[發明專利]一種基于深度學習的P300事件相關電位分類識別方法

有效

• 申請號: 201810794963.1
• 申請日: 2018-07-19
• 公開（公告）號: CN108960182B
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 邱天爽;丑遠婷
• 申請（專利權）人: 大連理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 李曉亮;潘迅

一種基于深度學習的P300事件相關電位分類識別方法，屬于醫學及生理信號檢測與處理分析技術領域。采用巴特沃斯濾波器先后對原始信號進行高通和低通濾波，去除偽跡和工頻干擾。使用一次疊加平均技術對數據擴增，并對腦電信號做歸一化和時域截斷處理，根據信號類別制定相應的監督信號。完成數據的預處理后，將腦電數據劃分成訓練集和驗證集，構建能夠分類識別P300事件相關電位的深度學習網絡，提升網絡特征提取能力。經過訓練后的網絡最終預測出輸入信號包含P300事件相關電位的概率。最后，根據實驗范式和網絡輸出的概率值，預測目標字符。實驗顯示，本發明的算法性能良好，在減少實驗次數的條件下也能取得較好的字符識別正確率。

技術領域

本發明屬于醫學及生理信號檢測與處理分析技術領域，涉及到腦電信號中 P300事件相關電位的分類識別方法，特別涉及到利用深度學習對P300事件相關電位分類識別方法。

背景技術

在字符拼寫腦機接口(BCI)系統中，通過檢測腦電信號中與人類認知相關的 P300事件相關電位，進而來實現字符拼寫功能。如果能高效準確地分類識別P300 事件相關電位，這將有助于BCI系統的實際應用。早期的研究應用傳統的信號處理分析方法，提取信號的最大幅度差，波形面積等特征送到分類器進行分類識別，但是方法過于簡單，存在著分類識別正確率較低的問題。Kaper等人用支持向量機(support vector machine，SVM)作為P300信號分類器，通過訓練分類器，直接對采集到的EEG信號進行分類識別，其P300電位的識別正確率有所提高，但并不是非常理想。Li將經過獨立成分分析(IndependentComponent Analysis，ICA)去除偽跡后的數據送入SVM分類器中提高分類效果，進而提高了字符識別正確率。雖然經過ICA預處理后的信號更容易準確識別，但是在數據預處理上需要消耗一定的時間。目前，也有一些研究者研究基于深度學習的 P300時間相關電位識別，雖然分類正確率比傳統的機器學習方法好一些，但是在減少實驗次數的條件下，其分類識別的正確率依然需要提高。

發明內容

本發明的主要目的是的是為了解決現有技術的問題，提供一種基于深度學習的P300事件相關電位分類識別方法。

本發明采用的技術方案為：

一種基于深度學習的P300事件相關電位分類識別方法，該方法通過在對視覺刺激下腦電信號預處理的基礎上，用深度學習構建P300事件相關電位的分類器，通過有監督的訓練網絡，使得網絡輸出當前信號含有P300事件相關電位的概率，進而結合實驗范式完成對字符的識別。包括以下步驟：

A.對視覺刺激下的腦電信號進行預處理

A1.視覺刺激下，獲得腦電數據。利用巴特沃斯濾波器對視覺刺激下的腦電信號進行濾波，濾除工頻干擾和肌電干擾等噪聲。

A2.利用疊加平均法對步驟A1處理后的數據進行數據增強，獲取更多的含有事件相關誘發電位的腦電信號。

A3.對A2所得信號進行零均值，單位方差歸一化處理。

A4.對A3所得信號進行時域截斷，為P300事件相關電位和非P300事件相關電位制作對應的監督信號。

B.構建能夠分類識別P300事件相關電位的深度學習網絡

B1.將預處理后的腦電信號及其對應的監督信號劃分成訓練集和測試集。

B2.對深度學習中傳統的卷積神經網絡進行改進，將傳統卷積神經網絡中第三層串行連接卷積層變成3個不同的并行連接的卷積層，并將改進的卷積神經網絡作為P300視覺誘發電位的分類判決器，并利用該網絡預測腦電信號中含有 P300事件相關電位概率。

C.字符分類識別，利用網絡輸出概率和實驗范式確定字符的類別。