[发明专利]一种基于动态收敛微分神经网络的脑控喝水系统

权利要求书

1.一种基于动态收敛微分神经网络的脑控喝水系统，其特征在于，包括如下步骤：

S1、对脑电设备采集到的脑电数据进行预处理，得到样本集；

S2、将步骤S1中得到的样本集通过动态收敛微分神经网络进行训练以及识别分类，得到P300识别分类结果；

S3、将步骤S2中得到的P300识别分类结果结合用户界面得到最终的目标物体编号；

S4、将步骤S3中得到目标物体编号发送至视觉机械臂系统，抓取杯子送至用户嘴边，完成喝水任务。

2.根据权利要求1所述的一种基于动态收敛微分神经网络的脑控喝水系统，其特征在于，步骤S1包括以下步骤：

S1.1、进行通道筛选，去除信号弱的通道信号；

S1.2、对采集到的通道信号进行带通滤波；

S1.3、进行独立成分分析以去除眼电信号和心电信号，从而得到样本集。

3.根据权利要求2所述的一种基于动态收敛微分神经网络的脑控喝水系统，其特征在于，S1.3中所述进行独立成分分析以去除眼电信号和心电信号，包括：

分别选定眼电信号和心电信号的指定通道；

计算眼电信号的指定通道与其他通道之间的皮尔逊相关性和计算心电信号的指定通道与其他通道之间的皮尔逊相关性；

设定皮尔逊相关性的阈值，若某分量与指定通道的相关性大于相关性系数的阈值或小于负相关性系数的阈值，就认为找到了与心电信号或眼电信号强烈相关的分量，进行排除。

4.根据权利要求3所述的一种基于动态收敛微分神经网络的脑控喝水系统，其特征在于，皮尔逊相关性的阈值为0.3。

5.根据权利要求1所述的一种基于动态收敛微分神经网络的脑控喝水系统，其特征在于，步骤S2中使用样本集对动态收敛微分神经网络进行训练，得到网络参数以进行识别分类。

6.根据权利要求1所述的一种基于动态收敛微分神经网络的脑控喝水系统，其特征在于，步骤S3中根据P300识别分类结果，检测用户界面中存在P300信号的闪烁，从而确定该闪烁对应的编号，视觉机械臂系统根据物体编号抓取对应的杯子。

7.根据权利要求6所述的一种基于动态收敛微分神经网络的脑控喝水系统，其特征在于，在用户界面上设置多个代表不同杯子的区域，并用编号进行标记，每个区域随机闪烁，用户在注视闪烁的区域，并将闪烁时间在原始脑电信号中出现的时间与对应区域的编号记录下来，闪烁结束后，得到多个不同的分组，分别输入动态收敛微分神经网络，得到每个分组中存在P300信号的预测概率；每个分组中的信号对应一个区域，且同组中会测试对应该区域的是否存在P300信号的多个预测概率值，然后把该组的多个预测概率值求和，最后可以分别得到各区域的预测概率值总和，从多个预测概率值总和中挑选出最大值的那组，然后这组对应的区域即为用户注意的区域。

8.根据权利要求1所述的一种基于动态收敛微分神经网络的脑控喝水系统，其特征在于，视觉机械臂系统包括摄像头和机械臂，摄像头用于测杯子深度信息以及RGB彩色信息，机械臂用于根据目标杯子的坐标来抓取杯子。

9.根据权利要求1-8任一所述的一种基于动态收敛微分神经网络的脑控喝水系统，其特征在于，动态收敛微分神经网络包括输入层、隐藏层和输出层，通过前向传播得到下一层神经元的值。

10.根据权利要求9所述的一种基于动态收敛微分神经网络的脑控喝水系统，其特征在于，动态收敛微分神经网络的计算过程如下：

输入层神经元直接从输入层特征维度获取，即：

h_1i＝x_i，i＝1，2，...，m#(1)

在前向传播中，根据权值矩阵、神经元和偏置的值推导计算出下一层神经元的值，则隐藏层神经元h_2j通过h_1i与输入层和隐藏层之间的权值矩阵w₁计算得出，即：

h_2j＝f(L_2j)，j＝1，2，...，n#(3)

输出层神经元y_k通过h_2j与权值矩阵w₂计算得出，即：

y_k＝f(L_3k)，k＝1，2，...，p#(5)

式中，x_i是输入层的特征维度，i＝1，2，...m，h_1i是输入层的神经元，h_2j是隐藏层的神经元，j＝1，2，...n，y_k是输出层的神经元，k＝1，2，...p，m代表输入层神经元个数，n代表隐藏层神经元个数，p代表输出层神经元个数，Y是样本的标签值，L_2j，L_3k分别是计算权值矩阵与输入层相乘后加上偏置的中间变量，以及计算权值矩阵与隐藏层层相乘后加上偏置的中间变量，b_1j，b_2k是权值矩阵的偏置，w_ji代表输入层中的第i个神经元与隐藏层中的第j个神经元之间的权值矩阵，f(x)是激活函数；

求解得到动态收敛微分神经网络中目标函数E(k)的最优值，即可输出最终的分类结果，其中目标函数E(k)的表达式如下：

E(k)＝f(w₂h_2j+b_2k)-Y＝y_k-Y#(7)

通过不断修改两个权值矩阵w₁，w₂找到E(k)的最优值，为了使E(k)收敛至最小，应用一个神经动力学公式：

式中，ΔE(k)为E(k)的导数，λ为学习率，是一个大于0的常数，g(E(k))是一个单调递增的奇函数，是激活函数；

将式(7)带入式(8)，得：

Δy_k(Δw₂h_2j+w₂Δh_2j)＝-λg(y_k-Y)#(10)

式中，Δy_k、Δw₂、Δh_2j分别为输出层神经元的导数、隐藏层到输出权值矩阵w₂的导数和隐藏层神经元h_2j的导数，因此为了求解Δy(k)，需要分别单独求出Δw₂，Δh_2j，求解方法为：

假设权值矩阵w₁是迭代中的常数向量，即w₁与h_2j导数均为0，则有：

两边同时乘h₂(j)的伪逆矩阵h_2j⁺，得出W(t)的导数：

假设权值矩阵w₂是迭代中的常数向量，即w₂导数为0，又因为：

Δh_1i＝Δf(h_2j)Δw₁h_1i#(13)

同理，得出w₁的导数：

w₂⁺是w₂的伪逆矩阵，h_1i⁺为输入层的伪逆矩阵，Δf为softsign激活函数的倒数；

至此，完成DCDNN神经网络求解过程，反复迭代，在每轮迭代中改变w₁与w₂，即：w₂＝w₂+Δw₂，w₁＝w₁+Δw₁，迭代至E(k)至收敛即可。