[發明專利]適用于SSVEP分類的零填充頻域卷積神經網絡方法

有效

• 申請號: 202111311799.2
• 申請日: 2021-11-08
• 公開（公告）號: CN114010208B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 郜東瑞;鄭文銀;王柯杰;曹文朋;嚴明靖;唐雪;張良鈺;汪曼青;張永清
• 申請（專利權）人: 成都信息工程大學
• 主分類號: A61B5/378
• 分類號: 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

本發明公開一種適用于SSVEP分類的零填充頻域卷積神經網絡方法，應用于腦電信號處理領域，針對現有技術對SSVEP和SSVEP子類的SSMVEP腦電信號的分類準確率和信息傳輸速率較低的問題；本發明首先使用腦電采集設備采集人體大腦枕部九個電極的SSVEP腦電信號；其次對腦電信號進行預處理；之后在時域對預處理后的腦電信號進行補零填充，提取九個通道的SSVEP信號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特征矩陣；最后將該特征矩陣作為CNN深度學習模型的輸入，使用非線性變換對不同類別的SSVEP信號進行識別；采用本發明的方法能獲得較高的分類準確率。

技術領域

本發明屬于腦電信號處理領域，特別涉及一種腦電信號分類技術。

背景技術

腦機接口(Brain?Computer?Interface，BCI)是一種通信系統。它通過將大腦中的“意念”轉換為指令，使得人腦能夠直接傳遞指令給指定的機器終端。無需語言或動作，就能直接的表達意圖和想法，或操縱機器設備。在過去的數十年之間，在各種模式的BCI中，通過腦電圖(electroencephalogram,EEG)實現的穩態視覺誘發電位(Steady-State?VisualEvoked?Potentials,SSVEP)的BCI因具有高信息傳輸速率(ITR)、高信噪比(SNR)、訓練時間少和可靠性而被廣泛關注與研究。其已被廣泛的應用在了助殘康復、娛樂體驗等多個領域之內，并且在改善殘疾人的生活水平質量中有著巨大的貢獻。基于SSVEP的BCI雖然已在各個領域內體現出了很高的應用價值，但是其在設計和應用等方面仍然有待研究，依然面臨著巨大的挑戰。

如何提高基于SSVEP的BCI的信息傳輸速率和識別準確率一直是BCI設計和應用中被研究的一個重點課題。根據SSVEP信號的特征，為了提高基于SSVEP的BCI的性能，研究人員從各個方面進行了創新。例如在刺激范式方面，聯合頻率相位調制(JFPM)的刺激編碼方法被廣泛的應用于SSVEP的BCI的視覺刺激中，用于提升SSVEP的BCI的性能。此外，有研究者采用亮度不變、周期徑向收縮-擴張振蕩運動的棋盤格視覺刺激方式誘發腦電信號。新的刺激范式在維持相同水平的識別準確率的同時，有效降低了使用者的視覺疲勞和提高了使用者的舒適度。同時，在算法層面上，腦機接口的研究人員也做出了創新和努力。

檢測SSVEP信號的算法按照類型，可大體分為無監督方法和有監督訓練方法兩個類別。在無監督的方法中，一部分是以傅里葉變換為基礎的頻譜分析方法，比如快速傅里葉變換(FFT)算法、功率譜密度分析(PSDA)算法等在頻域內分析的算法。該類算法雖然比較簡單，運算時間少，適合單通道，但是計算時需要足夠長的信號數據，且需要假設信號線性穩態，該類算法不能很好的處理具有非線性和非平穩特征的高度復雜的腦電信號。一部分是基于信號分解分析的方法。比如由Huang提出的以經驗模態分解(EMD)為基礎的希爾伯特-黃變換(HHT)算法。該類算法是在時頻域內對信號進行分析，雖然相較于FFT在處理非線性和非平穩信號方面具有更好的通用性。但是面對高度復雜的SSVEP信號，性能表現依然不盡人意。一部分是基于典型相關分析的算法，包含多路典型相關分析(MwayCCA)、濾波器組典型相關分析算法(FBCCA)、基于個體模板的典型相關分析(IT-CCA)、L1正則化多路典型相關分析(L1-MCCA)等，雖然通過對腦電信號與參考信號的相關計算，這類算法對SSVEP信號的檢測效率很高，但是該類算法也無法很好的處理真實信號中存在的非線性關系，且準確率和信息傳輸速率與監督訓練中的方法比起來存在一定的差距。監督訓練的方法中主要是以空間濾波器和模板匹配為基礎的算法，該類算法是在基于個體校準數據的方法上，試圖提取特定于被試和任務的相關信息，去除任務不相關的背景噪聲，減少個體內信號的差異。包含相關成分分析(CORCA)、任務相關成分分析(TRCA)、相關性平方和(SSCOR)、多刺激任務相關成分分析(msTRCA)等。盡管獨立于被試的監督訓練方法優于無訓練的方法，但在很多SSVEP的BCI的應用場景中，無法從個體校準數據中提取特定被試和任務相關的信息，這在一定程度限制了SSVEP的BCI的應用和發展，不利于SSVEP的BCI的應用和普及。同時視覺疲勞、注意力不集中等不獨立于個體的影響因素也會影響獨立于被試的算法的性能。