[发明专利]基于卷积神经网络的P300脑电信号分类方法

权利要求书

1.一种基于卷积神经网络的P300脑电信号分类方法，其特征在于，构造卷积神经网络，采用可设置标签权重和标签平滑参数的损失函数，该方法的步骤包括如下：

(1)构建卷积神经网络：

搭建一个由三个串联的模块组成的卷积神经网络；其中，

第1个模块的结构依次为：时间卷积层，归一化层，空间逐通道卷积层，归一化层，ELU激活层，Dropout层，最大池化层；

设置第1个模块各层参数：将时间卷积层的滤波器数设置为8，卷积核大小设置为1*64，步长设置为1，填补设置为0*32，偏置设置为否；将空间逐通道卷积层滤波器数设置为16，卷积核大小设置为8*1，步长为1，偏置设置为否，max_norm设置为1，组数设置为8，填补设置为0；将最大池化层下采样滤波器尺寸设置为1*4，步长设置为1*4；将归一化层动量设置为0.01，仿射设置为是，eps设置为1e-3；将Dropout层的drop_rate设置为0.05；

第2个模块的结构依次为：时间逐通道卷积层，时间逐点卷积层，归一化层，ELU激活层，Dropout层，最大池化层；

设置第2个模块各层参数：将时间逐通道卷积层滤波器数设置为16，卷积核大小设置为1*16，步长设置为1，填补设置为0*8，偏置设置为否，组数设置为16；将时间逐点卷积层滤波器设置为16，卷积核大小设置为1，步长设置为1，填补设置为0，偏置设置为否；将最大池化层滤波器尺寸设置为1*8，步长设置为1*8；将归一化层动量设置为0.01，仿射设置为是，eps设置为1e-3；将Dropout层的drop_rate设置为0.05；

第3个模块的结构依次为：空间逐通道卷积层，全连接层，LogSoftmax激活层；

设置第3个模块各层参数：将空间逐通道卷积层滤波器数设置为2，卷积核大小设置为1*4，步长为1，偏置设置为是，max_norm设置为0.25；将全连接层神经元数设置为2；将LogSoftmax激活层维数设置为1；

(2)生成训练集：

(2a)采集至少10名被试在Oddball范式刺激下的P300脑电信号，只保留每个被试Fz、Cz、Pz、Oz、P3、P4、PO7、PO8与视觉相关的八个通道的P300脑电信号；

(2b)将每个被试八个通道的P300脑电信号中分段截取，每一段P300脑电信号取每一次实验的0ms-1000ms，得到截取的该被试的P300脑电信号段；

(2c)对每个截取后的P300脑电信号段的每个通道进行Z_score归一化后再进行平均降采样，将所有通道降采样后的数据组成一个8*140的二维样本数据；

(2d)将10个被试8*140的二维样本数据随机打乱，从中随机抽取2/3的数据组成训练集；

(3)设置损失函数的标签权重和标签平滑参数：

采用Log_Softmax+NLLLoss作为损失函数，将损失函数的标签权重参数设置为1：5，标签平滑参数设置为epsilon＝0.05；

(4)训练卷积神经网络：

将训练集的所有样本输入到卷积神经网络中，利用Adam优化器对网络的权重进行迭代更新，直至损失函数收敛为止，得到训练好的卷积神经网络；

(5)对待分类的P300脑电信号进行处理：

(5a)将待分类的P300脑电信号，只保留Fz、Cz、Pz、Oz、P3、P4、PO7、PO8与视觉相关的八个通道的P300脑电信号；

(5b)将八个通道的P300脑电信号中分段截取，每一段P300脑电信号取1000ms，得到截取的P300脑电信号段；

(5c)对每个截取后的P300脑电信号段的每个通道进行Z_score归一化后再进行平均降采样，将所有通道降采样后的数据组成一个8*140的二维待分类数据；

(6)输出P300脑电信号的分类：

将每个待分类数据输入到训练好的卷积神经网络中，判断网络输出的每个待分类数据，若输出为1，则判定该数据存在目标字符，若输出为0，则不存在目标字符。

2.根据权利要求1所述的基于卷积神经网络的P300脑电信号分类方法，其特征在于：步骤(3b)中所述Adam优化器的初始学习率设置为0.01，权重衰减设置为0.0005，迭代次数每增加10次学习率衰减1/10，初始化权重方法使用Xavier。