文章摘要:针对传统稳态视觉诱发电位（SSVEP）脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题，提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法（SSVEP-MF）。首先，利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集；其次，建立多尺度特征融合卷积神经网络模型（MFCNN），该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取，构建多尺度特征融合单元对不同层级特征进行融合，并通过全连接等操作完成模型的训练；最后，将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征，实现短时间视觉刺激下SSVEP信号的有效识别，并具有高的目标识别效率。实验结果表明，在1s刺激时长时，相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法，所提方法的识别准确率分别提升了18.57%、20.08%及7.03%，有效提高了基于稳态视觉诱发电位范式下脑-机接口的信号识别性能。

文章关键词:

项目基金: 上一篇：肿瘤学论文_攻克眼肿瘤世界级难题的光明使者 下一篇：没有了