基于多频段卷积与特征增强的SSVEP分类方法

摘要

脑机接口系统是一种新型的交互技术，其核心在于将大脑产生的电信号转化为可执行的设备指令。稳态视觉诱发电位作为一种典型的脑电信号，因其信噪比较高且较为稳定，被广泛应用于BCI技术中。相较于其他脑电信号，SSVEP-BCI无需对受试者进行预先训练，通过分析视觉刺激诱发的特定脑电信号即可实现设备控制，能够快速实现高效的人机交互。然而，现有SSVEP分类算法及BCI系统的实际应用仍存在易受噪声影响、受试者易疲劳等问题。针对上述瓶颈，提出一种基于多频段卷积与特征增强的神经网络架构用于提升分类精度。信号经带通滤波划分为5个频段，并提取各自微分熵特征；经独立的基于注意力机制的卷积操作提取更高层次的特征；特征拼接后经Transformer编码，通过多头自注意力机制自适应地调整各频段和空间权重以增强特征；最后将增强后的特征送入分类模块实现精确分类。实验结果表明，该方法在不同时间窗下的平均分类准确率和信息传输率均优于现有方法。在1.0 s时间窗下，其分类精度达到86.61%,相较于功率谱密度分析、典型相关分析和传统卷积网络分别提升16.86%、13.1%和5.79%。

关键词

稳态视觉诱发电位 / 脑机接口 / 脑电信号 / 多频段卷积 / 自注意力机制 / Transformer