[发明专利]基于多元时空卷积神经网络的P300信号检测识别方法

权利要求书

1.一种基于多元时空卷积神经网络的P300信号检测识别方法，其特征在于，至少包括：

S1.利用脑电信号采集设备采集P300信号数据样本，组成P300信号数据集，根据相关性对P300信号数据样本进行通道选择，得到通道选择后的C_s个通道；

S2.将P300信号数据集划分为训练集和测试集，对训练集和测试集中的P300信号数据样本进行预处理；

S3.构建多元时空卷积神经网络，利用训练集对多元时空卷积神经网络进行训练；

S4.将预处理后的测试集输入至训练好的多元时空卷积神经网络，进行检测和字符识别；

S5.评估多元时空卷积神经网络的检测效果；

步骤S3所述构建的多元时空卷积神经网络包括：输入层、时空卷积层、非线性层及全连接层，所述输入层对预处理后的P300信号数据样本进行BatchNormal2D处理，所述时空卷积层包括并行排列的具有不同卷积核大小的第一卷积层和第二卷积层，卷积核大小分别为(C_s，l₁)和(C_s，l₂)，C_s表示通道选择后的通道数，l₁和l₂表示分别表示第一卷积核和第二卷积核的时域大小；所述非线性层设有修正线性单元，非线性层接收时空卷积层的输出，所述全连接层将非线性层的输出转换为一维，全连接层包括第一全连接层、第二全连接层及第三全连接层，第一全连接层及第二全连接层均含有80个神经元，第三全连接层含有两个神经元；

采用梯度下降法对多元时空卷积神经网络进行训练；

在多元时空卷积神经网络训练时，以二分类交叉熵作为损失函数对多元时空卷积神经网络进行优化，损失函数表达式为：

其中，p(x_i)表示第i个P300信号数据样本的预测分类概率；表示第i个P300信号数据样本预测分类正确的个数；k表示样本总数，j均表示第j个样本；L(x,i)表示损失函数表达式；

输入层对预处理后的P300信号数据样本进行BatchNormal2D处理时，满足的表达式为：

其中，x_i表示第i个P300信号数据样本，μ_B表示第m个P300信号数据样本均值，∈表示防止分母为零的常量，γ，β为线性变换的两个参数；σ_B表示m个样本的均方差，y_i表示样本的预测类别；

设受试者的P300信号数据通过视觉刺激界面矩阵诱发，识别的字符在矩阵中的位置满足的表达式为：

其中，P(d,s)表示n次实验中多元卷积神经网络的输出概率，d表示实验的轮次；v表示n次实验总的输出概率；s表示对应的行或列；a表示字符的行；b表示字符的列；

步骤S5中，利用信息传输率ITR评估多元时空卷积神经网络的检测效果，信息传输率ITR的表达式为：

其中，P表示字符识别率，N表示P300信号数据样本的类别数，T表示识别一个字符所需时间。

2.根据权利要求1所述的基于多元时空卷积神经网络的P300信号检测识别方法，其特征在于，预处理过程包括：

将通道选择后的P300信号数据进行滤波；

计算每个P300信号数据样本的时域维度，进行时域划分；

标记标签：脑电信号采集设备采集的P300信号数据样本中包括含有P300的脑电信号样本，也存在无P300的脑电信号样本，将含有P300的脑电信号样本标记为1，无P300的脑电信号样本标记为0，含有P300的脑电信号样本数量小于无P300的脑电信号样本数量；

标签平衡：将含有P300的脑电信号样本复制，使其与无P300的脑电信号样本的标签数量平衡。