[发明专利]一种基于空洞卷积神经网络的P300信号检测方法

说明书

本发明公开了一种基于空洞卷积神经网络的P300信号检测方法，包括步骤：1)采用P300字符拼写器进行实验，提取脑电信号即EEG作为训练集和测试集；2)所采集到的数据经过预处理操作，然后作为模型的输入数据集；3)设计空洞卷积神经网络，先使用一层标准卷积作为EEG数据集的空域滤波器，再设计一个基于空洞卷积的特征提取器获取多尺度时域特征，再通过一层标准卷积提取更高层级的时域特征后，经过下采样，最后添加全连接层作为网络输出，然后训练网络确定模型参数；4)通过计算网络的字符识别率和信息转化率来验证模型的性能。本发明方法具有结构简单，泛化能力强，字符识别准确率高，并有良好的信息转化率等特点。

技术领域

本发明涉及脑电信号检测的技术领域，尤其是指一种基于空洞卷积神经网络的P300信号检测方法。

背景技术

脑机接口(brain-computer interface，简称BCI)，指在人或动物大脑与外部设备或计算机之间创建的直接连接，实现脑与设备的信息交换。对脑机接口的研究已持续了超过40年了。20世纪90年代中期以来，面向运动的脑机接口经历了迅速的发展。目前，脑机接口作为一种新型的人机交互方式正在逐渐成为脑科学研究的热门课题，在康复训练、高危作业、心理认知等领域具有很大的应用前途。

脑机接口利用源自脑部的神经生理信号来控制外部设备或计算机，而无需任何实际动作。简而言之，脑机接口能够提取用户的脑电信号，经过特定信号处理，模式识别等技术把脑电信号转换成输出控制信号使得特定的计算机系统执行相应操作。根据检测信号传感器的安置方式，脑机接口分为有创植入电极的侵入式脑机接口和无创头皮电极的非侵入式脑机接口。在非侵入式脑机接口中，EEG(electroencephalogram)脑电信号能够比较容易被记录，并且使用设备相对便宜。因此基于EEG脑电信号的研究得到广泛关注。

P300波是一种能够在EEG信号中检测到的事件相关电位(event relatedpotential，ERP)，是对发生概率相对较小的外界事件或刺激的反应，由于P300诱发电位一般出现在刺激发生后300ms左右，故称为P300信号。基于P300波的字符拼写系统最早由Farwell和Donchin提出，基于该拼写系统的实验范式和识别算法被相继提出。目前，已经有很多优秀的传统机器学习算法能够进行P300检测分类，例如基于支持向量机(SVM)的分类算法，基于独立成分分析(ICA)的分类算法，基于线性判别分析(LDA)的识别算法。也有很多在图像领域非常流行的深度学习方法能够对P300信号进行很好的检测分类，例如卷积神经网络(CNN)。然而传统的机器学习算法识别P300时需要手工提取特征，花费大量不必要的时间，并且泛化能力差，信息转化率不高。而深度学习方法具有避免手动设计输入模式，提高泛化能力和信息转化率等特点。但是，传统的卷积神经网络(CNN)想要提高识别准确率就需要更多的参数，由于脑机接口数据集中可用的样本数量有限，因此很容易产生过拟合的问题。

空洞卷积(Dilated Convolution)，是标准卷积的一种特殊形式，其通过在卷积核中的每个位置之间插入零(空洞)来增加卷积核的感受野，从而在提高卷积核大小的同时降低了计算成本。插入零的个数称为扩张率(dilation rate)，标准卷积也可以看做是扩张率为0的空洞卷积，我们可以设置不同的扩张率来捕获多尺度上下文信息。EEG信号是一种主观性的信号，即使在完全相同的环境下，每个受试者的EEG信号中的P300电位也不完全相同，因此利用空洞卷积来提取EEG信号的多尺度信息有助于提升网络的适应能力，提高识别准确率。并且空洞卷积可以任意扩大感受野，且不需要引入额外参数，结构简单，泛化能力强，是一种可行的检测P300信号的方法。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种可以提取多尺度特征、识别性能好、准确率高、泛化能力强的基于空洞卷积神经网络的P300信号检测方法，该方法是使用不同扩张率的空洞卷积同时提取多尺度时域特征，结构简单易于理解。字符实验准确率高，在短时间序列和长时间序列的脑电信号下，字符识别准确率更优于卷积神经网络(CNN)，这样也同时提高了信息转换率