一种基于卷积神经网络的P300脑电信号检测方法

摘要

本发明公开了一种基于卷积神经网络的P300脑电信号检测方法，用于脑-计算机接口分类算法中，可以有效的解决传统分类算法存在的小样本问题，同时提高分类准确率。该方法借鉴图像识别领域的思想，充分利用卷积神经网络的局部感受野与权值共享思想，将典型的P300脑电信号采集样本类比为特征图像，通过不断的卷积过程提取样本特征，通过下采样过程进行特征映射，不断进行特征提取与特征映射，使样本特征更加简单化，同时局部感受野与权值共享的应用，极大的减小了网络权重参数与计算复杂度，有利于算法的推广。通过实验结果可知，本发明采用的方法有效的提高了分类准确率，增加了系统稳定性，具有较好的应用前景。

主权项

一种基于卷积神经网络的P300脑电信号检测方法，具体步骤如下：(1)通过6×6的视觉刺激器产生P300脑电信号，利用EPOC设备获取信号并采用6阶Butterworth滤波器其进行预处理，获取6‑15Hz内的低频信号；(2)随机打乱原始样本，将采样得到的五维信号重构为常见的两维矩阵信号，通过加权平均增大信噪比，减少噪声对信号的影响；(3)设计网络结构，选用一个输入层、两个卷积层、两个下采样层、一个全连接层以及一个输出层，卷积核大小为5×5，下采样层大小为2×2；(4)训练网络，采用平方误差代价函数N代表样本个数，c代表样本类数，表示第n个样本对应标签的第k维，表示第n个样本对应网络输出的第k个输出，循环执行以下操作：如果该层为卷积层，用大小为5×5、步长为1的卷积核对上层进行卷积操作，提取样本特征，然后加上本层偏置b_x，并通过Relu激活函数后作为下层输出；如果该层为下采样层，将相邻四个像素点进行加权求和，然后通过权重参数W_x+1相乘，加上本层偏重b_x+1,通过激活函数后作为下层输入；(5)卷积层与下采样层之后便是全连接层，最后得到结果输出，与标准结果相减得到误差代价函数，进行后向传播方法；(6)测试网络，加入测试数据以及标签，对输出结果进行分析。