[发明专利]一种基于卷积神经网络的SSVEP分类方法

权利要求书

1.一种基于卷积神经网络的SSVEP分类方法，其特征在于，包括：获取SSVEP数据，对获取的数据进行预处理；将预处理后的数据输入到训练好的多通道卷积神经网络模型中，得到SSVEP分类结果；

对多通道卷积神经网络模型进行训练的过程包括：

S1：获取原始SSVEP脑电数据集，对原始SSVEP脑电数据进行预处理，得到训练数据集；对训练集中的数据进行预处理的过程包括：对获取的SSVEP脑电信号数据进行标记；将标记后的SSVEP脑电信号数据通过滤波器组分割为多个不同独立频带，即分割得到的频带数据均覆盖SSVEP刺激频率基波和谐波；采用快速傅里叶变换对不同频带的时域脑电数据进行处理，得到各自的频谱数据矩阵；

S2：将预处理后的训练集数据分别输入到多通道卷积神经网络模型的各个通道中，得到各个一维特征向量；

S3：将各个通道得到的一维特征向量进行加权融合，将融合后的一维向量特征经过各自的全连接层完成全连接方式的卷积，生成一维全连接神经元；

S4：将所有的一维全连神经元在级联后通过全连接方式进行卷积输出对应各个SSVEP刺激目标的概率，根据SSVEP刺激目标的概率对数据进行分类得到分类结果；

S5：计算模型的损失函数，不断调整模型的参数，当损失函数最小时，完成模型的训练。

2.根据权利要求1所述的一种基于卷积神经网络的SSVEP分类方法，其特征在于，生成的频谱数据矩阵为：

其中，I表示频谱数据矩阵，O_n表示脑电通道，X(O_n)表示该脑电通道的频谱数据。

3.根据权利要求1所述的一种基于卷积神经网络的SSVEP分类方法，其特征在于，多通道卷积神经网络的通道包括输入层、三个卷积层、特征增强层以及降维层；各个通道对输入的数据进行处理的过程包括：

步骤1：将频谱数据矩阵输入到输入层中进行二维向量尺度变换，得到二维特征矩阵；

步骤2：采用第一卷积层C1对二维特征矩阵进行卷积，得到尺度为2×M*M×(N-2)的第一特征矩阵；其中M表示脑电数据的采集通道数

步骤3：采用第二卷积层C2对第一特征矩阵进行卷积，得到尺度为2×M*(N-2)的第二特征矩阵；其中N表示频谱数据的长度；

步骤4：采用第三卷积层C3对第二特征矩阵进行卷积，得到尺度为2×M*(N-2-5/FFTresolution+1)的第三特征矩阵；其中5/FFT resolution表示频率跨度为5Hz；

步骤5：采用基于注意力机制的特征增强层对第三特征矩阵进行处理，得到重要特征矩阵；

步骤6：对重要特征矩阵进行降维处理，得到一维向量特征。

4.根据权利要求3所述的一种基于卷积神经网络的SSVEP分类方法，其特征在于，得到第一特征矩阵、第二特征矩阵和第三特征矩阵的过程包括：在第一卷积层中采用2×M个大小为3×3的卷积核对输入的频谱数据矩阵进行卷积，得到第一特征矩阵；在第二卷积层中采用2×M个大小为M×1的卷积核对第一特征矩阵进行卷积，得到第二特征矩阵；在第三卷积层中采用2×M个大小为1×5/FFT resolution的卷积核对第二特征矩阵进行卷积，得到第三特征矩阵；其中，FFT resolution表示快速傅里叶变换结果的频率分辨度。

5.根据权利要求3所述的一种基于卷积神经网络的SSVEP分类方法，其特征在于，采用基于注意力机制的特征增强层对第三特征矩阵进行处理的过程包括：通过全局平均池化操作对输入特征进行空间维度压缩，获得C个通道的全局感受，输出尺度为[1xC]；采用两个全连接层分别对N个通道进行压缩和拓展，第一个全连接层输出尺度为[1xC/r]，第二个全连接层的输出尺度为[1xC]，其中r表示压缩率；将输入特征与第二个全连接层的输出特征相乘，得到重要特征矩阵。