用于跨被试稳态视觉诱发电位分类的方法、存储介质
本发明属于脑机接口,具体涉及一种用于跨被试稳态视觉诱发电位分类的方法、存储介质。
背景技术:
1、脑机接口(brain-computer interface, bci)技术作为一种新兴的人机交互方式,在智能控制、辅助康复、医疗监测等领域展现出巨大的应用潜力。其中,基于稳态视觉诱发电位(steady-state visually evoked potential, ssvep)的脑机接口因其具有诱发稳定、信噪比较高、训练时间短及信息传输率高等优点,得到了广泛的研究和应用。ssvep通常是通过让受试者注视以不同频率闪烁的视觉刺激目标而诱发的,其脑电(eeg)响应在刺激频率及其谐波处会呈现出显著的频谱特征。通过对这类脑电信号进行有效的特征提取和分类识别,即可解码用户的意图,实现对外部设备的控制。
2、然而,现有的ssvep解码方法在实际应用中,尤其是在跨被试场景下面临着严峻的挑战。最主要的问题在于不同被试之间的脑电信号存在显著的个体差异。这些差异体现在响应强度、频谱分布形态、相位特征以及背景噪声水平等多个方面。这种个体差异导致了从一个或多个被试(源域)上训练的模型,在应用于一个新的被试(目标域)时,会因为数据分布的偏移而出现性能急剧下降的问题,即泛化能力不足。
3、为了解决该问题,研究人员进行了诸多尝试,但现有技术方案仍存在明显局限。首先,许多方法直接采用时域信号或仅利用频谱的幅值信息作为输入,这忽略了ssvep信号中宝贵的相位信息以及谐波结构,限制了特征提取的有效性。其次,传统的特征提取方法,如基于卷积神经网络(cnn)的方法,虽然能够捕捉局部特征,但其感受野有限,难以有效建模信号中的长程时间依赖关系。而循环神经网络(rnn)或长短时记忆网络(lstm)等结构在处理长序列脑电信号时,又容易面临梯度消失、训练效率低等问题,无法精确地表征ssvep在持续振荡过程中的动态规律。
4、此外,一些研究引入了域自适应技术来缓解被试间的分布偏移。然而,多数域自适应方法仅对源域和目标域的整体特征分布进行粗粒度的对齐,未能充分考虑到不同刺激类别(如不同闪烁频率)在特征空间中应具有的子域结构。这种全局对齐策略可能导致不同类别的特征在迁移过程中发生混叠,反而降低了分类边界的清晰度,影响了跨被试解码的稳定性和可靠性。
5、因此,亟需提出一种新的ssvep解码技术方案,以解决现有技术在跨被试条件下存在的识别精度不高、对个体差异适应性不强、长程时序特征建模能力较弱以及域对齐效果不佳等问题,从而提升脑机接口系统在实际应用中的性能和鲁棒性。
技术实现思路
1、本申请的目的是提供一种用于跨被试稳态视觉诱发电位分类的方法、存储介质,旨在通过融合先进的信号表示、特征提取、序列建模和域自适应策略,有效克服被试间个体差异带来的负面影响,显著提升跨被试ssvep分类的准确性和稳定性。
2、为实现上述目的,本申请提供了如下方案:
3、第一方面,本申请提供了一种用于跨被试稳态视觉诱发电位分类的方法,包括:
4、对脑电信号片段进行时频分析,生成表征信号在时间和频率上分布的时频表示,所述时频表示包含幅值信息和相位信息;
5、通过一个样本自适应的特征提取模块处理所述时频表示,以根据当前输入的时频表示动态地调整其特征提取操作,从而输出第一特征序列;
6、利用双向状态空间模型对所述第一特征序列进行处理,以捕捉所述第一特征序列中的长程时间依赖关系,从而输出第二特征序列;
7、在模型训练过程中,通过最小化一个类条件的域差异度量,对源域被试数据和目标域被试数据在所述第二特征序列所构成的特征空间中的分布进行对齐;其中,所述对齐是针对划分到同一预测刺激类别的样本子集分别执行的;
8、对所述第二特征序列进行聚合,生成样本级判别特征向量;
9、将所述样本级判别特征向量送入一个多层感知机分类头,以输出各个刺激类别的预测概率。
10、第三方面,本申请提供了一种计算机设备,包括:存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述中任一项所述的用于跨被试稳态视觉诱发电位分类的方法的步骤。
11、第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述中任一项所述的用于跨被试稳态视觉诱发电位分类的方法的步骤。
12、第五方面,本申请提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述中任一项所述的用于跨被试稳态视觉诱发电位分类的方法的步骤。
13、根据本申请提供的具体实施例,本申请公开了以下技术效果:
14、1.显著提升了跨被试分类的准确性和稳定性。本发明通过将脑电信号转换为包含幅值和相位的时频表示,并利用样本自适应的特征提取模块和双向状态空间模型,能够从时、频、空三个维度全面且深入地提取ssvep的判别性特征,并有效建模其长程时间依赖性。这克服了传统方法因特征提取不充分而导致的性能瓶颈。
15、2.强大的个体差异适应能力。本发明引入的动态卷积机制,使得特征提取器能够根据每个输入样本的特性动态调整,有效应对不同被试间脑电信号的频谱形态、响应强度等差异。同时,通过类条件的域对齐策略,对源域和目标域的特征分布进行细粒度匹配,并结合类混淆损失,显著减小了被试间分布偏移带来的负面影响,增强了模型的泛化能力。
16、3.兼具高效性与可解释性。本发明采用的双向状态空间模型在保持强大长程依赖建模能力的同时,具有比transformer等结构更优的计算效率,更适合处理长序列脑电信号。此外,引入的可学习频谱门控函数,不仅提升了性能,也为分析模型对特定频带的关注度提供了可能,增强了模型的可解释性。
17、4.具有良好的工程应用价值。本发明所提出的完整技术方案,能够在免校准或少校准的场景下实现高精度的ssvep解码,降低了脑机接口系统的使用门槛和校准时间成本,为脑机接口技术在人机交互、智能控制及辅助康复等领域的实际应用提供了可靠的技术支持。
1.一种用于跨被试稳态视觉诱发电位分类的方法,其特征在于,包括:
2.根据权利要求1所述的用于跨被试稳态视觉诱发电位分类的方法,其特征在于,在通过所述特征提取模块处理所述时频表示之前,所述方法还包括:
3.根据权利要求1所述的用于跨被试稳态视觉诱发电位分类的方法,其特征在于,在通过所述特征提取模块处理所述时频表示之前,所述方法还包括:
4.根据权利要求1所述的用于跨被试稳态视觉诱发电位分类的方法,其特征在于,对所述第二特征序列进行聚合,生成样本级判别特征向量,具体包括:
5.根据权利要求1所述的用于跨被试稳态视觉诱发电位分类的方法,其特征在于,在所述模型训练过程中,还包括:
6.根据权利要求1所述的用于跨被试稳态视觉诱发电位分类的方法,其特征在于,所述时频分析为短时傅里叶变换,所述时频表示为时频复谱。
7.根据权利要求1所述的用于跨被试稳态视觉诱发电位分类的方法,其特征在于,所述特征提取模块为动态卷积模块,所述动态卷积模块包括多个专家卷积核,并根据输入特征通过路由网络生成权重,对所述多个专家卷积核进行加权求和,形成一个适应当前输入的等效卷积核。
8.根据权利要求1所述的用于跨被试稳态视觉诱发电位分类的方法,其特征在于,所述双向状态空间模型为双向mamba模块,所述双向mamba模块由一个前向状态空间模型和一个反向状态空间模型组成。
9.根据权利要求1所述的用于跨被试稳态视觉诱发电位分类的方法,其特征在于,所述类条件的域差异度量为局部最大均值差异。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至9中任一项所述的用于跨被试稳态视觉诱发电位分类的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com