【技術實現步驟摘要】
本專利技術涉及腦電識別算法，尤其涉及一種基于dnn-isr-wtc的ssvep異步跨被試腦電識別方法。
技術介紹
1、腦機接口(brain-computerinterface,bci)是一種以大腦產生的腦電信號(electroencephalograph,eeg)為基礎，直接在人腦與計算機或者其它設備之間建立信息通道的技術。穩態視覺誘發電位腦機接口是一種典型的腦機接口范式，其原理是人的大腦會對特定頻率刺激產生反應，并生成穩態視覺誘發電位信號，通過分析這種電位信號，ssvep-bci可以準確地識別出用戶當前所注視的目標。相較于其他幾種腦機接口范式，如運動想象和p300，ssvep-bci具有簡單易用、高信噪比和高信息傳輸率等優勢。
2、目前典型的ssvep-bci解碼算法可分為有訓練算法和無訓練算法，但二者均存在一些問題，有訓練ssvep-bci解碼算法需要對同一被試的腦電數據進行訓練，形成個性化的腦電模型，從而進行解碼分析，但該方法在針對不同被試時存在一定的局限性，且訓練階段過于繁瑣很難滿足實用需求；而傳統的無訓練算法大多使用人工正余弦模板作為參考模板，訓練成本低，但也正是因為模板信號的固定，使其無法滿足日益增長的識別性能需求。同時目前大部分ssvep-bci解碼算法為同步算法，無法滿足用戶主觀控制需求，每一次的操作時間被嚴格限定，無法進行待機操作，部分場景中使用非常不便。因此如何實現高性能異步跨被試解碼是當前ssvep-bci的研究重點。
技術實現思路
1、本專利技術
2、構建網絡模型：
3、對任務態數據，使用包含任務態數據的標準數據集，對初始dnn網絡結構進行訓練建模，形成任務態dnn模型集合；對空閑態數據，使用四種空閑態實驗范式采集空閑態數據，將四類空閑任務視作四種ssvep實驗頻率進行數據切分預處理，得到空閑態數據集，將其輸入至初始dnn網絡結構，重復訓練建模過程得到空閑態dnn模型集合；
4、狀態判斷：
5、對測試數據使用空閑態識別isr策略，計算其與空閑態dnn模型集合和標準頻率模板間的相關度矩陣，若與其相關度最高的模型來自空閑態dnn模型集合，則判斷此時為空閑態，反之判斷為任務態；
6、分析識別結果：
7、對被判斷為任務態的每組測試數據，使用權重模型集合分析wtc算法，基于任務態dnn模型集合計算其匹配度和相關度矩陣，得到權重集合，隨后通過目標識別方法加權計算，預測被試注視目標。
8、進一步地，所述構建網絡模型的步驟中，所述dnn網絡結構包括四個卷積層和一個全連接層；
9、數據在輸入層輸入后，經由預處理層使用濾波函數將輸入數據按照頻率分為三個子帶，進入第一個卷積層將這三個子帶線性組合，并進行歸一化；
10、第二卷積層對所有刺激頻率進行分類重組，并使用整流線性單元實現非線性；
11、第三卷積層用于降采樣和時域濾波，使用時間濾波器進行處理將維度減半，同時在下采樣后，應用整流線性單元激活；
12、第四卷積層應用多個有限脈沖響應濾波器進行過濾，并輸出結果至下一層；
13、全連接層使用歸一化指數函數分類層，進行識別并輸出預測結果。
14、進一步地，所述構建網絡模型的步驟中，
15、基于數據集里預先存在的n個參與者的m類ssvep數據，共同訓練一個全局dnn，模型逐一微調：
16、全局dnn根據每個參與者的數據進行微調，得到n個微調dnn集合作為模型集合。
17、進一步地，所述構建網絡模型的步驟中，所述四種空閑態實驗范式采集空閑態數據包括：完全閉眼以至短時間丟失視線、注意力集中但視線中心偏離屏幕，且余光內仍能看到正在閃爍的屏幕、注意力集中但視線完全離開屏幕，且眼睛完整視野看不到屏幕、注意力不集中且眼神四處轉移。
18、進一步地，所述狀態判斷的步驟中，所述空閑態isr識別策略具體為：
19、計算測試數據與空閑態模板間的相關度，再計算測試數據與標準正余弦模板間的相關度；
20、將所有相關度進行排序，若相似性最大的模型來自空閑態模型，則判斷此時數據為空閑態，若相似度最大的模型來自標準正余弦模板，則判斷此時數據為任務態。
21、進一步地，所述分析識別結果的步驟中，所述權重模型集合分析wtc算法為：
22、定義ρn,1為第n個任務態dnn模型信號與測試數據之間的相關度，定義ρn,2為測試數據與標準正余弦模板信號之間的相關度；
23、使用ωcn表示第n個任務態dnn模型中，訓練得到的組合權重：
24、
25、其中，nch是信道組合的個數；
26、將權值與子波段組合權值ωsn組合得到：
27、
28、對于新用戶數據x，輸出
29、同樣，在第二個相關系數ρn,2中，通過一個諧波組合來處理諧波；
30、定義相關系數的向量為：
31、
32、信道組合由ωcn通過最大化相關系數的平方和得到；
33、將第n組模板與測試數據間的相似性度量值ρn定義為相關系數的平方和：
34、
35、使用遞減的方式對得到的相似性進行排序，進而得到了所有dnn模型信號與新數據間的相似性度量集合，即模型權重集合。
36、本專利技術具有顯而易見的突出的實質性特點和顯著的優點：
37、(1)本專利技術使用了一種dnn網絡結構，對已有進行訓練構建模型集合，并使用權值模型集合分析wtc策略，實現目標精準識別。可實現在不針對新被試數據進行訓練建模的情況下，結合已有模型進行跨被試識別，提高了跨被試解碼的準確率和識別速度；
38、(2)本專利技術使用四種空閑態實驗范式，并使用空閑態識別isr策略，檢測被試空閑狀態，實現異步狀態判別，強調算法使用過程中用戶的主動權，可隨時在待機和發出控制指令之間切換，實現ssvep異步解碼；
39、(3)本專利技術使用dnn網絡結構分別訓練任務態和空閑態模型，使用空閑態模型結合isr策略進行異步狀態判別，使用任務態模型結合wtc方法進行跨被試目標識別，相較傳統ssvep解碼算法，實現了高性能異步跨被試解碼，有利于ssvep腦電進一步實際應用；
40、(4)本專利技術有利于推動ssvep腦電的發展，完善了基于ssvep腦電的腦機接口系統，可用于肢體殘疾人士的輔助輸出，也可用于工業控制以及自動駕駛領域，具有良好的市場應用前景和社會經濟效益。
本文檔來自技高網...【技術保護點】
1.一種基于DNN-ISR-WTC的SSVEP異步跨被試腦電識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于DNN-ISR-WTC的SSVEP異步跨被試腦電識別方法，其特征在于，所述構建網絡模型的步驟中，所述DNN網絡結構包括四個卷積層和一個全連接層；
3.根據權利要求1所述的基于DNN-ISR-WTC的SSVEP異步跨被試腦電識別方法，其特征在于，所述構建網絡模型的步驟中，
4.根據權利要求1所述的基于DNN-ISR-WTC的SSVEP異步跨被試腦電識別方法，其特征在于，所述構建網絡模型的步驟中，所述四種空閑態實驗范式采集空閑態數據包括：完全閉眼以至短時間丟失視線、注意力集中但視線中心偏離屏幕，且余光內仍能看到正在閃爍的屏幕、注意力集中但視線完全離開屏幕，且眼睛完整視野看不到屏幕、注意力不集中且眼神四處轉移。
5.根據權利要求1所述的基于DNN-ISR-WTC的SSVEP異步跨被試腦電識別方法，其特征在于，所述狀態判斷的步驟中，所述空閑態ISR識別策略為：
6.根據權利要求1所述的基于DNN-ISR-
...【技術特征摘要】
1.一種基于dnn-isr-wtc的ssvep異步跨被試腦電識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于dnn-isr-wtc的ssvep異步跨被試腦電識別方法，其特征在于，所述構建網絡模型的步驟中，所述dnn網絡結構包括四個卷積層和一個全連接層；
3.根據權利要求1所述的基于dnn-isr-wtc的ssvep異步跨被試腦電識別方法，其特征在于，所述構建網絡模型的步驟中，
4.根據權利要求1所述的基于dnn-isr-wtc的ssvep異步跨被試腦電識別方法，其特征在于，所述構建網絡模型的步驟...
【專利技術屬性】
技術研發人員：楊幫華，張佳楊，竭榮昕，張永懷，
申請(專利權)人：上海韶腦傳感技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。