[发明专利]一种基于长短期记忆网络的稳态视觉诱发电位分类方法

说明书

一种基于长短期记忆网络的稳态视觉诱发电位分类方法，首先，在液晶显示屏上刺激频闪的诱发下，采集被试枕叶9通道脑电信号；其次，对采集到的脑电信号通过降采样、带通滤波、陷波进行预处理；然后，对预处理后的脑电信号使用三层长短期记忆神经网络进行预测；最后，使用滤波器组典型相关分析算法对预测延长后的脑电信号进行特征提取与分类；本发明计算所需数据长度较短，可避免被试视觉疲劳，同时，特征提取更有效，分类准确率更高；此外，还提供了一种脑电预测的方法，兼顾了脑电数据的时序性和非线性特征，可以有效地预测脑电数据的变化趋势。

技术领域

本发明涉及生物医学信号处理技术领域，尤其涉及一种基于长短期记忆网络的稳态视觉诱发电位分类方法，具体是指融合长短期记忆网络(Long Short-Term Memory，LSTM)和滤波器组典型相关分析算法(Filter Bank Canonical CorrespondenceAnalysis，FBCCA)，来提取稳态视觉诱发电位(Steady-State Visual Evoked Potentials，SSVEP)信号的特征，并对信号做出分类。

背景技术

脑机接口(Brian-Computer Interface，BCI)是一种不依赖于正常的外周神经和肌肉组成的输出通路的通讯系统，它能够直接为大脑提供一种新的信息交换和控制通路，创造性地帮助大脑和外界环境或体外设备进行直接交互。BCI的几种常见的范式包括SSVEP、运动想象、P300等。

SSVEP是当人眼注视大于4Hz频率调制的周期性视觉刺激时，在大脑中所诱发的一种周期性响应，它具有与视觉刺激频率相同的基频及其谐波频率。此外，SSVEP的响应强度随着刺激频率的升高呈下降趋势，在不同的频段有不同的谐振峰。基于SSVEP的BCI系统不仅能够实现较高的分类识别率和信息传输率，还相对简单且实用性强，因此它一直是BCI研究领域的热门话题。

典型相关性分析(Canonical Correlation Analysis，CCA)算法在SSVEP分类领域中一直得到广泛应用，能够实现很高的传输率。在此基础上，为了充分考虑SSVEP中的谐波信息，FBCCA通过设计带通滤波器组，将原有的SSVEP信号分解成多个子带信号，成为了目前非监督学习类识别算法中识别率最高的算法之一。

一般来说，用于分类的脑电信号长度越长，算法的分类识别率也就越高。但在基于SSVEP的BCI实验中，为了避免被试的视觉疲劳，往往要求采集的脑电信号长度越短越好。因此，本发明希望对有限长度的脑电数据进行适当预测，以期实现识别率的突破。然而，脑电序列具有不确定性和高噪声特性，准确预测非常困难。LSTM是具有记忆长短期信息能力的神经网络，在挖掘序列数据长期依赖关系中极具优势，被广泛应用于语音识别、机器翻译等领域。由于LSTM能够兼顾数据的时序性和非线性特征，有望能够应用于脑电信号预测领域中。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供了一种基于长短期记忆网络的稳态视觉诱发电位分类方法，通过用液晶显示屏上闪烁刺激来诱发SSVEP，获取脑电信号后，融合LSTM和FBCCA算法来对脑电信号进行特征提取和分类，从而有效解决所需脑电数据较长、特征无法有效提取的问题。

为实现上述目的，本发明采用的技术方案如下：

一种基于长短期记忆网络的稳态视觉诱发电位分类方法，包括以下步骤：

(一)采集液晶显示屏上闪烁刺激诱发的SSVEP；

(二)对采集到的脑电信号通过降采样、带通滤波、陷波进行预处理；

(三)对预处理后的脑电信号使用三层LSTM网络进行预测；

(四)使用FBCCA算法对预测延长后的脑电信号进行特征提取与分类。

所述的步骤一具体为：