申请/专利权人：杭州电子科技大学

申请日：2021-02-08

公开（公告）日：2024-04-05

公开（公告）号：CN112906539B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/214;G06F18/213;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2021.06.22#实质审查的生效;2021.06.04#公开

摘要：本发明公开一种基于EEG数据的物体识别方法。本发明首先利用数据增强、提取技术，对数据进行扩容。然后随机地把数据分成等量的五个部分，进行5折的训练，再然后用ResBlock作为基础结构，构建全新的二维卷积神经网络，把网络的前三层用空洞卷积去代替普通的卷积，利用PReLU作为网络的激活函数，利用Focalloss作为模型的损失函数。使用Perceive实验室在2017年放出的EEG数据物体识别数据集进行模型训练。本发明数据增强可以使得小数据集的数据得到充分的利用。加之采用较深的网络模型，较少的网络参数，尽管数据集中的EEG数据数量较少，也可以尽可能地学习到EEG数据中的能用来识别的特征，因此可以高效、准确地实现对物体的识别任务。

主权项：1.一种基于EEG数据的物体识别方法，其特征在于包括以下步骤：步骤1、获取EEG物体识别数据集，并对获得的原始图像数据集进行清洗；所述的EEG物体识别数据集包括从被试上采集的EEG数据以及每一个被试在采集数据过程中观看物体的标签；步骤2、利用数据增强技术对清洗后的EEG物体识别数据集进行增强处理，增加样本的数量；步骤3、将经过步骤2处理后的EEG物体识别数据集进行随机划分，分成等量的5份数据集；步骤4、搭建识别网络模型，利用ResBlock作为基础模块，将识别网络模型前三层的ResBlock层采用空洞卷积，网络中的激活函数采用PReLU激活函数，PReLU激活函数的公式如下， xi是激活函数在第i个通道的输入，可学习参数ai负责控制激活函数负半轴的斜率；识别网络模型采用FocalLoss作为损失函数，FocalLoss损失函数的公式如下，Loss＝-α1-y′γlogy′公式中，α和γ是两个超参数，分别用来解决数据的不均衡问题和提高难分样本的分类性能问题；y′是识别网络模型的输出；步骤4.1、基于EEG的物体识别网络模型，整体采用ResBlock作为基础结构，将识别网络模型前三层的ResBlock层采用空洞卷积，通过空洞卷积预编码EEG数据，三个ResBlock内置的空洞卷积空洞率分别设置为1、10和21；所述的空洞卷积能够使物体识别网络模型在初期获得更大的感受野，有利于提取EEG数据跨通道，跨大时间尺度间的信息；步骤4.2、将MaxPool和ResBlock叠加得到的模块作为物体识别网络模型的基本模块；三层采用空洞卷积的ResBlock层后连接同样结构的5个基本模块，构成物体识别网络模型；前2个基本模块中的MaxPool层的步长在EEG数据时间维度上设置为2，在EEG数据通道维度上设置为1，使得特征图在时间维度和通道维度尺寸接近；后3个基本模块中的MaxPool操作在两个通道的步长都设置为2，即在两个维度上共同进行下采样操作；物体识别网络模型中所有的ResBlock，激活函数采用PReLU激活函数；最后采用FocalLoss作为损失函数；步骤5、根据步骤3得到的5份数据集，对识别网络模型进行五折训练，并把每折训练得到的最优模型进行融合。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于EEG数据的物体识别方法

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