欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023101670349
申请人: 郑州大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于迭代学习策略的强光环境下AR-SSVEP的识别方法,其特征在于,包括以下步骤:A:对包含待识别光照强度在内的Q个不同光照强度下的多个被试者的SSVEP数据进行采集,待识别光照强度Lp下的SSVEP数据Xp即为待识别数据,将低于待识别光照强度Lp下的数据X1、X2、…、Xp-1作为辅助数据;

B:利用步骤A中得到的辅助数据,对应生成每个被试者在不同光照强度下SSVEP数据的模板数据模板数据是指将采集到的SSVEP数据,根据采集的轮数进行平均后得到的平均值;

C:使用CCA算法对模板数据进行处理,最终得到模板数据的优化参数S1、自协方差矩阵和互协方差矩阵以及所有被试者的模板数据下所有目标中识别准确率最高的目标D:按照步骤C中的方法,依次对步骤C中得到的目标以及模板数据中所有目标的刺激进行处理,得到模板数据的优化参数S2、自协方差矩阵和互协方差矩阵以及所有模板数据下所有目标中识别准确率最高的目标E:按照步骤D中的方法,依次对模板数据至中所有目标的刺激进行处理;最终得到模板数据的优化参数S(p-1)、自协方差矩阵和互协方差矩阵以及全部被试者的所有模板数据下的所有目标中识别准确率最高的目标F:设待识别光照强度Lp下的待识别数据Xp共有h个刺激,分别为将步骤E中得到的目标作为首个目标,与已打乱顺序的待识别数据Xp中的h个目标组成h+1个目标,然后按照步骤E中的方法对待识别光照强度Lp下的全部被试者的所有目标下的所有刺激依次进行处理;得到所有目标下的所有刺激的识别标签,即为待识别数据Xp的识别结果。

2.根据权利要求1所述的基于迭代学习策略的强光环境下AR-SSVEP的识别方法,其特征在于:所述的步骤A中,首先通过照明设备实现不同的光照强度L1、L2、…、Lp、…、LQ,然后在不同光照强度下通过采集得到每个被试者的Q个SSVEP数据,分别为X1、X2、…、Xp、…、XQ;光照强度Lp对应的SSVEP数据Xp为待识别数据,选取光照强度L1、L2、…、Lp-1对应的SSVEP数据X1、X2、…、Xp-1作为辅助数据;每个SSVEP数据均为T×C×S×B维的数据,T表示目标数量,C表示采集时的通道数,S表示采样点数,B表示数据采集的轮数。

3.根据权利要求1所述的基于迭代学习策略的强光环境下AR-SSVEP的识别方法,其特征在于,所述的步骤C包括以下具体步骤:C1:设模板数据中共有T个目标,分别为

C2:对模板数据中第1个目标的刺激进行处理,得到目标的优化参数自协方差矩阵和互协方差矩阵的最终值;

首先,设置模板数据的初始参数的值为0,即优化参数自协方差矩阵和互协方差矩阵的初始值均为0;

然后,使用CCA算法得到模板数据中第1个目标的刺激的识别标签和滤波器并计算

最后,利用得到的模板数据和计算得到和的最终值,并利用和的最终值计算得到目标的和的最终值;

算公式如下:

其中,n表示第n个光照强度;m表示刺激的索引,t表示第t个刺激,为参考信号,fk为第k个目标的频率,N为模板数据所划分的子带数量,s为时间常数;和分别为自协方差矩阵和互协方差矩阵初始值;矩阵uT为矩阵u的转置矩阵;矩阵u为包含的滤波器矩阵,为u的第一列;矩阵wT为矩阵w的转置矩阵;矩阵w为包含的滤波器矩阵,为w的第一列;矩阵vT为矩阵v的转置矩阵;矩阵v为包含的滤波器矩阵,为v的第一列;

C3:对模板数据中第2个目标的刺激进行处理,得到目标的优化参数自协方差矩阵和互协方差矩阵的最终值,以及最终系数首先,将步骤C2中计算得到的目标的和的最终值,作为目标的和的初始值;

然后,使用CCA算法得到模板数据中第2个目标的刺激的识别标签和并利用步骤C2中的方法,计算得到目标的和的最终值;

最后,计算最终系数

其中,X[t]表示所处理的数据;在进行识别结果判定时,最大的相关系数对应的参考信号的频率即为识别结果;

C4:按照步骤C3中的方法,对模板数据中第3个目标至第T个目标的刺激分别进行处理,得到模板数据的优化参数S1、自协方差矩阵和互协方差矩阵以及所有模板数据下所有目标中识别准确率最高的目标其中,目标的和的初始值,为目标的和的最终值;将得到的目标的和作为模板数据的优化参数S1、自协方差矩阵和互协方差矩阵

4.根据权利要求3所述的基于迭代学习策略的强光环境下AR-SSVEP的识别方法,其特征在于:所述的步骤C4中,对每个被试者的模板数据进行处理,并利用获得的最终系数判定每个目标的识别结果,将目标的识别结果与刺激的真实标签通过计算得到识别准确率,选取并记录全部被试者的所有模板数据下的所有目标中识别准确率最高的目标

5.根据权利要求3所述的基于迭代学习策略的强光环境下AR-SSVEP的识别方法,其特征在于:所述的步骤D中,设模板数据中共有g个目标,分别为将步骤D中得到的目标与模板数据中所有目标组成g+1个目标,依次为按照步骤D中的方法依次处理g+1个目标的刺激;

在处理目标时,目标的和的初始值,为步骤C4中获得的模板数据的S1、和目标的和的初始值,为目标的和的最终值;以此类推;最后,将得到的目标的和作为模板数据的优化参数S2、自协方差矩阵和互协方差矩阵同理,对每个被试者的模板数据进行处理,选取并记录全部被试者的所有模板数据下的所有目标中识别准确率最高的目标

6.根据权利要求5所述的基于迭代学习策略的强光环境下AR-SSVEP的识别方法,其特征在于:所述的步骤F中,目标的和的初始值,为模板数据的S(p-1)、和并将目标的和的最终值作为下一个刺激的和的初始值。