基于卷积神经网络的单试次注视相关电位分类方法

针对现有单试次注视相关电位(FRP)分类中未充分关注特征通道之间重要性关系的问题,提出了一种基于改进卷积神经网络(CNN)的单试次FRP分类方法。通过在卷积层中嵌入特征通道权重重分配模块,自适应学习各特征通道的重要程度,增强重要特征的权重并抑制不重要的特征,从而提升网络的分类准确性。为验证所提方法的有效性,首先在视觉刺激实验中同步采集了志愿者的脑电信号(EEG)与眼动数据,其次在离线环境中对数据进行预处理,最后利用所提方法进行单试次FRP分类实验,并与现有最优网络的分类结果进行对比。实验结果表明:所提方法对单试次FRP分类的平均AUC提升超过2%,达到0.9269。