用于稳态视觉诱发电位脑机接口目标识别的深度学习方法

论文摘要

针对稳态视觉诱发电位（SSVEP）脑电信号存在个体差异性强、信噪比低等特点而导致其识别困难等问题,提出一种用于SSVEP信号分类识别的深度学习方法。该方法以原始多通道SSVEP信号为输入,利用SSVEP信号的时空特性,首先使用一维时间卷积核对输入信号的时域进行卷积操作;然后使用一维空间卷积核进行空域卷积,对多通道信息进行融合;最后采用降采样、多尺度卷积、全连接等操作完成SSVEP信号的分类识别。实验结果表明:利用该方法在较短时间的视觉刺激下即可实现对被试者SSVEP信号的有效识别;在1 s刺激时长时,该方法的平均离线信息传输率为94.17 b/min,平均识别准确率为93.3%,相比于无监督典型相关分析方法和有监督支持向量机分析方法,识别准确率分别提升了48.73%、41.21%。该方法具有较高的目标识别效率及鲁棒性,有效提高了基于稳态视觉诱发电位信号的脑-机接口的性能。

论文目录

• 1 构建深度学习网络
•   1.1 卷积神经网络
•   1.2 深度学习网络的构建
•     （1）输入层l1。
•     （2）卷积层l2。
•     （3）卷积层l3。
•     （4）降采样层l4。
•     （5）Inception层l5。
•     （6）降采样层l6。
•     （7）输出层l7。
•   1.3 网络的学习过程
•   1.4 基于CNN的SSVEP目标识别
• 2 实验与分析
•   2.1 脑-机接口范式设计
•   2.2 实验过程
•   2.3 信号采集
•   2.4 分类方法
•     （1）CCA方法[8]。
•     （2）CCA结合SVM方法[19]。
•   2.5 结果分析
• 3 结 论

文章来源

类型: 期刊论文

作者: 杜光景,谢俊,张玉彬,曹国智,薛涛,徐光华

关键词: 稳态视觉诱发电位,脑机接口,目标识别,深度学习

来源: 西安交通大学学报 2019年11期

年度: 2019

分类: 工程科技Ⅱ辑,基础科学,医药卫生科技,信息科技

专业: 生物学,生物医学工程,电信技术,自动化技术

单位: 西安交通大学机械工程学院

基金: 国家自然科学基金资助项目(61503298)

分类号: TP18;TN911.7;R318

页码: 42-48

总页数: 7

文件大小: 1449K

下载量: 369