【技术实现步骤摘要】
一种融合注意力检测的SSVEP异步分类方法
本专利技术涉及脑机接口
，更具体地说，涉及一种融合注意力检测的SSVEP异步分类方法。
技术介绍
脑机接口(BCI)作为一种不依赖于人的外周神经和肌肉、直接通过脑电活动来传递思维信息的人-机交互技术，可以解析出运动障碍病人脑电信号中携带的信息。通过将脑机接口与机器人这两种康复服务型技术相结合，由脑机接口直接输出大脑的控制决策、由被试自身感知机器人的反馈信息，从而在大脑与机器人之间建立起来的双向信息交互方式称机器人脑控技术。在机器人脑控技术中，脑电信号模式是产生稳定可靠、可区分、可重复的脑电信号特征的关键。在目前的脑控机器人研究中，稳态视觉诱发电位(SSVEP)是一种常用的脑电信号模式，它通过注视固定频率闪烁的视觉刺激来产生，相比于其他脑电模式能够取得更高的正确率和信息传输率，因此在面向各类任务的脑控机器人系统中都得到了广泛应用。对于SSVEP信号的分类方式主要有同步和异步两种，其中异步方式中并不给予任何同步提示信号，被试可以在任意时刻通过注视特定的SSVEP刺激源来发...
【技术保护点】
1.一种融合注意力检测的SSVEP异步分类方法，其特征在于，所述方法包括：/n在离线训练阶段：/n分别开展控制任务和空闲任务的离线试验，采集大脑额区和枕区产生的脑电信号，得到额区离线数据集和枕区离线数据集；/n将所述额区离线数据集分为第一控制任务数据集和第一空闲任务数据集，基于所述第一控制任务数据集和所述第一空闲任务数据集训练注意力检测算法；/n将所述枕区离线数据集分为第二空闲任务数据集和多个不同目标频率的第二控制任务数据集，基于所述第二空闲任务数据集和多个不同目标频率的第二控制任务数据集训练频率识别算法；/n在在线分类阶段：/n实时采集大脑额区和枕区的脑电信号；/n用训练...
【技术特征摘要】
1.一种融合注意力检测的SSVEP异步分类方法，其特征在于，所述方法包括：
在离线训练阶段：
分别开展控制任务和空闲任务的离线试验，采集大脑额区和枕区产生的脑电信号，得到额区离线数据集和枕区离线数据集；
将所述额区离线数据集分为第一控制任务数据集和第一空闲任务数据集，基于所述第一控制任务数据集和所述第一空闲任务数据集训练注意力检测算法；
将所述枕区离线数据集分为第二空闲任务数据集和多个不同目标频率的第二控制任务数据集，基于所述第二空闲任务数据集和多个不同目标频率的第二控制任务数据集训练频率识别算法；
在在线分类阶段：
实时采集大脑额区和枕区的脑电信号；
用训练好的注意力检测算法对所述实时采集的额区的脑电信号进行处理，得到第一分类结果和第一置信度；
用训练好的频率识别算法对所述实时采集的枕区的脑电信号进行处理，得到第二分类结果和第二置信度；
根据所述第一置信度和所述第二置信度对所述第一分类结果和所述第二分类结果进行融合，得到异步分类方法的最终输出结果。
2.根据权利要求1所述的方法，其特征在于，所述离线试验包括：控制任务和空闲任务分别进行n组试验，每组包含20次试验；n为大于1的整数；
在每次试验开始后，被试首先进行短暂的休息；休息2秒后，由系统随机指示本次试验的目标刺激源，并提醒被试准备进行试验；1秒后所有目标刺激源同时开始闪烁，在控制任务中被试需要在3秒内注视目标刺激源并尽量不要眨眼和移动头部，在空闲任务中被试可以进行除注视刺激源以外的任意活动；采集整个试验过程中的额区和枕区脑电数据。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一控制任务数据集和所述第一空闲任务数据集训练注意力检测算法，包括：
将所述额区离线数据集划分为第一空闲任务数据集和第一控制任务数据集；
采用注意力检测算法处理所述第一空闲任务数据集，提取空闲任务下的注意力指数特征，构建第一特征向量集；
采用注意力检测算法处理所述第一控制任务数据集，提取控制任务下的注意力指数特征构，构建第二特征向量集；
使用所述第一特征向量集和所述第二特征向量集训练支持向量机分类器，得到训练好的注意力检测算法；
相应地，所述用训练好的注意力检测算法对所述实时采集的额区的脑电信号进行处理，得到第一分类结果和第一置信度包括：
使用训练好...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。