一种提高P300拼写器性能的方法技术

本发明专利技术提供了一种提高P300拼写器性能的方法。所述方法如下：对P300拼写器的信号数据集进行预处理得到样本集；将样本集进行主成分分析特征提取，得到特征集；将特征集通过动态收敛微分神经网络进行识别分类，得到的若干个神经网络识别分类输出值；将若干个神经网络识别分类输出值进行集成平均得到P300拼写器的信号分类结果；将P300拼写器的信号分类结果结合P300拼写器的拼写界面得到最终的拼写字符。本发明专利技术使用神经动力学公式进行参数矩阵的更新，具有更好的收敛性的同时拥有更快的收敛速度。本发明专利技术采用滑动平均滤波来优化信号，本发明专利技术使用自主构建的动态收敛微分神经网络替代原有的SVM分类器，提高信号分类准确率和处理速度。速度。速度。

【技术实现步骤摘要】
一种提高P300拼写器性能的方法


[0001]本专利技术涉及脑电信号识别控制领域，特别涉及一种提高P300拼写器性能的方法。

技术介绍

[0002]在脑机接口系统中，脑电图(EEG)信号应用于身体残疾、脑损伤或其他运动障碍的人。目前，无创BCI系统一般基于感觉运动节律(SMR)、慢皮层电位 (SCP)和P300事件相关电位(ERP)。在上述信号中，P300信号在BCI中有着广泛的应用，如拼写器、神经反馈训练工具、脑控移动平台。P300信号在拼写器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-computerinterface application using PCA and ensemble of weighted SVMs,"IETE Journal ofResearch,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，提供了一种提高P300拼写器性能的方法。
[0005]本专利技术的目的至少通过如下技术方案之一实现。
[0006]一种提高P300拼写器性能的方法，包括如下步骤：
[0007]S1、对P300拼写器的信号数据集进行预处理得到样本集；
[0008]S2、将步骤S1中得到的样本集进行主成分分析特征提取，得到特征集；
[0009]S3、将步骤S2中得到的特征集通过动态收敛微分神经网络进行识别分类，得到的若干个神经网络识别分类输出值；
[0010]S4、将步骤S3中得到的若干个神经网络识别分类输出值进行集成平均得到 P300拼写器的信号分类结果；
[0011]S5、将步骤S4中得到的P300拼写器的信号分类结果结合P300拼写器的拼写界面得到最终的拼写字符。
[0012]进一步地，步骤S1中，所述预处理包括时间窗截取、带通滤波、滑动平均滤波和训练集平衡，具体包括以下步骤：
[0013]首先对采集得到的信号设定0～667ms的时间窗来捕捉视觉刺激后300ms出现的P300信号正峰，然后对此时间段的信号进行带通滤波和滑动平均滤波，最后对正负类不平衡的训练集以排列组合方式做平衡处理，得到样本集。
[0014]进一步地，步骤S2中，对样本集进行主成分分析提取关键特征，得到特征集，减少数据维度。
[0015]进一步地，步骤S3中，动态收敛微分神经网络为三层前馈网络，网络的输入为x
i
(i＝1,2,...,m)，其中m为输入层神经元的数量；隐含层的输入输出关系表示为：
[0016][0017]O
h
(j)＝g(I
h
(j)),j＝1,2,...,n；
[0018]式中，n为隐含层神经元个数，v
ij
、b
h
(j)分别为第j个神经元的权值和偏置；隐含层激活函数采用softsign函数，即：
[0019]g(x)＝x/(1+|x|).；
[0020]输出层的输入和输出表示为：
[0021][0022]O
o
(r)＝f(I
o
(r)),r＝1,2,...,p；
[0023]式中，p为输出层神经元数量，w
jr
、b
o
(r)分别为第r个神经元的权值和偏置；f(
·
)作为输出层的激活函数，也使用了softsign激活函数；
[0024]为了更好地表示得到的状态方程，定义了一些新的符号，具体如下：
[0025]X＝(x1,x2,...,x
m
,1)
T
[0026]表示网络的输入；
[0027][0028]表示输入层与隐含层之间的权值矩阵；
[0029][0030]表示隐含层与输出层之间的权值矩阵；
[0031]H＝(O
h
(1),...,O
h
(j),...,O
h
(n),1)
T
[0032]表示隐含层的输出；
[0033]O＝(O
o
(1),...,O
o
(r),...,O
o
(p),1)
T
[0034]表示输出层的输出。
[0035]进一步地，动态收敛微分神经网络需要通过如下三个步骤构建：
[0036]S3.1、定义向量误差函数ε(t)＝f(W(t)H(t))-Y＝O(t)-Y，其中Y为样本集的标签，H(t)＝g(V(t)X)为隐含层的输出；
[0037]S3.2、为使误差收敛于零，选取神经动力学公式其中，设计参数
为λ＞0，具体根据实验的需要适当设置，Φ(
·
)代表一个单调递增的奇激活函数；
[0038]S3.3、根据向量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其中H(t)＝g(V(t)X)为隐含层的输出；由于所有的计算都是在计算机中进行的，所以需要上述所有变量的离散形式，具体包括H(t)被定义为H(k)：
[0039][0040]式中k为迭代历元和步长Δk＝1；
[0041]为了计算权矩阵V(k)和W(k)，利用控制变量法交替得到权矩阵V(k)和 W(k)。
[0042]进一步地，利用控制变量法交替得到权矩阵V(k)和W(k)，包括以下步骤：
[0043]S3.3.1、假设V(k)是相邻迭代中的一个恒定向量，W(k+1)的更新过程如下：
[0044][0045]W(k+1)＝W(k)+ΔW(k)；
[0046]式中H
+
(k)为H(k)的伪逆；
[0047]S3.3.2、固定则V(k+1)的更新过程如下：
[0048][0049]V(k+1)＝V(k)+ΔV(k)；
[0050]式中X
+
为网络输入X的伪逆，W
+
(k)为W(k)的伪逆。
[0051]进一步地，步骤S4中，采用集成分类器的方法消除分类器变异性，具体通过集成平均方法将每个分类器即动态收敛微分神经网络的输出进行平均，得到一个稳定输出即P300拼写器的信号分类结果。
[0052]进一步地，步骤S5中，通过P300拼写器的信号分类结果中最大的两个值确定预测字符的行和列，结合P300拼写界面得到预测字符。
[0053]相比于现有技术，本专利技术的优点在于：
[0054]本专利技术使用神经动力学公式进行参数矩阵的更新，且整个神经网络只包含一层隐藏层，因此具有更好的收敛性的同时拥有更快的收敛速度。本专利技术采用滑动平均滤波来优化信号，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提高P300拼写器性能的方法，其特征在于，包括如下步骤：S1、对P300拼写器的信号数据集进行预处理得到样本集；S2、将步骤S1中得到的样本集进行主成分分析特征提取，得到特征集；S3、将步骤S2中得到的特征集通过动态收敛微分神经网络进行识别分类，得到的若干个神经网络识别分类输出值；S4、将步骤S3中得到的若干个神经网络识别分类输出值进行集成平均得到P300拼写器的信号分类结果；S5、将步骤S4中得到的P300拼写器的信号分类结果结合P300拼写器的拼写界面得到最终的拼写字符。2.根据权利要求1所述的一种提高P300拼写器性能的方法，其特征在于，步骤S1中，所述预处理包括时间窗截取、带通滤波、滑动平均滤波和训练集平衡，具体包括以下步骤：首先对采集得到的信号设定0～667ms的时间窗来捕捉视觉刺激后300ms出现的P300信号正峰，然后对此时间段的信号进行带通滤波和滑动平均滤波，最后对正负类不平衡的训练集以排列组合方式做平衡处理，得到样本集。3.根据权利要求2所述的一种提高P300拼写器性能的方法，其特征在于，步骤S2中，对样本集进行主成分分析提取关键特征，得到特征集，减少数据维度。4.根据权利要求3所述的一种提高P300拼写器性能的方法，其特征在于，步骤S3中，动态收敛微分神经网络为三层前馈网络，网络的输入为x
i
(i＝1,2,...,m)，其中m为输入层神经元的数量；隐含层的输入输出关系表示为：O
h
(j)＝g(I
h
(j)),j＝1,2,...,n；式中，n为隐含层神经元个数，v
ij
、b
h
(j)分别为第j个神经元的权值和偏置；隐含层激活函数采用softsign函数，即：g(x)＝x/(1+|x|).；输出层的输入和输出表示为：O
o
(r)＝f(I
o
(r)),r＝1,2,...,p；式中，p为输出层神经元数量，w
jr
、b
o
(r)分别为第r个神经元的权值和偏置；f(
·
)作为输出层的激活函数，也使用了softsign激活函数；为了更好地表示得到的状态方程，定义了一些新的符号，具体如下：X＝(x1,x2,...,x
m
,1)
T
表示网络的输入；

【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：