基于卷积神经网络的单试次注视相关电位分类方法*

沈俊杰, 曾 洪, 李 潇, 宋爱国

(东南大学 仪器科学与工程学院，江苏 南京 210096)

0 引 言

脑机接口(brain computer interface，BCI)是不依赖于大脑外周神经和肌肉系统，实现人脑与外部设备之间交流互动的通道[1]。随着BCI技术的发展，国内外一些学者开始对基于注视相关电位(fixation related potential，FRP)的BCI技术进行研究。FRP是一种反映了人脑在识别感兴趣视觉目标时的脑电活动[2](与事件相关电位(event related potential，ERP)类似)，但由于其无需由BCI系统提供的Oddball刺激诱发，因此,可更好地应用在自然场景的探测、识别任务当中，例如图像目标搜索、文本信息处理、安全检查等领域[4～6]。

单试次脑电(electroencephalogram,EEG)信号分类是大多数BCI系统的重要环节，其中,特征提取和分类方法对系统的最终输出结果有着决定性作用。近年来，对单试次FRP信号分类的常规方法主要基于特征工程，即将原始FRP信号进行特征提取后再将特征值送入分类器进行分类[3～6]。这类方法的主要局限在于需要依靠研究人员的先验知识进行复杂的数据预处理和特征提取，但由于EEG具有非平稳性、随机性，在预处理过程中容易剔除隐含的有用特征，导致分类结果的准确性和可靠性较低。

卷积神经网络(convolutional neural network，CNN)由于其能从原始数据中自适应学习有利于分类的特征，有效减少人为特征选择造成的主观性和不完备性的特点，在图像处理、目标跟踪与检测、人脸识等领域获得巨大成功[7～9]。最近几年，越来越多研究人员将目光投向卷积神经网络，并尝试运用该方法对EEG进行分类。例如Lawhern V J等人提出的EEGNet[10]，Schirrmeister R T等人提出的DeepConvNet,ShallowConvNet[11]均验证了卷积神经网络相比于传统基于特征工程的学习方法对EEG的分类结果更佳。……