[发明专利]基于多粒度信息的快速序列视觉呈现脑电图信号分类方法

说明书

本发明公开了一种基于多粒度信息的快速序列视觉呈现脑电图信号分类方法，包括：采集被试者在快速序列视觉呈现下的脑电图信号；对采集到的脑电图信号进行预处理；将预处理后的脑电图信号输入预先训练完成的多粒度信息提取网络，得到脑电图信号的分类结果；其中，多粒度信息提取网络从多个不同粒度级别对脑电图信号进行特征提取；多粒度信息提取网络利用样本数据集训练得到，样本数据集基于多个样本被试者进行快速序列视觉呈现实验所得到的脑电图信号得到。本发明的多粒度信息提取网络将多粒度信息作为先验知识融入到神经网络设计中，从多个不同粒度级别对脑电图信号进行特征提取，因此能够极大提升快速序列视觉呈现脑电图信号的分类准确率。

技术领域

本发明属于信号处理领域，具体涉及一种基于多粒度信息的快速序列视觉呈现脑电图信号分类方法。

背景技术

脑电图(Electroencephalography,EEG)作为脑-机接口(brain-computerinterface，BCI)的一项重要技术，能够在人脑和外部设备之间建立直接连接，以实现信息交换。一些早期基于脑电图的脑机接口应用，如轮椅控制、文本拼写器和假肢等，已经大大改善了残疾患者的生活质量。近年来，基于EEG的BCI技术的应用已经扩展到健康人群。其中，快速连续视觉呈现(Rapid Serial Visual Presentation，RSVP)作为一种潜在的人类增强方法，已受到了研究人员的广泛关注。

基于RSVP范式的BCI系统主要用于需要专业人员审查大量图像或信息的领域，如安全监控和医疗等领域。通常来说，RSVP范式以5–20Hz的频率顺序显示图像，其中非目标图像与目标图像的比率约为10:1，这样有利于被试者产生ERP成分，通过识别被试者的EEG信号中的事件相关电位(event-related potential，ERP)成分，可进行目标图像检测等快速序列视觉呈现分类工作。基于RSVP范式的BCI系统比手动分析能够更快地检测和识别对象和相关信息片段，能够大大提高专业人员的工作效率。

脑电图信号的分析处理工作是快速序列视觉呈现分类所面临的难题。原因在于：首先，EEG信号的信噪比低，这是由于脑电图信号存在伪迹，且信号采集过程中存在环境噪声干扰所致；其次，EEG信号是非平稳信号，其统计特性在时域不断变化；另外，EEG信号是特异性信号，不同被试者存在较大的生理差异，这导致信号的幅值和统计特性在不同被试者间往往难以泛化。

传统的脑电图信号分类方法通常采用手工制作的先验特征，如时域的统计特征、频域的频带功率和时频域的离散小波变换等。然而，提取手工特征处理的过程非常耗时，不利于系统的实时部署。

近年来，随着深度学习技术的发展，利用深度学习进行脑电图信号分类已成为一个热门的研究方向。与依赖专家经验和先验领域知识来提取特征的传统研究不同，基于深度学习的模型从输入的脑电图信号原始数据中自动提取数据的高阶特征，免去了繁琐的特征处理过程，其性能较传统算法有显著提升。然而，由于不依赖于先验知识，现有的深度学习模型往往可解释性较差，影响了分类的准确性。

发明内容

本发明实施例的目的在于提供一种基于多粒度信息的快速序列视觉呈现脑电图信号分类方法，以提高快速序列视觉呈现脑电图信号分类的准确率。具体技术方案如下：

本发明实施例提供了一种基于多粒度信息的快速序列视觉呈现脑电图信号分类方法，所述方法包括：

采集被试者在快速序列视觉呈现下的脑电图信号；其中，所述快速序列视觉呈现对应包含有目标图像和非目标图像的图像序列；

对采集到的脑电图信号进行预处理；

将预处理后的脑电图信号输入预先训练完成的多粒度信息提取网络，得到所述脑电图信号的分类结果；其中，所述多粒度信息提取网络从多个不同粒度级别对脑电图信号进行特征提取；所述多粒度信息提取网络利用样本数据集训练得到，所述样本数据集基于多个样本被试者进行快速序列视觉呈现实验所得到的脑电图信号得到。