CN114118176B 基于解耦表示学习的连续快速视觉演示脑电信号分类方法 （西安电子科技大学）

rapidserialvisualpresentationt基于解耦表示学习的连续快速视觉演示脑视觉演示分类中存在的类别不平衡问题导致分2所述步骤S2构建的解耦表示学习网络由表示学习过程和分类器学习过第四步，使用余弦相似度计算第三步中两个样本数据映所述步骤S3中表示学习过程的损失函数为对比损失函数；所述对比所述分类器学习过程包括：首先样本维度上对数据集进行降采样2.根据权利要求1所述的基于解耦表示学习的连续快速视觉演示脑电信号分类方法，3.根据权利要求2所述的基于解耦表示学习的连续快速视觉演示脑电信号分类方法，4.根据权利要求3所述的基于解耦表示学习的连续快速视觉演示脑电信号分类方法，5.根据权利要求4所述的基于解耦表示学习的连续快速视觉演示脑电信号分类方法，36.根据权利要求5所述的基于解耦表示学习的连续快速视觉演示脑电信号分类方法，7.根据权利要求6所述的基于解耦表示学习的连续快速视觉演示脑电信号分类方法，8.根据权利要求7所述的基于解耦表示学习的连续快速视觉演示脑电信号分类方法，4[0002]脑机接口BCI技术实现了人类大脑和外部设备之间的信息传输，分析和利用脑电[0003]脑电信号的精准分类是实现基于RSVP范式的BCI系统的关键。目前的脑电信号分实现分类。其中具有代表性的有Schirrmeister等人在“DeeplearningwithconvolutionalneuralnetworksforEEGde图片插入到快速序列中来保持高刷新率。现有技术中未充分考虑样本类别不平衡的问题，5[0019](1)本发明将学习过程解耦为表示学习过程和分类器学习过程，避免分类器对表[0020](2)本发明使用匹配对比学习独立学习特征表示。匹配对比学习通过使用先验的[0021]图1为本发明提供的基于解耦表示学习的连续快速视觉演示脑电信号分类方法的[0022]图2为本发明提供的基于解耦表示学习的连续快速视觉演示脑电信号分类方法中6[0023]图3为本发明提供的基于解耦表示学习的连续快速视觉演示脑电信号分类方法中[0024]图4为本发明提供的基于解耦表示学习的连续快速视觉演示脑电信号分类方法中[0025]图5为本发明提供的基于解耦表示学习的连续快速视觉演示脑电信号分类方法中发明提供的方法是类别不平衡问题的一种有效解决方案，能够用于不同的特征提取网络，7间特征，具体的网络设置已经公开在Schirrmeister等人在“DeeplearningwithconvolutionalneuralnetworksforEEGdecodingandvisualization.”提出的[0041]第二步，提取特征表示。使用特征提取器采用通用的特征提取网络(如EEGNet，DeepConvNet等)先后提取脑电信号的时间和空间特征，得到两个样本数据的通用特征表[0044]分类器学习过程首先样本维度上对数据集进行降采样操8[0046]使用步骤S12得到的训练集脑电数据通过梯度下降法对解耦表示学习网络进行迭后的解耦表示学习网络。表示学习过程先训练100个epoch，分类器学习过程训练20个[0055]首先冻结特征提取器的参数，每次从平衡的数据集中取4个单试次样本送入分类适应矩估计优化器根据交叉熵损失对解耦表示学习网络中的卷积分类器中的参数进行更试集上的准确率进行比较：若该网络在训练集上的准确率比验证集上的准确率高20％以9一位被试者可以得到适合每一位被试者进行在线实验的解[0062]S61，根据连续快速视觉演示实验范式进行目标图像和非目标图像对应的脑电信[0064]步骤S5和S6使得本发明方法更容易适应其他被试者，提高其他