【技术实现步骤摘要】
本专利技术涉及脑机接口，尤其涉及一种稳态视觉诱发电位的分类方法、终端设备以及介质。
技术介绍
1、当人体受到一个固定频率的闪烁或者变换模式的视觉刺激时，大脑皮层的电位活动将被调制，从而产生一个连续的且与刺激频率有关（刺激频率的基频或倍频处）的响应，这个响应具有和视觉刺激类似的周期性节律，即为稳态视觉诱发电位(ssvep)。ssvep信号表现在eeg脑电信号中则是在功率谱中能在刺激频率或谐波上出现谱峰。通过分析检测谱峰处对应的频率，即能检测到受试者视觉注视的刺激源。ssvep具有较高的itr以及稳定的指令生成性能因此在人机交互领域中具有巨大的应用价值。
2、现有的ssvep分类技术主要分为基于传统机器学习和基于深度学习的方法。传统机器学习方法依赖于有效的特征提取，而特征提取通常基于经验知识，这限制了ssvep检测性能的确保。相比之下，深度学习方法需要大量的训练数据，然而现有的ssvep数据量有限，加上ssvep信号存在一定的个体差异，这严重制约了深度学习算法的泛化能力和鲁棒性。因此，当前的ssvep分类算法在高精度和实时性的需求下表现出较差的性能，难以满足实际应用的要求。
技术实现思路
1、本专利技术实施例的主要目的在于提供一种稳态视觉诱发电位的分类方法、终端设备以及介质，旨在解决相关技术中ssvep分类算法在高精度和实时性的需求下表现出较差的性能，难以满足实际应用要求的问题。
2、第一方面，本专利技术实施例提供一种稳态视觉诱发电位的分类方法，包括：
<...【技术保护点】
1.一种稳态视觉诱发电位的分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述第一SSVEP信号进行预处理获得第二SSVEP信号，包括：
3.根据权利要求2所述的方法，其特征在于，所述设置参考信号，包括：
4.根据权利要求1所述的方法，其特征在于，所述初始分类模型包括通道扩展模块、第一特征提取模块、第二特征提取模块、类型输出模块，所述根据所述第二SSVEP信号和所述第一刺激标签进行模型训练获得初始分类模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述通道扩展模块包括第一卷积层、第一归一化层、第一ELU层，所述利用所述通道扩展模块采用逐层卷积的方式对所述第二SSVEP信号进行通道扩展获得第一特征信号，包括：
6.根据权利要求4所述的方法，其特征在于，所述第一特征提取模块包括第二卷积层、第二归一化层、第二ELU层、第一随机失活层，所述利用所述第一特征提取模块对所述第一特征信号进行空间特征提取获得第二特征信号，包括：
7.根据权利要求4所述的方法，其特征在于，所述第二
8.根据权利要求4所述的方法，其特征在于，所述类型输出模块包括平展层、线性层、Softmax层，所述利用所述类型输出模块确定所述第三特征信号与目标刺激之间对应的标签概率，包括：
9.一种终端设备，其特征在于，所述终端设备包括处理器、存储器；
10.一种计算机存储介质，用于计算机存储，其特征在于，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至8中任一项所述的稳态视觉诱发电位的分类方法的步骤。
...【技术特征摘要】
1.一种稳态视觉诱发电位的分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述第一ssvep信号进行预处理获得第二ssvep信号，包括：
3.根据权利要求2所述的方法，其特征在于，所述设置参考信号，包括：
4.根据权利要求1所述的方法，其特征在于，所述初始分类模型包括通道扩展模块、第一特征提取模块、第二特征提取模块、类型输出模块，所述根据所述第二ssvep信号和所述第一刺激标签进行模型训练获得初始分类模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述通道扩展模块包括第一卷积层、第一归一化层、第一elu层，所述利用所述通道扩展模块采用逐层卷积的方式对所述第二ssvep信号进行通道扩展获得第一特征信号，包括：
6.根据权利要求4所述的方法，其特征在于，所述第一特征提取模块包括第二卷积层、第二归一化层、第二elu层、第一随机失活层，所述利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。