[发明专利]一种基于卷积神经网络的SSVEP分类方法

说明书

本发明属于数据处理领域，具体涉及一种基于卷积神经网络的SSVEP分类方法，该方法包括：将多通道SSVEP脑电数据通过滤波器组把时域的脑电数据分割为多个分别对应SSVEP刺激频率基波及谐波成分的频带；对分割后的数据进行快速傅里叶变换得到其对应的频谱数据；利用多路卷积神经网络分别对各个频带内的脑电频谱数据进行特征提取、学习和归类，最后进行分类；本发明利用SSVEP脑电信号中刺激目标所诱发的脑电电位存在着基波和各个谐波成分存在着互相关性的先验知识，使用时域滤波和快速傅里叶变换对脑电信号进行预处理提取出SSVEP信号的各个谐波成分并通过卷积神经网络来进行特征提取和分类，从而获得更高的分类准确率。

技术领域

本发明属于数据处理领域，具体涉及一种基于卷积神经网络的SSVEP分类方法。

背景技术

随着脑机接口技术的发展提供了一种通过大脑意念就能够直接控制外部设备的交互方式。基于脑电信号的脑机接口技术作为一种分侵入式的脑机接口技术，其通过算法解读、识别脑电信号并最终转换成为可用的指令。在各种基于脑电信号的脑机接口技术中，稳态视觉诱发电位(SSVEP)因为其拥有的高信息传输率和低用户训练等优势而受到了广泛的关注和研究。稳态视觉诱发电位 (SSVEP)的产生是当用户注视不同闪烁频率的刺激时，大脑的视觉皮层会产生相应的振荡，从而导致脑电信号中相应频率和谐波的振幅更强。

目前的SSVEP分类方法主要可用分为传统方法和基于深度学习的方法。传统的分类方法如功率谱密度分析(PSDA)、典型相关性分析(CCA)、滤波器组典型相关性分析(FBCCA)等大多是基于固定的数学模型，通过将脑电信号与刺激目标进行逐一匹配或相关性分析以获得分类结果。基于深度学习的 SSVEP分类方法利用时域或频域脑电信号作为输入，并采用卷积神经网络进行自动的特征提取和学习并最终分类。由于卷积神经网络能够根据训练数据中包含的特征自行的对网络权重参数进行调整，所以在对比传统基于固定数学模型的算法时能够表现出更佳的拟合特性。

但是，当前的各类基于深度学习的SSVEP方法忽略了一些重要的先验知识，例如SSVEP谐波成分间的相关性，由此导致网络的输入特征区分度低而不能彻底提取并学习部分重要特征的问题，难以进一步提高分类准确率。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于卷积神经网络的SSVEP分类方法，该方法包括：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；

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。

优选的，对训练集总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；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。

进一步的，将标记后的SSVEP脑电信号数据进行分割过程中，分割得到的频带数据均覆盖SSVEP刺激频率基波和谐波。

进一步的，生成的频谱数据矩阵为：