一种SSVEP的分类识别方法、系统、设备及介质技术方案

本发明专利技术公开了一种SSVEP的分类识别方法、系统、设备及介质，所述方法包括以下步骤：构建DLCCA算法；采用DLCCA算法融合全连接神经网络进行SSVEP数据的分类；进行SSVEP数据的分类时，基于全连接神经网络进行输入变量的转化，转化后基于DLCCA算法进行分类识别；本发明专利技术能够构建DLCCA，并基于DLCCA解决多模态数据分类问题，基于DLCCA能够保证较高的分类准确率以及较高的信息传输速率，能够适用于非线性数据的有效分析，提升了SS VEP分类分析方案的普适性和适用性，弥补了现有技术的缺陷，具有较高的应用价值。

【技术实现步骤摘要】

本专利技术涉及神经科学，具体的，本专利技术应用于情绪诱发的ssvep识别领域，特别是涉及一种ssvep的分类识别方法、系统、设备及介质。

技术介绍

1、目前，稳态视觉诱发电位脑机接口的方法主要包括：功率谱密度分析方法、典型相关分析方法以及多变量同步指数方法；其中，功率谱密度分析方法对ss vep(稳态视觉诱发电位)信号分类的准确率偏低，受噪声影响波动较大，稳定性较差；因此，现有方案中通常采用典型相关分析(cca算法)进行ssvep信号的分类识别。

2、具体的，典型相关分析(canonical correlation analysis，cca)是一种用于分析两组变量之间关联性的多元统计技术；其目标是找到两组变量之间的线性组合，以使得这些组合之间的相关性最大；但是，cca属于一种线性方法，其进行ssvep分析时，由于需要提前了解刺激频率等因素，导致cca在处理多频率、谐波干扰或非线性成分时可能表现不佳；因此，cca对于非线性关系数据的分析效果有限；然而实际应用中，真实的脑电信号中不可避免的会存在非线性问题。

3、当然，现有技术中通过拓展本文档来自技高网...

【技术保护点】

1.一种SSVEP的分类识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种SSVEP的分类识别方法，其特征在于：

3.根据权利要求2所述的一种SSVEP的分类识别方法，其特征在于：

4.根据权利要求3所述的一种SSVEP的分类识别方法，其特征在于：

5.根据权利要求4所述的一种SSVEP的分类识别方法，其特征在于：

6.根据权利要求5所述的一种SSVEP的分类识别方法，其特征在于：

7.一种SSVEP的分类识别系统，其特征在于，包括：算法构建模块和分类识别模块；

8.根据权利要求7所述的一...

【技术特征摘要】

1.一种ssvep的分类识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种ssvep的分类识别方法，其特征在于：

3.根据权利要求2所述的一种ssvep的分类识别方法，其特征在于：

4.根据权利要求3所述的一种ssvep的分类识别方法，其特征在于：

5.根据权利要求4所述的一种ssvep的分类识别方法，其特征在于：

6.根据权利要求5所述的一种ssvep的分类识别方法，其特征在于：

7.一种ssvep的分...

【专利技术属性】
技术研发人员：范晶晶，龙舟，闫佳庆，张晓明，刘军，李莉，黄烟平，
申请(专利权)人：江苏智能无人装备产业创新中心有限公司，
类型：发明
国别省市：