申请/专利权人：黑龙江省科学院智能制造研究所

申请日：2023-12-01

公开（公告）日：2024-03-08

公开（公告）号：CN117668614A

主分类号：G06F18/24

分类号：G06F18/24;G06F18/213;G06N3/0464;G06N3/049;G06N3/048;G06N3/08;G06F3/01

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.26#实质审查的生效;2024.03.08#公开

摘要：一种基于卷积与脉冲神经网络的SSVEP脑电信号识别方法，属于脑电信号识别方法领域。现有的非侵入式采集脑电信号存在的信号识别质量低，或者侵入式获得高质量的脑电信号存在的高风险及高成本的问题。本发明方法包括：获取及预处理SSVEP脑电信号，之后训练数据集和测试数据集建，之后SSVEP脑电信号的脉冲编码，之后SSVEP脑电信号的识别，按顺序设置的第一残差模块（1）、第一脉冲连接模块（2）、第二残差模块（3）、第二脉冲连接模块（4）、脉冲全连接输出模块（5）；上一步骤输出的脉冲数据经过上述脉冲神经网络后，经过脉冲全连接输出模块（5）得到SSVEP脑电信号的分类。之后，后续处理。本发明方法功耗低，脉冲发放减少运算时间，识别脑电信号的鲁棒性高。

主权项：1.一种基于卷积与脉冲神经网络的SSVEP脑电信号识别方法，所述方法通过以下步骤实现：步骤一、SSVEP脑电信号的获取及预处理，具体是：由8Hz～30Hz低频视觉刺激，再通过脑机接口设备采集脑电信号，根据BCI设备采集2nn＝0，1，2，…，N通道脑电信号，并将其切分成若干数据段；其中，2n采集通道采集作为输入c通道个数，其数据结构为h×w×c；所述的切分操作具体是，以时间ti为起始，i＝0，1，2，…，n，脑电数据间隔t秒的时间，数据长度以N个数据为结束；之后，将每个数据段以图像形式存储，即Iw×h；h为信号归一化幅值，w为信号采集时间；之后，对脑电信号进行增强处理；所述的增强处理方法是采用控制噪声因子和控制信噪比增加噪声，控制波形位移和波形拉伸；步骤二、训练数据集和测试数据集建，具体是：利用上一步骤处理后的SSVEP脑电信号建立训练数据集和测试数据集；其中，按照8:2的比例进行随机分组建立训练数据集和测试数据集；步骤三、SSVEP脑电信号的脉冲编码，具体是：通过卷积网络构成的卷积脉冲编码模块6对处理后的SSVEP脑电信号采用机器学习方法进行脉冲编码，卷积脉冲编码模块6的网络结构包括2个卷积模块和1个编码模块，其中，卷积模块包括卷积层12、归一化层13、激活层14；编码模块采用脉冲输出层15；卷积脉冲编码模块6针对具有脑电数据波形像素点进行发放高频脉冲，而对于脑电数据未在像素点位置上时进行0Hz频率或是发放低频脉冲，即无脉冲或是少量脉冲输出，进而实现脉冲编码的方法；步骤四、SSVEP脑电信号的识别，具体是：SSVEP脑电信号的识别采用脉冲神经网络对脑电信号进行识别分类，脉冲神经网络包括按顺序设置的第一残差模块1、第一脉冲连接模块2、第二残差模块3、第二脉冲连接模块4、脉冲全连接输出模块5；其中，第一残差模块1包括脉冲卷积层7、脉冲发放层8、脉冲卷积层7、脉冲发放层8；第一残差模块1与卷积脉冲编码模块6的输出端连接；第一脉冲连接模块2包括脉冲发放层8和脉冲池化层9；第二残差模块3包括脉冲卷积层7、脉冲发放层8；第二脉冲连接模块4为脉冲发放层8；脉冲全连接输出模块5包括脉冲全连接层10和脉冲输出层11；步骤三输出的脉冲数据经过上述脉冲神经网络后，经过脉冲全连接输出模块5得到SSVEP脑电信号的分类；步骤五、后续处理，具体是：将各分类的脉冲信号进行解码，得到与各脉冲信号对应的脑电信号，并显示其结果；至此，完成脑电信号的分类。

全文数据：

权利要求：

百度查询： 黑龙江省科学院智能制造研究所 一种基于卷积与脉冲神经网络的SSVEP脑电信号识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD