[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

摘要

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。

主权项

1.基于CSFL‑GDBN(Channel Separated Feature Learning Gaussian Deep Belief Networks)的稳态运动视觉诱发电位脑‑机接口方法，其特征在于，包括以下步骤：步骤1)，在受试者头部X的枕区n个位置分别安放测量电极A1、A2、…、An，在受试者头部X的单侧耳垂位置安放参考电极D，在受试者头部X的前额Fpz位置安放地电极E，测量电极A1、A2、…、An的输出端接入采集器F的输入端F1、F2、…、Fn，参考电极D的输出端接入采集器F的输入端F(n+1)，地电极E的输出端接入采集器F的输入端F(n+2)，采集器F的输出端和放大器G的输入端相连，放大器G的输出端与计算机H的输入端相连，计算机H的屏幕进行结果显示；步骤2)，在计算机H的屏幕上同时显示m个SSMVEP(Steady‑State Motion Visually Evoked Potential)刺激目标，每次显示持续时间为t秒，使用者采用空间选择性方式注视目标；步骤3)，使用者注视步骤2)中的m个SSMVEP刺激目标的其中之一时，通过采集器F获得脑电信号；使用者在注视m个刺激目标时所产生的脑电信号分别标记为1、2、…、m类，得到带标签的样本数据，每个样本中包含来自n个采样通道的脑电信号；步骤4)，对步骤3)中采集到的脑电数据进行预处理，数据预处理的具体步骤如下：4.1)对步骤3)中采集到的脑电数据进行带通滤波，得到滤波后的脑电数据；4.2)采用Zero‑phase Component Analysis(ZCA)白化方法对滤波后的脑电数据进行白化，得到白化后的脑电数据；4.3)采用Z‑score标准化方法对白化后的脑电数据进行标准化，得到标准化后的脑电数据；步骤5)，将步骤4)所得到的标准化后的脑电数据输入分通道特征学习高斯型深度置信CSFL‑GDBN网络，对CSFL‑GDBN网络进行预训练，以使CSFL‑GDBN网络能够对数据进行初步建模，对CSFL‑GDBN网络预训练的具体步骤如下：5.1)将步骤4)得到的标准化后的脑电数据分通道输入CSFL‑GDBN网络，并对分通道特征学习层进行预训练；分通道特征学习层采用高斯型受限制玻尔兹曼机GRBM(Gaussian Restricted Boltzmann Machine)构建，其训练采用Geoffrey Hintion的CD₁方法，包含隐藏层生成、数据重构、隐藏层再生成的过程，生成隐藏层的数学公式如下：其中：v为采集到的SSMVEP数据；h_j为第j个隐藏层神经元；p(h_j＝1|v)为在输入向量v的条件下h_j激活的概率；σ为Logistic函数；v_i为第i个可见层神经元的取值；w_ij为第i个可见层神经元与第j个隐藏层神经元之间的连接权值；b_j为第j个隐藏层神经元的偏置；用所得到的p(h_j＝1|v)对第j个隐藏层神经元在0和1之间进行采样，即得到h_j的取值；接下来利用所得到的隐藏层神经元向量对输入数据进行重构，所用的数学公式如下：其中：a_i为第i个可见层神经元的偏置；用所得到的可见层重构数据v_i再次重复隐藏层生成过程，即得到隐藏层数据的重构；在此基础上，使用CD₁对分通道特征学习层的参数进行更新，计算其更新值的数学公式如下：Δw_ij＝ε[(v_ih_j)_data‑(v_ih_j)_recon]Δa_i＝ε[(v_i)_data‑(v_i)_recon]Δb_j＝ε[(h_j)_data‑(h_j)_recon]其中：下标data表示输入数据或由输入数据生成的隐藏层神经元取值；下标recon表示重构数据或由重构数据生成并采样得到的隐藏层神经元的取值；ε为学习率；用所得到的参数更新值进行参数更新，迭代i₁次后即得到能够对数据进行初步建模的分通道特征学习层；5.2)将步骤5.1)中分通道特征学习层在预训练后所提取到的特征输入CSFL‑GDBN的特征融合层，并对特征融合层进行预训练，使得经分通道提取的特征在特征融合层能够有效融合；特征融合层及其上的特征隐藏层均由原始的RBM(Restricted Boltzmann Machine)构建，其更新规则与GRBM相同，只有输入层的重构规则有差别，重构时所用数学公式为：其中：p(v_i＝1|h)为在隐藏层向量h的条件下v_i激活的概率；用所得到的p(v_i＝1|h)对可见层在0和1之间进行采样，得到v_i的取值，采用与GRBM相同的规则对参数进行更新；迭代i₂次后即得到能够对特征进行有效融合的特征融合层；5.3)在特征融合层之上，堆叠k个原始RBM进行进一步的抽象特征提取，获得SSMVEP中的更高级的信号特征，并对它们进行逐层预训练；5.4)在k个特征抽象层之上，堆叠Softmax分类层进行SSMVEP信号的分类，并对其进行预训练，Softmax分类采用反向传播算法BP(Back Propagation)；步骤6)，将步骤4)中得到的标准化后的脑电数据及其标签输入CSFL‑GDBN中，并采用BP对步骤5)中逐层训练后的整个CSFL‑GDBN进行训练，迭代j次后得到更擅长SSMVEP分类任务的CSFL‑GDBN；步骤7)，将步骤6)所得到的CSFL‑GDBN应用于步骤1)、2)、3)所构建的脑‑机接口SSMVEP信号的实时识别，在识别的同时同步进行CSFL‑GDBN的训练。