一种基于动态逆学习网络的提高脑机接口性能的方法技术

本发明专利技术提供了一种基于动态逆学习网络的提高脑机接口性能的方法。所述方法包括如下步骤：对采集的P300信号进行预处理及特征提取得到数据集；将得到的数据集构建对应的动态逆学习网络进行训练、识别和分类；将构建的动态逆学习网络对待测P300信号输出的类别概率进行均值处理，进而得到待测P300信号分类结果；将得到的识别分类结果结合P300拼写器界面得到最终的拼写字符。本发明专利技术采用预处理和特征提取、神经网络模型识别分类以及集成平均后结合P300拼写界面进行字符识别。在第二届BCI竞赛数据集IIb和第三届的BCI竞赛数据集II上，分别实现了100％和98％的准确率。实现了100％和98％的准确率。实现了100％和98％的准确率。

【技术实现步骤摘要】
一种基于动态逆学习网络的提高脑机接口性能的方法


[0001]本专利技术涉及脑电信号识别控制领域，特别涉及一种基于动态逆学习网络的提高脑机接口性能的方法。

技术介绍

[0002]脑机接口系统致力于为运动障碍患者建立一个简单、直接的交流平台。视觉刺激是从大脑活动中获取行为意向的有效途径。被试者由于受到视觉刺激，会产生P300信号，比其他脑电图信号更容易被检测到。一般来说，字符拼写被认为是一项具有挑战性的研究，需要较高的准确性和信息传输率。而P300信号在字符拼写中面临的主要挑战是低信噪比、高维数、分类器变异性以及过拟合问题导致分类困难。
[0003]现有的系统中(S.Kundu and S.Ari,"P300 detection with brain-computer interface application using PCA and ensemble of weighted SVMs,"IETE Journal of Research,vol.64,no.3,pp.406-414,2018.)预处理采用降采样的方法对原始信号进行处理，容易导致信号失真。

技术实现思路

[0004]本专利技术的目的在于克服一般技术的不足，提供了一种基于动态逆学习网络的提高脑机接口性能的方法。
[0005]本专利技术的目的至少通过如下技术方案之一实现。
[0006]一种基于动态逆学习网络的提高脑机接口性能的方法，包括如下步骤：
[0007]S1、对采集的P300信号进行预处理及特征提取得到数据集；
[0008]S2、将步骤S1中得到的数据集构建对应的动态逆学习网络进行训练、识别和分类；
[0009]S3、将步骤S2中构建的动态逆学习网络对待测P300信号输出的类别概率进行均值处理，进而得到待测P300信号分类结果；
[0010]S4、将步骤S3中得到的识别分类结果结合P300拼写器界面得到最终的拼写字符。
[0011]进一步地，步骤S1包括以下步骤：
[0012]S1.1、通过预先设定的时间窗来捕捉P300信号发生时刻；
[0013]S1.2、然后对时间窗内捕捉的信号进行带通滤波筛选P300信号频段，以及通过滑动平均滤波减少信号维度；
[0014]S1.3、针对训练数据集的不平衡正负类做平衡处理，基于所有的P300信号正样本和随机的若干个非P300信号负样本构建单一数据集，为了减少分类器的可变性，所有原始训练数据的可能组合被使用；
[0015]S1.4、对步骤S1.3中构建的数据集进行主成分分析降维处理。
[0016]进一步地，步骤S2中，所述动态逆学习网络为三层前馈网络，动态逆学习网络的输入为x
i
(i＝1,2,
…
,m)，其中m为数据集特征维度；隐含层输出为,m)，其中m为数据集特征维度；隐含层输出为其中v
ji
、b
j
分别为第j个隐含层神经元的权重和偏置，g(
·
)为softsign激活函数；输出层输
出为其中w
rj
表示输出层第r个神经元的权重，p表示样本类别数；
[0017]为了更好地表示网络模型，定义新符号，具体如下：
[0018]X＝(x1,x2,
…
,x
m
,1)
T
[0019]表示动态逆学习网络的输入；
[0020][0021]表示输入层与隐含层之间的权值矩阵；
[0022][0023]表示隐含层与输出层之间的权值矩阵；
[0024]H＝(h1,h2,
…
,h
n
)
T
[0025]表示隐含层的输出；
[0026]O＝(y1,y2,
…
,y
p
)
T
[0027]表示输出层的输出。
[0028]进一步地，动态逆学习网络的构建包括以下步骤：
[0029]S2.1、定义误差函数：
[0030]e(t)＝W2(t)H(t)-Y＝O(t)-Y；
[0031]其中，H(t)＝g(W1(t)X)为隐含层输出，O(t)为输出层输出，X、Y分别为样本集的特征和标签，W1(t)、W2(t)分别为输入层和隐含层之间的权重以及隐含层和输出层之间的权重，g(
·
)为隐含层激活函数；W1(t)、W2(t)、H(t)和O(t)是显式时间t下的矩阵W1、W2、H和O，该学习算法的目标是通过修正权矩阵W1(t)和W2(t)来最小化误差e(t)；
[0032]S2.2、为使误差e(t)收敛并趋近于零，选取神经动力学公式，具体如下：
[0033][0034]其中，Φ(
·
)为误差激活函数，设计参数λ＞0，具体根据实验的需要设置；
[0035]S2.3、根据误差函数和神经动力学公式，得到隐式动力学方程的神经动力学模型，具体如下：
[0036][0037]其中，分别为W1(t)、H(t)的导数形式；
[0038]S2.4、固定步骤S3中的神经动力学模型可以转换成：
[0039][0040]其中，I(t)＝W1(t)X；因此可以得到：
[0041][0042]由于计算机的限制，所有变量均进行离散化，经过离散化之后，W1(k)(Δk＝1)，由此可以得出输入层和隐含层之间的权重W1的迭代公式：
[0043]W1(k+1)＝W1(k)+ΔW1(k)；
[0044]S2.5、对于隐含层和输出层之间的权重W2，采用伪逆法求解迭代值，其迭代公式为：
[0045]W2(k+1)＝YH
+
(k)；
[0046]其中，H
+
(k)为隐含层输出H(k)的伪逆。
[0047]进一步地，步骤S3中，将待测P300信号输入到所有的分类器即动态逆学习网络中，然后对分类器的得分即待测P300信号的类别概率进行集成平均，降低分类器之间的差异性，使输出稳定。
[0048]进一步地，步骤S4中，选择分类器输出中最大的两个值，结合P300拼写器界面，判断预测字符的行和列，具体如下：
[0049]每个周期之后，所有行和列的输出分数s
l
都由第l个分类器计算，将所有分类器的平均分数Q
r|c
定义为：
[0050][0051]其中，L和J分别表示分类器的数量和周期数，表示第j个epoch中主成分分析后所有行和列的测试集；则字符的位置可以确定如下：
[0052][0053][0054]其中C
pos
和R
pos
分别表示预测字符的列号和行号，其交叉位置即为预测字符。
[0055]相比于现有技术，本专利技术的优点在于：
[0056]本专利技术使用神经动力学方法和伪逆法进行参数矩阵的更新，且整个神经网络只包含一层隐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态逆学习网络的提高脑机接口性能的方法，其特征在于，包括如下步骤：S1、对采集的P300信号进行预处理及特征提取得到数据集；S2、将步骤S1中得到的数据集构建对应的动态逆学习网络进行训练、识别和分类；S3、将步骤S2中构建的动态逆学习网络对待测P300信号输出的类别概率进行均值处理，进而得到待测P300信号分类结果；S4、将步骤S3中得到的识别分类结果结合P300拼写器界面得到最终的拼写字符。2.根据权利要求1所述的一种基于动态逆学习网络的提高脑机接口性能的方法，其特征在于，步骤S1包括以下步骤：S1.1、通过预先设定的时间窗来捕捉P300信号发生时刻；S1.2、然后对时间窗内捕捉的信号进行带通滤波筛选P300信号频段，以及通过滑动平均滤波减少信号维度；S1.3、针对训练数据集的不平衡正负类做平衡处理，基于所有的P300信号正样本和随机的若干个非P300信号负样本构建单一数据集，为了减少分类器的可变性，所有原始训练数据的可能组合被使用；S1.4、对步骤S1.3中构建的数据集进行主成分分析降维处理。3.根据权利要求1所述的一种基于动态逆学习网络的提高脑机接口性能的方法，其特征在于，步骤S2中，所述动态逆学习网络为三层前馈网络，动态逆学习网络的输入为x
i
(i＝1,2,
…
,m)，其中m为数据集特征维度；隐含层输出为其中v
ji
、b
j
分别为第j个隐含层神经元的权重和偏置，g(
·
)为softsign激活函数；输出层输出为出为其中w
rj
表示输出层第r个神经元的权重，p表示样本类别数；为了更好地表示网络模型，定义新符号，具体如下：X＝(x1,x2,
…
,x
m
,1)
T
表示动态逆学习网络的输入；表示输入层与隐含层之间的权值矩阵；表示隐含层与输出层之间的权值矩阵；H＝(h1,h2,
…
,h
n
)
T
表示隐含层的输出；O＝(y1,y2,
…
,y
p
)
T
表示输出层的输出。4.根据权利要求3所述的一种基于动态逆学习网络的提高脑机接口性能的方法，其特征在于，动态逆学习网络的构建包括以下...

【专利技术属性】
技术研发人员：张智军，孙健声，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：