买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明公开了一种基于卷积神经网络的SSVEP脑电信号分类方法，其具体步骤包括：构建卷积神经网络，生成训练集，训练卷积神经网络，处理待分类的SSVEP脑电信号，输出SSVEP脑电信号的分类结果。由于本发明构造了一个包含LSTM层的卷积神经网络并采用网格搜索法训练该网络，克服了现有技术中利用多元调制分量获取目标脑电信号分解中易丢失有效的脑电信号的缺陷，改善了每名被试者分别训练Volterra模型参数导致的方法不具有普适性的问题。使得本发明分类后的SSVEP脑电信号更加完整，提高了脑电信号分类的准确性和SSVEP脑电信号的普适性。

主权项：1.一种基于卷积神经网络的SSVEP脑电信号分类方法，其特征在于，构造包含LSTM层的卷积神经网络，采用网格搜索法对卷积神经网络的参数进行迭代更新；该方法的步骤包括如下：步骤1，搭建一个由三个模块依次串联组成的卷积神经网络；其中：第1个模块的结构依次为：卷积层，批标准化层，ReLU激活层，Dropout层；设置第1个模块各层参数：将卷积层滤波器的总数设置为10，卷积核大小设置为20×1，步长设置为1，卷积层的填充设置为0×16，卷积层的偏置设置为否；将批标准化层的eps参数设置为1×10-5，momentum参数设置为0.1，affine参数设置为是；将ReLU激活层的inplace参数设置为是；将Dropout层的drop_rate参数设置为0.05；第2个模块的结构依次为：卷积层，批标准化层，ReLU激活层，Dropout层，Lambda层；设置第2个模块各层参数：将卷积层滤波器的总数设置为20，卷积核大小设置为10×1，步长设置为1，卷积层的填充设置为0×8，卷积层的偏置设置为否；将批标准化层的eps参数设置为1×10-5，momentum参数设置为0.1，affine参数设置为是；ReLU激活层的inplace参数设置为是；将Dropout层的drop_rate参数设置为0.05；Lambda层的l2_lambda参数为0.0001；第3个模块的结构依次为：LSTM层，Dropout层，Flatten层，全连接层；设置第3个模块各层参数：将LSTM的hidden_size参数设置为8，循环层的数量设置为2，bias参数设置为否；将Dropout层的drop_rate参数设置为0.01；将Faltten层的参数设置为0；将全连接层神经元数设置为2；步骤2，生成样本集：步骤2.1，采集至少10名被试者α分钟的脑电信号，每隔t秒改变一次SSVEP范式频率，保留每名被试者与视觉相关通道的SSVEP脑电信号，其中，α≥1、步骤2.2，将每名被试者与视觉相关所有通道的SSVEP脑电信号组成一个m×n×i×j大小的样本集，其中，m表示每名被试者所有与视觉相关通道的SSVEP脑电信号类别的总数，所述类别是指将在同一个频率采集的SSVEP脑电信号归为一类，n表示每名被试者与视觉相关的通道总数，i表示每个被试者与视觉相关的所有通道的SSVEP脑电信号对应每个范式频率的样本总数，j表示将视觉相关通道中每个频率信号被分段后的总段数；步骤3，提取每个样本的特征：利用傅里叶变换，将每个样本集的时域信号转化为频域信号，得到该样本集m×n×k×j的四维频谱特征集，k为每个样本经过傅里叶变换后的频谱特征；步骤4，训练卷积神经网络：步骤4.1，对卷积神经网络的参数初始化：将初始学习率设置为10-3，迭代次数每增加10次的学习率衰减率减少15；初始下采样率设置为32，迭代次数每增加10次下采样率增加至原来的2倍；正则化参数L2设置为10-4，迭代次数每增加10次L2增加至5倍；步骤4.2，将频谱特征集输入到卷积神经网络中，利用网格搜索法，对卷积神经网络的参数进行迭代更新，直至损失函数收敛为止，得到训练好的卷积神经网络；所述网格搜索法指的是对每次迭代更新后的卷积神经网络的所有参数按照升序进行排列组合，并对所有可能的组合进行交叉验证，得到最佳的参数组合；步骤5，对待分类的SSVEP脑电信号进行处理：采用与步骤2和步骤3相同的方式，对待分类的SSVEP脑电信号进行处理，将处理后的每个待分类SSVEP脑电数据输入到训练好的卷积神经网络中，判断卷积神经网络输出的每个待分类数据，若输出为1，则判定被试者看到的是SSVEP范式中的第一个目标，若输出为2，则判定被试者看到的是SSVEP范式中的第二个目标，以此类推，若输出为6，则判定被试者看到的是SSVEP范式中的第六个目标。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于卷积神经网络的SSVEP脑电信号分类方法