[發明專利]一種基于CNN-SVM的事件相關電位信號分類方法

有效

• 申請號: 202110705855.4
• 申請日: 2021-06-24
• 公開（公告）號: CN113408444B
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 謝俊;于鴻偉;何柳詩;張煥卿;李敏;徐光華
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;G06N20/10
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 賀建斌

一種基于CNN?SVM的事件相關電位信號分類方法，首先將采集到的腦電信號經過帶通濾波器進行帶通濾波；然后將腦電信號做成帶標簽的數據集，并將數據集劃分為訓練集、驗證集和測試集；再將訓練集輸入設計好的卷積神經網絡模型進行訓練，同時使用驗證集進行網絡最優參數選擇；之后將訓練集、驗證集、測試集輸入訓練好的卷積神經網絡，輸出網絡的降采樣層特征，訓練集和驗證集對應的特征為訓練特征，測試集對應的特征為測試特征；用訓練特征來完成支持向量機模型訓練，用訓練好的支持向量機模型對測試特征進行分類，即可得到事件相關電位信號的識別結果；本發明實現事件相關電位信號的精確識別，提高了腦?機接口系統的實用價值。

技術領域

本發明涉及事件相關電位腦-機接口技術領域，尤其涉及一種基于CNN(卷積神經網絡)-SVM(支持向量機)的事件相關電位信號分類方法。

背景技術

腦-機接口(BCI)是一種不借助外周神經通路而使大腦與外界直接交互的技術，該技術因其成本低、時間分辨率高、安全性好等優點，在語言交流、環境控制、運動功能康復等領域得到了廣泛應用。基于腦電信號的腦-機接口應用可以采用多種腦電形式，包括穩態視覺誘發電位(SSVEP)和事件相關電位(ERP)等。

ERP是由一系列的特定刺激誘發的瞬態大腦響應，反應了大腦對物理刺激的加工機制。ERP主要由易受刺激物理特性影響的“外源性成分”如P1、N1、P2等，和不易受刺激物理特性影響的“內源性成分”如N2、P3(或稱P300)等組成。目前研究最多、臨床應用最廣泛的是P300電位，P300電位峰值大約出現在相關事件發生后的約300毫秒，對于ERP的檢測大多是檢測其是否包含P300電位。

傳統的ERP信號分類一般通過手動提取腦電信號中的頻域或時頻域特征信息，然后對提取到的特征進行有監督分類的方式來實現的，但是傳統方法一般需要通過多次疊加信號波形以強化信號信噪比才能實現ERP信號的有效辨識，而相對于傳統的特征提取方法，深度學習可以自動挖掘信號更深層次的特征，避免信息丟失，但是由于ERP信號具有信號微弱，個體差異性大以及腦電信號樣本量少等特點，深度學習過程中往往會出現過擬合，限制了基于ERP信號的腦-機接口工程應用。

發明內容

為了克服上述現有技術的缺點，本發明的目的在于提供一種基于CNN-SVM的事件相關電位信號分類方法，能有效提升ERP信號分類的準確率。

為了達到上述目的，本發明采取的技術方案為：

一種基于CNN-SVM的事件相關電位信號分類方法，包括以下步驟：

步驟1：在使用者頭部頂區和枕區安放測量電極，在其單側耳垂位置處安放參考電極，在其頭部前額處安放地電極，電極測得的腦電信號經放大和模數轉換后送往計算機；

步驟2：計算機顯示屏上呈現一個x行乘以y列的字符矩，隨機高亮字符矩陣的某一行或某一列代表一次刺激，要求x行及y列均被高亮一次，總共x+y次刺激；

步驟3：使用者將注意力集中在規定的字符上，x+y個隨機高亮的行或列包含所需的字符；當包括此字符的行或者列被高亮時，要求使用者對此刺激做出反應，此時會產生P300信號；當不包含此字符的行或者列被高亮時，使用者不做出反應，產生非P300信號；

步驟4：將采集到的P300信號樣本和非P300信號樣本經過帶通濾波器濾波后做成帶標簽的數據集，并將數據集分為訓練集、驗證集與測試集；

步驟5：構建用于ERP信號識別的卷積神經網絡模型；

步驟6：進行卷積神經網絡模型的訓練，將訓練集輸入構建好的卷積神經網絡模型中進行網絡訓練，同時使用驗證集來進行卷積神經網絡模型最優參數的選擇；

步驟7：將訓練集、驗證集、測試集輸入訓練好的卷積神經網絡，輸出網絡的降采樣層特征，訓練集和驗證集對應的特征為訓練特征，測試集對應的特征為測試特征；