目标频率的第二控制任务数据集训练频率识别算法；

在在线分类阶段：

实时采集大脑额区和枕区的脑电信号；

用训练好的注意力检测算法对所述实时采集的额区的脑电信号进行处理，得到第一分类结果和第一置信度；

用训练好的频率识别算法对所述实时采集的枕区的脑电信号进行处理，得到第二分类结果和第二置信度；

根据所述第一置信度和所述第二置信度对所述第一分类结果和所述第二分类结果进行融合，得到异步分类方法的最终输出结果。

2.根据权利要求1所述的方法，其特征在于，所述离线试验包括：控制任务和空闲任务分别进行n组试验，每组包含20次试验；n为大于1的整数；

在每次试验开始后，被试首先进行短暂的休息；休息2秒后，由系统随机指示本次试验的目标刺激源，并提醒被试准备进行试验；1秒后所有目标刺激源同时开始闪烁，在控制任务中被试需要在3秒内注视目标刺激源并尽量不要眨眼和移动头部，在空闲任务中被试可以进行除注视刺激源以外的任意活动；采集整个试验过程中的额区和枕区脑电数据。

3.根据权利要求1所述的方法，其特征在于，所述基于所述第一控制任务数据集和所述第一空闲任务数据集训练注意力检测算法，包括：

将所述额区离线数据集划分为第一空闲任务数据集和第一控制任务数据集；

采用注意力检测算法处理所述第一空闲任务数据集，提取空闲任务下的注意力指数特征，构建第一特征向量集；

采用注意力检测算法处理所述第一控制任务数据集，提取控制任务下的注意力指数特征构，构建第二特征向量集；

使用所述第一特征向量集和所述第二特征向量集训练支持向量机分类器，得到训练好的注意力检测算法；

相应地，所述用训练好的注意力检测算法对所述实时采集的额区的脑电信号进行处理，得到第一分类结果和第一置信度包括：

使用训练好的注意力检测算法处理所述实时采集的额区的脑电信号，提取注意力指数特征，构造第五特征向量，使用训练好的分类器对所述第五特征向量进行分类，得到第一分类结果以及第一置信度。

4.根据权利要求3所述的方法，其特征在于，所述基于所述第二空闲任务数据集和多个不同目标频率的第二控制任务数据集训练频率识别算法，包括：

将所述枕区离线数据集划分为第二空闲任务数据集和多个目标频率的第二控制任务数据集；

采用异步的频率识别算法处理所述第二空闲任务数据集，提取空闲任务下的脑电频率特征，构造第三特征向量集；

采用异步的频率识别算法处理所述多个不同目标频率的第二控制任务数据集，分别提取各个目标频率下的脑电频率特征，基于每个目标频率下的脑电频率特征构造与所述目标频率相对应的第四特征向量集；

构造包含与各个目标频率相对应的支持向量机分类器的分类器组，针对每个目标频率，使用所述第三特征向量集和与所述目标频率相对应的第四特征向量集，训练与所述目标频率相对应的分类器，得到训练好的频率识别算法；

相应地，所述用训练好的频率识别算法对所述实时采集的枕区的脑电信号进行处理，得到第二分类结果和第二置信度：

使用训练好的频率识别算法处理所述实时采集的枕区的脑电信号，提取脑电频率特征，构造第六特征向量，使用训练好的分类器组中的各个分类器分别对所述第六特征向量进行分类，得到各个分类器的置信度，将置信度最大的分类器的分类结果作为第二分类结果，将最大的置信度作为第二置信度。

5.根据权利要求1所述的方法，其特征在于，所述实时采集大脑额区和枕区的脑电信号，包括：

使用在线程序实时采集大脑额区和枕区的脑电信号，并存入2秒时长的数据缓存，每隔0.5秒对缓存中的脑电数据进行处理。

6.根据权利要求4所述的方法，其特征在于，所述根据所述第一置信度和所述第二置信度对所述第一分类结果和所述第二分类结果进行融合，包括：

其中，T为最终输出结果，Ta为第一分类结果，Tf为第二分类结果，分类结果为0表示空闲状态，分类结果为1表示控制状态；s_a表示第一分类结果为控制状态的置信度，表示第一分类结果为空闲状态的置信度；s⁽ⁿ⁾表示分类器组中分类器n的分类结果为控制状态的置信度；s_f＝maxs⁽ⁿ⁾，表示第二分类结果为控制状态的置信度，表示第二分类结果为空闲状态的置信度。