10.3969/j.issn.0258-8021.2019.03.006
基于CNN算法的稳态体感诱发电位的特征识别
脑-机接口研究可为瘫痪病人的康复带来一种新的治疗方法.已有研究表明对手指或者正中神经施加一定频率的体感刺激,会引发相同频率且具有空间特异性的稳态体感诱发电位.为优化基于稳态体感诱发电位的脑-机接口的性能,通过快速傅里叶变换寻找12个健康被试的个人左手特定共振频率,采用事件相关谱扰动进行时频分析,检测其稳态体感诱发电位信号.基于共振频率对实验诱发的脑电信号进行1 Hz带通滤波,获得特定频带的数据,采用卷积神经网络(CNN)学习算法对其进行分类,并与采用共空间模式和支持向量机的特征提取及特征分类的方法(CSP+SVM)进行比较.所有被试的结果显示:基于共振频率滤波方法,采用CNN学习算法获得的离线分类准确率均高于85%,并且CNN学习算法的分类准确率显著性优于CSP+SVM的分类准确率(91.8%±5.9% vs77.4%±8.5%,P<0.05).因此,在基于稳态体感诱发电位的脑机接口的特征识别中,CNN学习算法相比传统使用的机器学习分类算法(如共空间模式+支持向量机)能够显著提升分类准确率,提高脑机接口的整体性能.
脑-机接口、稳态体感诱发电位、共振频率、卷积神经网络
38
R318(医用一般科学)
河北省高等学校科学技术研究项目QN2017048;河北省自然科学基金F2017202197
2019-07-22(万方平台首次上网日期,不代表论文的发表时间)
共8页
298-305