一种基于DNN-ISR-WTC的SSVEP异步跨被试脑电识别方法技术

本发明专利技术公开一种基于DNN‑ISR‑WTC的SSVEP异步跨被试脑电识别方法，包括：使用深度神经网络DNN结构，针对任务态数据，使用标准数据集训练形成任务态DNN模型集合；针对空闲态数据，使用四种空闲态实验范式采集空闲态数据，得到空闲态数据集，训练得到空闲态DNN模型集合。状态判断：使用空闲态识别ISR策略，对每组测试数据，计算其与空闲态模型集合和标准频率模板间的相关度矩阵，判断当前状态。使用权重模型集合分析WTC策略，基于任务态DNN模型集合计算其匹配度和相关度矩阵，进而得到权重集合，加权计算后预测被试注视目标。本发明专利技术通过使用DNN网络结构进行训练建模，提升算法跨被试性能，通过使用ISR空闲态识别策略，实现SSVEP异步识别，二者结合实现SSVEP异步跨被试识别解码。

【技术实现步骤摘要】

本专利技术涉及脑电识别算法，尤其涉及一种基于dnn-isr-wtc的ssvep异步跨被试脑电识别方法。

技术介绍

1、脑机接口(brain-computerinterface,bci)是一种以大脑产生的脑电信号(electroencephalograph,eeg)为基础，直接在人脑与计算机或者其它设备之间建立信息通道的技术。稳态视觉诱发电位脑机接口是一种典型的脑机接口范式，其原理是人的大脑会对特定频率刺激产生反应，并生成稳态视觉诱发电位信号，通过分析这种电位信号，ssvep-bci可以准确地识别出用户当前所注视的目标。相较于其他几种脑机接口范式，如运动想象和p300，ssvep-bci具有简单易用、高信噪比和高信息传输率等优势。

2、目前典型的ssvep-bci解码算法可分为有训练算法和无训练算法，但二者均存在一些问题，有训练ssvep-bci解码算法需要对同一被试的脑电数据进行训练，形成个性化的脑电模型，从而进行解码分析，但该方法在针对不同被试时存在一定的局限性，且训练阶段过于繁琐很难满足实用需求；而传统的无训练算法大多使用人工正余弦模板作为本文档来自技高网...

【技术保护点】

1.一种基于DNN-ISR-WTC的SSVEP异步跨被试脑电识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于DNN-ISR-WTC的SSVEP异步跨被试脑电识别方法，其特征在于，所述构建网络模型的步骤中，所述DNN网络结构包括四个卷积层和一个全连接层；

3.根据权利要求1所述的基于DNN-ISR-WTC的SSVEP异步跨被试脑电识别方法，其特征在于，所述构建网络模型的步骤中，

4.根据权利要求1所述的基于DNN-ISR-WTC的SSVEP异步跨被试脑电识别方法，其特征在于，所述构建网络模型的步骤中，所述四种空闲态实验范式采集空闲态数据...

【技术特征摘要】

1.一种基于dnn-isr-wtc的ssvep异步跨被试脑电识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于dnn-isr-wtc的ssvep异步跨被试脑电识别方法，其特征在于，所述构建网络模型的步骤中，所述dnn网络结构包括四个卷积层和一个全连接层；

3.根据权利要求1所述的基于dnn-isr-wtc的ssvep异步跨被试脑电识别方法，其特征在于，所述构建网络模型的步骤中，

4.根据权利要求1所述的基于dnn-isr-wtc的ssvep异步跨被试脑电识别方法，其特征在于，所述构建网络模型的步骤...

【专利技术属性】
技术研发人员：杨帮华，张佳杨，竭荣昕，张永怀，
申请(专利权)人：上海韶脑传感技术有限公司，
类型：发明
国别省市：