[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

摘要

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。

主权项

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。