基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的事件相關(guān)電位識(shí)別方法

于鴻偉,謝俊,何柳詩(shī),楊育喆,張煥卿,徐光華

(西安交通大學(xué)機(jī)械工程學(xué)院,710049,西安)

腦機(jī)接口(BCI)是一種不借助外周神經(jīng)通路而使大腦與外界直接交互的技術(shù)[1]。基于腦電信號(hào)的腦機(jī)接口應(yīng)用可以采用多種腦電形式,包括穩(wěn)態(tài)視覺(jué)誘發(fā)電位(SSVEP)和事件相關(guān)電位(ERP)等[2]。ERP是由一系列的特定刺激誘發(fā)的瞬態(tài)大腦響應(yīng),反應(yīng)了大腦對(duì)物理刺激的加工機(jī)制。ERP主要由易受刺激物理特性影響的外源性成分如P1、N1、P2等,和不易受刺激物理特性影響的內(nèi)源性成分如N2、P3(或稱P300)等組成。目前研究最多、最廣泛的是P300電位[3],對(duì)于ERP的檢測(cè)也大多是檢測(cè)其是否包含P300成分。但是,ERP信號(hào)具有個(gè)體差異性強(qiáng)、信噪比低等特點(diǎn),導(dǎo)致其檢測(cè)困難[4]。

預(yù)處理、特征提取和識(shí)別分類是ERP腦電信號(hào)處理的重要內(nèi)容,并得到了廣泛深入的研究[5]。傳統(tǒng)的ERP信號(hào)處理一般通過(guò)手動(dòng)提取腦電信號(hào)中的頻域或時(shí)頻域特征信息,然后對(duì)提取到的特征進(jìn)行有監(jiān)督分類的方式來(lái)實(shí)現(xiàn)[6]。為了準(zhǔn)確判斷腦電信號(hào)中是否含有P300成分,研究者們已經(jīng)提出多種方法,如獨(dú)立分量分析(ICA)、支持向量機(jī)(SVM)、逐步線性判別分析(SWLDA)、貝葉斯線性判別分析(BLDA)、xDAWN等算法。文獻(xiàn)[7]利用ICA對(duì)疊加后的腦電信號(hào)進(jìn)行去平均和白化處理,從而達(dá)到快速提取P300成分的目的,但是該方法需要對(duì)多次視覺(jué)刺激下的腦電信號(hào)進(jìn)行平均處理,因而限制了其實(shí)用性。文獻(xiàn)[8]利用SVM算法對(duì)第二屆國(guó)際BCI競(jìng)賽公開(kāi)數(shù)據(jù)集中的Data Set IIb數(shù)據(jù)集進(jìn)行分類,該方法雖然可以用低通道數(shù)和高傳輸速率完成分類,但是分類準(zhǔn)確率有待提升。文獻(xiàn)[9]顯示SWLDA算法在基于P300特征的BCI中得到了成功的應(yīng)用。文獻(xiàn)[10]利用BLDA算法對(duì)第三屆國(guó)際BCI競(jìng)賽公開(kāi)數(shù)據(jù)集中的Data Set IIb數(shù)據(jù)集進(jìn)行分類并獲得了較高的準(zhǔn)確率。SWLDA和BLDA算法相比非線性分類方法具有較低的計(jì)算復(fù)雜度和不易過(guò)擬合的優(yōu)點(diǎn),但兩個(gè)算法都需要手動(dòng)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和特征提取,并且預(yù)處理和特征提取的好壞直接影響最終的分類效果。xDAWN是針對(duì)時(shí)間鎖定、相位鎖定的ERP信號(hào)的特征提取算法,多與其他的分類算法配合使用[11],文獻(xiàn)[12]顯示xDAWN算法能夠提升線性判別分析(LDA)等分類算法對(duì)于ERP信號(hào)的分類性能,然而該算法只考慮了ERP信號(hào)的空域信息,沒(méi)有考慮時(shí)域內(nèi)的信息。

相對(duì)于傳統(tǒng)的特征提取方法,深度學(xué)習(xí)可以自動(dòng)挖掘信號(hào)更深層次的特征,能夠避免信息丟失,目前已廣泛應(yīng)用于腦機(jī)接口的分類辨識(shí)中[13]。文獻(xiàn)[14]首次把卷積神經(jīng)網(wǎng)絡(luò)(CNN)應(yīng)用到P300信號(hào)的檢測(cè)中,并且取得了較高準(zhǔn)確率。基于該研究,文獻(xiàn)[15]在訓(xùn)練中引入批量標(biāo)準(zhǔn)化方法,進(jìn)一步提高了網(wǎng)絡(luò)對(duì)P300信號(hào)的識(shí)別正確率。上述研究表明,CNN算法可以在ERP腦電信號(hào)識(shí)別分類中取得較好的效果,但是由于ERP腦電信號(hào)具有個(gè)體差異性強(qiáng)、信噪比低,以及腦電數(shù)據(jù)量往往過(guò)少等特點(diǎn),CNN算法往往會(huì)出現(xiàn)過(guò)擬合現(xiàn)象,目前應(yīng)用于腦電信號(hào)識(shí)別的CNN算法均面臨這個(gè)問(wèn)題。

為了解決因ERP信號(hào)單次信噪比低,個(gè)體差異性大,一般需要多次疊加以增強(qiáng)信噪比才能實(shí)現(xiàn)瞬態(tài)電位有效辨識(shí)以及使用CNN對(duì)小樣本腦電分類易產(chǎn)生過(guò)擬合等問(wèn)題。本文使用深度學(xué)習(xí)中的經(jīng)典算法,即CNN算法,并將SVM融入算法模型中,通過(guò)引入深度學(xué)習(xí)的模型優(yōu)化技術(shù),提出適于腦電信號(hào)的CNN-SVM深度卷積神經(jīng)網(wǎng)絡(luò)模型。模型直接作用于濾波后的原始腦電信號(hào)[16],自適應(yīng)地從原始數(shù)據(jù)中逐層學(xué)習(xí)信號(hào)特征,并結(jié)合具有結(jié)構(gòu)風(fēng)險(xiǎn)最小化的SVM算法實(shí)現(xiàn)不同信號(hào)的精細(xì)化識(shí)別。最終分類結(jié)果表明本文所提出的組合分類器方法對(duì)ERP信號(hào)分類的準(zhǔn)確率有明顯的提升。

1 CNN與SVM相結(jié)合的混合模型

考慮到腦電信號(hào)是一種非平穩(wěn)信號(hào),其個(gè)體差異性較大,再者對(duì)于ERP信號(hào)在單次實(shí)驗(yàn)中與背景腦電信號(hào)存在較小差異的特點(diǎn),這些因素的存在都給ERP信號(hào)的有效分類帶來(lái)了困難。現(xiàn)已知CNN中的卷積和池化等操作相當(dāng)于對(duì)信號(hào)進(jìn)行了特征工程,之后將提取到的特征送到全連接層進(jìn)行分類。全連接層類似于多層感知機(jī),而多層感知機(jī)對(duì)于線性可分的數(shù)據(jù)集來(lái)說(shuō),存在無(wú)窮多個(gè)超平面,其優(yōu)化目標(biāo)是經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化,這勢(shì)必會(huì)導(dǎo)致分類的泛化能力較差。SVM的超平面是距離各個(gè)類別樣本點(diǎn)最遠(yuǎn)的平面[17],SVM與多層感知機(jī)最大的不同在于其不僅關(guān)注訓(xùn)練的誤差,還關(guān)注期望的損失,是一種使結(jié)構(gòu)風(fēng)險(xiǎn)最小化的分類算法,其泛化能力勢(shì)必會(huì)比以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的多層感知器強(qiáng)。因此,針對(duì)ERP信號(hào)的特點(diǎn),以及CNN和SVM各自的分類優(yōu)勢(shì),本文提出一種CNN結(jié)合SVM的腦電信號(hào)辨識(shí)算法,具體為首先通過(guò)先時(shí)域后空域卷積的時(shí)空分離卷積的CNN結(jié)構(gòu)來(lái)對(duì)ERP信號(hào)進(jìn)行識(shí)別,然后將自動(dòng)識(shí)別到的特征送入到SVM進(jìn)行分類,以實(shí)現(xiàn)對(duì)ERP微弱腦電信號(hào)更加準(zhǔn)確的辨識(shí)效果。ERP信號(hào)辨識(shí)流程如圖1所示。

圖1 包含對(duì)照算法和混合模型算法的ERP信號(hào)辨識(shí)流程

1.1 傳統(tǒng)CNN模型

CNN由輸入層、卷積層、池化層、全連接層和輸出層組成[18]。通過(guò)增加卷積層和池化層,還可以得到更深層次的網(wǎng)絡(luò),其后的全連接層也可以采用多層結(jié)構(gòu)。通常CNN可以看成由兩部分組成,一部分是由輸入層、卷積層、池化層組成的特征提取器;另一部分是由全連接層和輸出層組成的分類器。在本文中,這種傳統(tǒng)CNN模型作為對(duì)照算法來(lái)對(duì)相同數(shù)據(jù)集進(jìn)行分類。

CNN中的卷積操作可以看作是輸入樣本和卷積核的內(nèi)積運(yùn)算

(1)

池化層一般在卷積層之后使用,它通過(guò)池化操作對(duì)輸入的特征向量進(jìn)行降采樣,在實(shí)現(xiàn)數(shù)據(jù)降維的同時(shí)進(jìn)一步突出提取的特征。池化操作通常分為兩種:最大池化和平均池化,池化操作的表達(dá)式如下

(2)

式中,down(·)代表池化函數(shù)。

全連接層中的每個(gè)神經(jīng)元都與池化層的所有神經(jīng)元相連接,負(fù)責(zé)降低池化層的矩陣數(shù)據(jù)維數(shù),處理有鑒別能力的特征,故其作用是對(duì)特征樣本進(jìn)行分類。全連接層的表達(dá)式如下

xl=f(αlxl-1+kl)

(3)

式中:xl、αl、kl表示全連接層第l層的輸出向量、權(quán)重矩陣和偏移向量。

1.2 CNN與SVM混合模型結(jié)構(gòu)

針對(duì)ERP原始信號(hào)兼具時(shí)、頻、空域特征的特點(diǎn),本文設(shè)計(jì)了一種先時(shí)域后空域卷積的時(shí)空分離卷積CNN結(jié)構(gòu),將其與SVM結(jié)合來(lái)對(duì)ERP信號(hào)進(jìn)行識(shí)別。本文采用的CNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,整個(gè)網(wǎng)絡(luò)由5層網(wǎng)絡(luò)組成:第1層為輸入層,輸入濾波后的原始多通道ERP信號(hào),具體輸入樣本矩陣大小為6×240,表示輸入數(shù)據(jù)為6個(gè)通道,240個(gè)采樣點(diǎn),即采樣率為240 Hz下的1 s數(shù)據(jù);第2層、第3層為卷積層,卷積層l2有6個(gè)一維卷積核,主要用來(lái)對(duì)輸入的ERP信號(hào)進(jìn)行時(shí)域?yàn)V波,卷積層l3有12個(gè)一維卷積核,主要用來(lái)對(duì)上一層的輸出進(jìn)行空域卷積;第4層為降采樣層,降采樣層l4采用12個(gè)大小為1×6的卷積核對(duì)l3層的輸出進(jìn)行降采樣處理,降采樣采用平均池化方法,步長(zhǎng)與卷積核大小一致,同時(shí)使用Dropout方法防止過(guò)擬合;第5層為輸出層,此處采用SVM分類器來(lái)解決對(duì)應(yīng)于P300信號(hào)和非P300信號(hào)的二分類問(wèn)題,分類算法采用一對(duì)一分類算法中的投票法,其核函數(shù)采用徑向基核函數(shù),C和Γ采用網(wǎng)格化搜索的方法來(lái)獲取其最優(yōu)值。

1.3 識(shí)別流程

在采用傳統(tǒng)CNN模型作為對(duì)照算法對(duì)相同數(shù)據(jù)集進(jìn)行分類對(duì)比的過(guò)程中,首先對(duì)ERP信號(hào)進(jìn)行濾波處理。由于腦電信號(hào)的頻率范圍主要集中在0.5～30.0 Hz之間,因此可以采用0.1～20.0 Hz的帶通濾波器對(duì)腦電信號(hào)進(jìn)行濾波,僅保留有效的頻率成分。ERP信號(hào)經(jīng)過(guò)濾波后,送入CNN模型進(jìn)行訓(xùn)練,在卷積層利用卷積核對(duì)數(shù)據(jù)的特征進(jìn)行提取,之后通過(guò)降采樣層壓縮數(shù)據(jù)和參數(shù)量來(lái)減小過(guò)擬合。數(shù)據(jù)經(jīng)過(guò)處理后,獲得了信息含量更高的特征。最后,利用Softmax函數(shù)計(jì)算最后輸出被分到每個(gè)類的概率,實(shí)現(xiàn)對(duì)ERP信號(hào)的辨識(shí)。

基于CNN對(duì)照算法的ERP信號(hào)辨識(shí)流程分為以下2個(gè)步驟:

(1)先用0.1～20.0 Hz的帶通濾波器對(duì)腦電數(shù)據(jù)進(jìn)行濾波,之后為P300數(shù)據(jù)和非P300數(shù)據(jù)組成的多通道數(shù)據(jù)集制作標(biāo)簽,并使用留出法將數(shù)據(jù)集隨機(jī)劃分,其中數(shù)據(jù)集的70%為訓(xùn)練集,15%為驗(yàn)證集,15%為測(cè)試集;

(2)進(jìn)行模型訓(xùn)練,將訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)輸入模型,得到訓(xùn)練好的CNN模型,然后實(shí)現(xiàn)對(duì)測(cè)試集數(shù)據(jù)的分類,得到P300信號(hào)識(shí)別結(jié)果。

本文提出的CNN-SVM組合分類器是在訓(xùn)練好的傳統(tǒng)CNN模型的基礎(chǔ)上,再次將濾波后的ERP信號(hào)送入到CNN中,并返回降采樣層相應(yīng)的特征值,將特征值送入到SVM中實(shí)現(xiàn)SVM分類器的訓(xùn)練,由此得到的CNN-SVM混合模型分類準(zhǔn)確率相比傳統(tǒng)CNN模型有著較大的提升。基于CNN-SVM組合分類器的ERP信號(hào)辨識(shí)流程分為以下5個(gè)步驟:

(1)先用0.1～20.0 Hz的帶通濾波器對(duì)腦電數(shù)據(jù)進(jìn)行濾波,之后為P300數(shù)據(jù)和非P300數(shù)據(jù)組成的多通道數(shù)據(jù)集制作標(biāo)簽,并使用留出法將數(shù)據(jù)集隨機(jī)劃分,其中數(shù)據(jù)集的70%為訓(xùn)練集,15%為驗(yàn)證集,15%為測(cè)試集;

(2)進(jìn)行模型訓(xùn)練,將訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)輸入模型,得到訓(xùn)練好的CNN模型;

(3)將全部數(shù)據(jù)集送入CNN模型中,導(dǎo)出降采樣層的特征,將步驟1中70%的訓(xùn)練集和15%的驗(yàn)證集導(dǎo)出的特征作為訓(xùn)練特征,步驟1中15%的測(cè)試集導(dǎo)出的特征作為測(cè)試特征;

(4)SVM的核函數(shù)采用徑向基核函數(shù),C和Γ采用網(wǎng)格化搜索獲取其最優(yōu)值,用以訓(xùn)練SVM模型;

(5)將訓(xùn)練好的CNN-SVM模型用來(lái)對(duì)測(cè)試特征進(jìn)行分類,得到P300信號(hào)識(shí)別結(jié)果。

由于腦電信號(hào)的樣本數(shù)量較小,使用留出法訓(xùn)練模型會(huì)損失一定的樣本信息。故本文對(duì)數(shù)據(jù)集進(jìn)行了10次隨機(jī)劃分,重復(fù)進(jìn)行實(shí)驗(yàn)后取平均值作為最終評(píng)估結(jié)果。

CNN-SVM組合分類器算法具體識(shí)別流程如圖2所示。

圖2 混合模型識(shí)別流程

2 P300標(biāo)準(zhǔn)數(shù)據(jù)集

P300信號(hào)首先由Sutton提出[19]。P300信號(hào)指在一個(gè)小概率刺激后大約300 ms的潛伏期內(nèi)出現(xiàn)的腦電幅值正偏移,如圖3所示。P300檢測(cè)屬于二元分類問(wèn)題:一類對(duì)應(yīng)于一定時(shí)間范圍內(nèi)的P300信號(hào);另一類對(duì)應(yīng)于非P300時(shí)間段內(nèi)的信號(hào)。

圖3 P300和非P300信號(hào)

圖4為P300字符拼寫矩陣[20],它是由Farwell和Donchin在1988年提出并設(shè)計(jì)的P300拼寫器,由26個(gè)英文字母和9個(gè)數(shù)字以及下劃線排列組合成的字符矩陣。隨機(jī)高亮字符矩陣的某一行或某一列代表一次刺激,一次實(shí)驗(yàn)中6行及6列均被高亮一次,總共12次刺激。當(dāng)包括此字符的行或者列被高亮?xí)r,要求受試者對(duì)此刺激做出反應(yīng),此時(shí)會(huì)產(chǎn)生P300波形;當(dāng)不包含此字符的行或者列被高亮?xí)r,受試者不做出反應(yīng),相應(yīng)不產(chǎn)生P300波形。

圖4 P300字符拼寫矩陣[20]

本文使用了3個(gè)公開(kāi)數(shù)據(jù)集,即第二屆國(guó)際BCI競(jìng)賽公開(kāi)數(shù)據(jù)集中的data set IIb[21]和第三屆國(guó)際BCI競(jìng)賽公開(kāi)數(shù)據(jù)集中的data set II的受試者A和B的數(shù)據(jù)集[26]。這3個(gè)數(shù)據(jù)集是由美國(guó)的Wadsworth中心提供,記錄于BCI2000通用平臺(tái),數(shù)據(jù)采集于圖4中的P300拼寫器進(jìn)行的實(shí)驗(yàn),腦電信號(hào)采集于64個(gè)腦電電極,采樣率為240 Hz。實(shí)驗(yàn)過(guò)程中字符矩陣的每一行和每一列高亮狀態(tài)的持續(xù)時(shí)間為100 ms,隨后有75 ms的間歇期,每個(gè)字符都會(huì)閃爍15次,在15次閃爍之后,會(huì)有2.5 s的休息時(shí)間,以通知受試者這個(gè)字符已經(jīng)拼寫完成,并將注意力集中于下一個(gè)字符,具體的實(shí)驗(yàn)流程如圖5所示。

圖5 實(shí)驗(yàn)流程圖

表1顯示了3個(gè)數(shù)據(jù)集包含的P300/非P300信號(hào)的數(shù)量。Ⅱ代表第二屆國(guó)際BCI競(jìng)賽公開(kāi)數(shù)據(jù)集中的data set II,III-A代表第三屆國(guó)際BCI競(jìng)賽公開(kāi)數(shù)據(jù)集中data set II的受試者A的數(shù)據(jù)集,III-B代表受試者B的數(shù)據(jù)集。Ⅱ數(shù)據(jù)集中有42個(gè)字符。每個(gè)字符由12組信號(hào)樣本組成,其中2組默認(rèn)含有P300信號(hào),10組默認(rèn)不含有P300信號(hào)。因此,Ⅱ數(shù)據(jù)集有42×15×2=1 260組標(biāo)簽為“P300信號(hào)”的樣本,有42×15×10=6 300組標(biāo)簽為“非P300信號(hào)”的樣本。Ⅲ-A和Ⅲ-B數(shù)據(jù)集都包含85個(gè)字符,所以它們都包含有85×15×2=2 550組標(biāo)簽為“P300信號(hào)”的樣本,有85×15×10=12 750組標(biāo)簽為“非P300信號(hào)”的樣本。

表1 每個(gè)數(shù)據(jù)集的P300/非P300信號(hào)的數(shù)量

根據(jù)國(guó)際標(biāo)準(zhǔn)10/20系統(tǒng)法,本研究采用的是視覺(jué)區(qū)和頂區(qū)的FCz、C1、Cz、C2、Pz和POz共6個(gè)通道的腦電信號(hào)。數(shù)據(jù)大小為6×240,代表6個(gè)通道持續(xù)采集1 s的數(shù)據(jù)量。

3 辨識(shí)結(jié)果

3.1 P300/非P300識(shí)別準(zhǔn)確性

在CNN-SVM組合分類器的訓(xùn)練階段,對(duì)每個(gè)數(shù)據(jù)集進(jìn)行單獨(dú)訓(xùn)練,輸入樣本矩陣大小為6×240。網(wǎng)絡(luò)的搭建、訓(xùn)練與測(cè)試使用Keras深度學(xué)習(xí)框架,實(shí)驗(yàn)硬件平臺(tái)具體為:CPU型號(hào)為Intel(R)Core(TM)i5-7500 CPU@3.40 GHz,內(nèi)存容量為16 GB,GPU型號(hào)為AMD Radeon R5430。

圖6為利用本文提出的混合模型計(jì)算出的Ⅲ-A的P300信號(hào)識(shí)別準(zhǔn)確率的混淆矩陣,其中圖中的行表示預(yù)測(cè)標(biāo)簽,列表示實(shí)際判別結(jié)果標(biāo)簽。由圖6可以看出,本文提出的CNN-SVM組合分類器算法對(duì)P300信號(hào)的分類準(zhǔn)確率為93.5%,對(duì)非P300信號(hào)的分類準(zhǔn)確率為94.3%,兩類信號(hào)的識(shí)別率均超過(guò)了90%,說(shuō)明CNN-SVM組合分類器能夠較好地完成兩類信號(hào)的分類。

圖6 P300信號(hào)識(shí)別準(zhǔn)確率混淆矩陣

此外,為了驗(yàn)證CNN-SVM組合分類器的有效性,本節(jié)將CNN-SVM組合分類器與SWLDA和BLDA算法在數(shù)據(jù)集Ⅱ、III-A和III-B上獲得的分類精度進(jìn)行了比較,結(jié)果見(jiàn)表2。表中的第1行列出了用于比較的分類算法,第2～4行分別列出了在數(shù)據(jù)集Ⅱ、III-A、III-B上不同分類算法的P300分類精度。

表2 不同分類算法的P300分類精度

由表2可以看出,本文提出的CNN-SVM組合分類器在數(shù)據(jù)集Ⅱ、III-A和III-B上的所有分類算法中的分類精度最高。由于組合分類器使用CNN作為特征提取器,相比手動(dòng)提取腦電信號(hào)中的頻域或時(shí)頻域特征信息,其能夠自動(dòng)挖掘信號(hào)更深層次的特征,避免信息丟失,組合分類器的分類結(jié)果也顯著優(yōu)于本文列舉其他的分類算法。以上結(jié)果說(shuō)明CNN-SVM組合分類器的分類精度相比于經(jīng)典的ERP信號(hào)識(shí)別算法有了較大的提升。

3.2 不同重復(fù)次數(shù)下的P300檢測(cè)精度

對(duì)CNN-SVM組合分類器和傳統(tǒng)CNN算法在數(shù)據(jù)集II、III-A和III-B上的P300檢測(cè)精度進(jìn)行了比較,如圖7～圖9所示。由于在使用較少的重復(fù)次數(shù)的基礎(chǔ)上實(shí)現(xiàn)檢測(cè)精度的提升將有利于提高信息傳輸率[22],從而能夠提高人腦和計(jì)算機(jī)之間的通信速度,因此本研究分析了不同重復(fù)次數(shù)k∈[1,15]下的P300檢測(cè)精度。總體來(lái)說(shuō),CNN-SVM組合分類器比傳統(tǒng)CNN算法能夠獲得更好的識(shí)別精度,CNN-SVM組合分類器的識(shí)別準(zhǔn)確率相比單一CNN算法提高了4.36%。這是因?yàn)槎鄬痈兄獧C(jī)是一種經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的算法,在小樣本上分類容易帶來(lái)過(guò)擬合現(xiàn)象,而SVM是一種結(jié)構(gòu)風(fēng)險(xiǎn)最小化的分類算法,其泛化性能相比于多層感知機(jī)勢(shì)必會(huì)有所提高。對(duì)于數(shù)據(jù)集II、III-A和III-B,該組合分類器只需要重復(fù)4次字符閃爍就可以穩(wěn)定達(dá)到90%以上的檢測(cè)精度,具有較高的實(shí)用價(jià)值。

圖7 2種方法在數(shù)據(jù)集II上的P300檢測(cè)精度

圖8 2種方法在數(shù)據(jù)集III-A上的P300檢測(cè)精度

圖9 2種方法在數(shù)據(jù)集III-B上的P300檢測(cè)精度

4 結(jié) 論

針對(duì)ERP腦電信號(hào)存在個(gè)體差異性強(qiáng)、信噪比低等特點(diǎn)而導(dǎo)致其識(shí)別困難,以及傳統(tǒng)的CNN算法對(duì)小樣本腦電信號(hào)分類易產(chǎn)生過(guò)擬合等問(wèn)題,本文在CNN和SVM融合模型的基礎(chǔ)上提出了一種用于ERP信號(hào)分類識(shí)別的CNN-SVM組合分類器。該組合分類器不需要人工提取腦電信號(hào)的特征就能從濾波后的原始ERP信號(hào)中學(xué)習(xí)特征,最后采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化的SVM進(jìn)行分類識(shí)別,有效減小了過(guò)擬合。實(shí)驗(yàn)結(jié)果表明,CNN-SVM組合分類器對(duì)于P300信號(hào)的識(shí)別準(zhǔn)確率要明顯高于SWLDA、BLDA和傳統(tǒng)的CNN方法。在重復(fù)4次以上刺激后,該組合分類器的平均識(shí)別準(zhǔn)確率在90%以上,表明該組合分類器能夠?qū)崿F(xiàn)ERP信號(hào)的精確識(shí)別,提高了腦機(jī)接口系統(tǒng)的實(shí)用價(jià)值。后續(xù)將通過(guò)改進(jìn)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),采用主動(dòng)學(xué)習(xí)和最優(yōu)停止等方法,對(duì)該組合分類器的泛化性能做進(jìn)一步深入研究,以期提高該組合分類器在不同受試者之間的泛化能力。