[發(fā)明專利]適用于SSVEP分類的零填充頻域卷積神經(jīng)網(wǎng)絡(luò)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202111311799.2
• 申請(qǐng)日: 2021-11-08
• 公開（公告）號(hào): CN114010208B
• 公開（公告）日: 2023-09-08
• 發(fā)明（設(shè)計(jì)）人: 郜東瑞;鄭文銀;王柯杰;曹文朋;嚴(yán)明靖;唐雪;張良鈺;汪曼青;張永清
• 申請(qǐng)（專利權(quán)）人: 成都信息工程大學(xué)
• 主分類號(hào): A61B5/378
• 分類號(hào): A61B5/378;A61B5/374;A61B5/00
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

1.一種適用于SSVEP分類的零填充頻域卷積神經(jīng)網(wǎng)絡(luò)方法，其特征在于，包括：

S1、使用腦電采集設(shè)備采集人體大腦枕部九個(gè)電極的SSVEP腦電信號(hào)或SSMVEP腦電信號(hào)；

S2、對(duì)腦電信號(hào)進(jìn)行預(yù)處理；所述步驟S2包括以下分步驟：

S21、對(duì)步驟S1采集的SSVEP腦電信號(hào)或SSMVEP腦電信號(hào)進(jìn)行濾波處理；

S22、經(jīng)過濾波處理后的SSVEP腦電信號(hào)或SSMVEP腦電數(shù)據(jù)，通過檢索第65通道的標(biāo)簽對(duì)其進(jìn)行裁切整理，將每個(gè)被試的數(shù)據(jù)保存為以下格式：

一個(gè)四維的矩陣，矩陣的每個(gè)維度分別代表的是通道索引數(shù)、采集的數(shù)據(jù)點(diǎn)數(shù)、block次數(shù)、刺激的序號(hào)數(shù)；

步驟S2還包括計(jì)算視覺延遲，具體的：將每個(gè)被試的九個(gè)電極下的35個(gè)刺激頻率的腦電數(shù)據(jù)分別進(jìn)行疊加平均，然后分析估計(jì)九個(gè)電極各自采集的腦電中存在的視覺延遲；

S3、在時(shí)域?qū)︻A(yù)處理后的腦電信號(hào)進(jìn)行補(bǔ)零填充；步驟S3包括以下分步驟：

S31、對(duì)于預(yù)處理后的腦電信號(hào)，使用滑動(dòng)窗口在刺激開始加上視覺延遲的時(shí)刻與刺激結(jié)束加上視覺延遲的時(shí)刻之間的歷元上進(jìn)行單個(gè)腦電數(shù)據(jù)樣本的截取；

S32、對(duì)截取的單個(gè)樣本的腦電信號(hào)進(jìn)行零填充，使信號(hào)的頻譜頻點(diǎn)間隔與刺激頻率之間的最小頻率間隔達(dá)到一致；

S4、提取九個(gè)通道的SSVEP腦電信號(hào)或SSMVEP腦電信號(hào)的功率譜密度中感興趣的基頻頻帶和二次諧波頻帶組合成一個(gè)特征矩陣；

S5、將該特征矩陣作為CNN深度學(xué)習(xí)模型的輸入，使用非線性變換對(duì)不同類別的SSVEP腦電信號(hào)或SSMVEP腦電信號(hào)進(jìn)行識(shí)別。

2.根據(jù)權(quán)利要求1所述的一種適用于SSVEP分類的零填充頻域卷積神經(jīng)網(wǎng)絡(luò)方法，其特征在于，步驟S4具體為：

S41、對(duì)零填充后的腦電信號(hào)進(jìn)行離散傅里葉變換；

S42、對(duì)經(jīng)步驟S41離散傅里葉變換后的腦電信號(hào)，提取九個(gè)通道的SSVEP腦電信號(hào)或SSMVEP腦電信號(hào)的功率譜密度中感興趣的基頻頻帶和二次諧波頻帶組合成一個(gè)特征矩陣。

3.根據(jù)權(quán)利要求2所述的一種適用于SSVEP分類的零填充頻域卷積神經(jīng)網(wǎng)絡(luò)方法，其特征在于，所述步驟S41在對(duì)腦電信號(hào)進(jìn)行離散傅里葉變換時(shí)，還包括對(duì)信號(hào)添加在頻域內(nèi)具有最小主瓣的矩形窗。

4.根據(jù)權(quán)利要求1所述的一種適用于SSVEP分類的零填充頻域卷積神經(jīng)網(wǎng)絡(luò)方法，其特征在于，步驟S5的神經(jīng)網(wǎng)絡(luò)包括五層，依次為：兩個(gè)卷積層，兩個(gè)全連接層，以及一個(gè)輸出層；兩個(gè)卷積層都使用Leaky?ReLU作為激活函數(shù)，記兩個(gè)卷積層分別為第一卷積層與第二卷積層，第一卷積層作為輸入層，第一卷積層使用32個(gè)3×3的卷積核進(jìn)行卷積，第二卷積層使用64個(gè)3×3的卷積核進(jìn)行卷積；記兩個(gè)全連接層分別為第一全連接層與第二全連接層，第一全連接層包括2000個(gè)神經(jīng)元，第二全連接層的神經(jīng)元的個(gè)數(shù)由分類類別數(shù)決定，兩個(gè)全連接曾均使用Leaky?ReLU激活函數(shù)；所述輸出層使用softmax函數(shù)。

5.根據(jù)權(quán)利要求4所述的一種適用于SSVEP分類的零填充頻域卷積神經(jīng)網(wǎng)絡(luò)方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)分類的損失函數(shù)為分類類別數(shù)個(gè)互斥類的交叉熵。