[发明专利]基于CSFL-GDBN的稳态运动视觉诱发电位脑-机接口方法

说明书

基于CSFL‑GDBN的稳态运动视觉诱发电位脑‑机接口方法，先进行硬件连接，再收集带有标签的SSMVEP数据对CSFL‑GDBN进行训练，使其能对SSMVEP信号进行有效分类，CSFL‑GDBN由GRBM和RBM堆叠而成，在其底层的输入数据层对来自不同通道的数据进行多个GRBM训练，提取各通道的信号特征，接下来将提取到的分通道特征在下一层特征融合层进行融合，最后对融合特征再抽象后进行分类，得到SSMVEP的刺激目标信息；本发明能够自动提取信号特征，不易丢失有用信息，多通道融合机制使提取到的特征包含多通道脑电信号中的空间信息，具有识别速度快、识别正确率个体间表现稳定的优点。

技术领域

本发明涉及脑-机接口技术领域，具体涉及基于CSFL-GDBN(Channel SeparatedFeature Learning Gaussian Deep Belief Networks)的稳态运动视觉诱发电位脑-机接口方法。

背景技术

脑-机接口是在人脑和外界之间建立不依赖于常规大脑信息输出通路的一种人机交互系统。作为人-机接口中的一种，脑-机接口由于不依赖常规的大脑输出通路，为大脑与外界进行信息交流和控制开辟了一条全新的途径，使人能够实现通过大脑直接控制外部设备。由于在游戏娱乐、康复医疗以及航天、军事等领域表现出较大的应用潜力，近年来脑-机接口技术发展非常迅速。

稳态运动视觉诱发电位(Steady-State Motion Visually Evoked Potential,SSMVEP)是大脑视觉系统对外部持续周期性运动视觉刺激的响应，是在脑-机接口系统的常用输入信号——稳态视觉诱发电位(Steady-State Visually Evoked Potential,SSVEP)的基础上进行改进而产生的。相比P300、事件相关同步、自发脑电等信号，SSVEP具有操作简单、记录电极少、训练时间短、信息传输率高及抗干扰能力强等优点，是脑-机接口系统中具有广泛应用前景和应用价值的重要研究范式。SSMVEP对SSVEP易引起使用者疲劳的缺点进行了改进，同时保持了较高的信噪比，在脑-机接口应用中日趋广泛。

基于SSMVEP的脑-机接口通过提取使用者的SSMVEP信息，通过一定的信号处理和模式识别方法将其转换为对外部设备的控制指令，从而实现与外部世界的交互。其中，对采集到的SSMVEP信号进行模式识别得到的正确率的高低是判断脑-机接口性能的关键因素。因此，寻求有效的特征提取及模式识别方法成为脑-机接口系统的一个关键技术点。

目前对于SSMVEP信号的特征提取和模式识别主要采用典型相关分析(CanonicalCorrelation Analysis，CCA)方法。通过将采集信号与标准信号进行相关性分析，与采集信号相关性最强的标准信号即被判断为刺激目标。CCA利用了脑-机接口信号突出的频率特性，具有计算量低，识别正确率高的优点。但同时由于脑-机接口极为复杂，CCA人工设计特征的方法极易丢失信号中的有用特征，导致其分类正确率在个体间表现不稳定，并且需要3-5秒的采集时间才能实现准确分类，限制了基于SSMVEP的脑-机接口技术的进一步发展。

深度学习(Deep Learning，DL)具有强大的处理非线性、非平稳和高维数据的能力，能够自动从原始数据中提取有效信息，在对脑电数据的建模中表现出先天的优势。由受限制玻尔兹曼机(Restricted Boltzmann Machine，RBM)堆叠成的深度置信网络(DeepBelief Nets，DBN)，其主要结构RBM是能够用概率图模型解释的网络模型，因此，DBN是一种善于处理脑电信号等复杂随机性信号的DL模型。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了基于CSFL-GDBN的稳态运动视觉诱发电位脑-机接口方法，基于高斯型深度置信网络，将不同通道的脑电信号进行分通道特征提取后再融合，在算法最顶层采用Softmax分类层进行分类，获得脑-机接口指令。

为了达到上述目的，本发明采取的技术方案为：