[发明专利]提高脑力负荷状态下P300拼写器使用效果的方法

权利要求书

1.一种提高脑力负荷状态下P300拼写器使用效果的方法，其特征是，提高脑力负荷状态下P300拼写器使用效果的方法，首先在模型建立阶段，分别采集纯拼写任务以及多种外加典型负荷任务下的脑电数据，对脑电数据进行预处理并提取特征，将多种负荷条件下的特征数据混合，选择合适的分类器建立训练模型；在实际应用阶段，采集各种负荷状态下的脑电数据作为测试数据，将上一阶段建好的训练模型和测试数据放入分类器中进行模式识别得到字符识别率，和纯拼写任务下的脑电数据建模进行字符识别的结果进行对比，分析P300拼写器性能的提升。

2.如权利要求1所述的提高脑力负荷状态下P300拼写器使用效果的方法，其特征是，分别采集纯拼写任务以及多种外加典型负荷任务下的脑电数据具体步骤是，采用的是6×6行列字符闪烁，在该范式中，要求受试者注视目标字符，6行6列依次闪烁10轮，当包含目标字符的行或者列闪烁时，受试者大脑中会诱发相应的事件相关电位，除此之外，还要求受试者在完成拼写任务的同时分别完成其它几种负荷任务，包括工作记忆任务、心算任务、推理任务以及探测任务，采集以上各种实验条件下的脑电信号并记录储存起来。

3.如权利要求1所述的提高脑力负荷状态下P300拼写器使用效果的方法，其特征是，对脑电数据进行预处理并提取特征具体步骤是，首先要对采集到的数据进行预处理，包括变参考、去眼电滤波以及降采样步骤，然后对数据进行特征提取的操作，这里的特征采用的是P300电位，选取八个典型导联Fz、Cz、T5、P3、Pz、P4、T6、Oz的数据进行分析，对于每一导联的数据，截取刺激开始后700ms内的信号作为特征，然后将八个导联的特征首尾相接构成用于分类的特征向量，其维数与采样率有关，每次刺激对应一个样本，因此得到样本数*特征维数的特征矩阵；得到特征矩阵后，在样本维度上将它们连接起来，然后统一进行归一化处理，到建立训练模型所需的特征矩阵；与特征矩阵相对应的是标签向量，每一个样本对应标签值1或者-1，其中1代表目标刺激，-1代表非目标刺激，同时提取纯拼写任务条件下的样本量相同的特征矩阵和标签向量作为对照。

4.如权利要求3所述的提高脑力负荷状态下P300拼写器使用效果的方法，其特征是，选择支持向量机SVM(Support Vector Machine)分类器建立训练模型，将得到的特征矩阵和与其对应的已知的标签向量放入分类器中进行机器学习，得到跨负荷任务通用训练模型；然后采用分类器进行分类识别，将通用模型和测试数据特征送入分类器中进行目标刺激和非目标刺激的分类，对每个样本得到一个分类决策值，将每行或每列十次重复的决策值叠加，得到最大决策值对应的行和列即可确定目标字符，完成字符识别。

5.如权利要求3所述的提高脑力负荷状态下P300拼写器使用效果的方法，其特征是，选择线性判别分析LDA(Linear Discriminant Analysis)分类器建立训练模型，将得到的特征矩阵和与其对应的已知的标签向量放入分类器中进行机器学习，得到跨负荷任务通用训练模型；然后采用分类器进行分类识别，将通用模型和测试数据特征送入分类器中进行目标刺激和非目标刺激的分类，对每个样本得到一个分类决策值，将每行或每列十次重复的决策值叠加，得到最大决策值对应的行和列即可确定目标字符，完成字符识别。