一种基于SBCNN的脑控五子棋系统的制作方法

一种基于sbcnn的脑控五子棋系统
技术领域
[0001]
本发明属于脑机接口技术领域，具体涉及一种基于sbcnn的脑控五子棋系统。


背景技术：

[0002]
脑机接口技术在过去几十年中里取得了令人瞩目的发展与进步，目前研究人员在该领域的研究主要分为算法研究和应用研究。随着卷积神经网络(convolutional neural network,cnn)在图像识别领域取得的巨大成就。研究人员开始把cnn应用到脑信号分析领域，有学者在2010年首次提出用cnn去进行p300信号的分类，他们提出的cnn1、mcnn1网络在公开竞赛数据集上平均准确率已经达到了94.5％，有学者提出的bn3网络也取得了96.5％的平均准确率，除此之外，sourav kundu和samit ari提出了一种集成网络，通过网络集成、共同决策的方法提高分类准确率。cnn可以适应各种各样的非线性数据点，但它们需要大量的训练数据，对于小型数据集，cnn通常会过度拟合，同时从受试者那里收集大量的训练数据非常困难，这也就在一定程度上阻碍了深度学习在在脑机接口领域的应用。在脑机接口应用研究领域，研究人员早已经把脑机接口技术应用到游戏娱乐领域，且已经开发了多种基于bci的游戏，在该类游戏中bci技术通常用于为游戏提供输入，从而摆脱对中间设备(鼠标，键盘，游戏手柄)的完全依赖。尽管bci游戏种类繁多，但bci游戏的本身的娱乐性，相比其他游戏仍然不足，以前的研究主要集中在将现有的bci技术直接应用于游戏上，而忽略了游戏娱乐性的本质。对于大多数人来说，成熟的游戏要求其操作过程尽可能简单，用户界面必须简单，美观，并且用户的命令需要通过游戏快速响应。现有的大多数bci游戏无法满足前面提到的要求。
[0003]
为了解决以上问题，保证系统的可用性和有效性，我们提出一种基于sbcnn的脑控五子棋系统。


技术实现要素：

[0004]
本发明的目的在于提供一种基于sbcnn的脑控五子棋系统，并保证系统的可用性和有效性。
[0005]
为实现上述目的，本发明提供如下技术方案：一种基于sbcnn的脑控五子棋系统，包括信息采集模块、数据处理模块、视觉刺激模块和游戏终端四个模块，系统实现包括如下步骤：
[0006]
步骤一：使用游戏终端向用户展示游戏界面，收到用户的开始指示后，初始化另外三个子模块，开始监听游戏指令；
[0007]
步骤二：使用系统视觉刺激模块，诱发p300信号，使用synamps2放大器采集脑电信号；
[0008]
步骤三：对采集到的eeg原始信号预处理，用8阶沃斯巴特滤波器在0.1到20hz进行带通滤波，截取0-600ms时间窗的数据，并对10个轮次的数据进行叠加平均，训练阶段对训练集数据进行样本平均，复制p300正样本直至正负样本数量平衡；
[0009]
步骤四：对输入样本进行批量归一化a
(0)
＝bn(i
i
)，其中i
i
是输入，a
(0)
是该步骤的输出；
[0010]
步骤五：在输入信号的整个长度上，将大小为(1
×
n
elec
)的空间滤波器与a
(0)
进行卷积，以从输入中提取分层特征，并在卷积层之后使用bn层，数学：
[0011][0012]
步骤六：池化层由大小为(2x1)，步幅为2的池化过滤器组成，该层的输出定义为：
[0013]
步骤七：用大小为(1
×
20)的空间滤波器提取时间特征：
[0014][0015]
步骤八：拒拉伸为(1x120)的特征向量a
(4)
，进入全连接层，其中σ是softmax函数用来进行概率映射，n为实验次数，p为概率值，k为实验序号，i为位置号，r为最终输出：
[0016][0017][0018]
r＝arg
i maxa
(6)
(i)(1≤i≤c)；
[0019]
步骤九：步骤八中的输出r作为游戏指令，通过网络协议传送到五子棋游戏中，五子棋游戏终端收到指令后根据游戏指令完成“用户”下棋操作，实现人机对战，若有一方完成五子连线，该方胜出，游戏结束，返回步骤一，否则进入步骤十；
[0020]
步骤十：根据步骤九的对战情况，更新视觉刺激策略，之后返回步骤二。
[0021]
作为本发明的一种优选的技术方案，所述步骤五中，从卷积核的权重分布中采样出某个确定的权重值，并且将采样得到的权重值组成的卷积核然后与特征映射进行卷积操作。
[0022]
作为本发明的一种优选的技术方案，所述步骤七中，bcnn中的全连接层在全连接层使用重参数化方法，对权重参数进行采样。
[0023]
与现有技术相比，本发明的有益效果是：
[0024]
(1)编写了一套脑机接口五子棋系统，除此之外在数据处理部分，提出的基于贝叶斯卷积神经网络结构，提高对p300脑电信号目标识别的能力，所提出的算法由自采数据集评判；
[0025]
(2)本发明五子棋以回合制的形式，每回合选择一个位置放下棋子，削弱了目标刺激对用户注意力的分散，同时，这种机制可以避免在棋盘上连续选择目标位置，回合中用户不需要一直注视刺激板，不容易引起视觉疲劳，提出的基于贝叶斯卷积神经网络在p300目标检测上的高精度，保证了系统的可用性和有效性。
附图说明
[0026]
图1为本发明的基于贝叶斯卷积神经网络的p300脑控五子棋系统框架图；
[0027]
图2为本发明试验p300目标识别准确率示意图。
具体实施方式
[0028]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0029]
请参阅图1和图2，本发明提供一种技术方案：一种基于sbcnn的脑控五子棋系统，包括信息采集模块、数据处理模块、视觉刺激模块和游戏终端四个模块，系统实现包括如下步骤：
[0030]
步骤一：使用游戏终端向用户展示游戏界面，收到用户的开始指示后，初始化另外三个子模块，开始监听游戏指令；
[0031]
步骤二：使用系统视觉刺激模块，诱发p300信号，使用synamps2放大器采集脑电信号；
[0032]
步骤三：对采集到的eeg原始信号预处理，用8阶沃斯巴特滤波器在0.1到20hz进行带通滤波，截取0-600ms时间窗的数据，并对10个轮次的数据进行叠加平均，训练阶段对训练集数据进行样本平均，复制p300正样本直至正负样本数量平衡；
[0033]
步骤四：对输入样本进行批量归一化a
(0)
＝bn(i
i
)，其中i
i
是输入，a
(0)
是该步骤的输出；
[0034]
步骤五：在输入信号的整个长度上，将大小为(1
×
n
elec
)的空间滤波器与a
(0)
进行卷积，以从输入中提取分层特征，并在卷积层之后使用bn层，数学：
[0035][0036]
步骤六：池化层由大小为(2x1)，步幅为2的池化过滤器组成，该层的输出定义为：
[0037]
步骤七：用大小为(1
×
20)的空间滤波器提取时间特征：
[0038][0039]
步骤八：把拉伸为(1x120)的特征向量a
(4)
，进入全连接层，其中σ是softmax函数用来进行概率映射，n为实验次数，p为概率值，k为实验序号，i为位置号，r为最终输出：
[0040][0041]
[0042]
r＝arg
i maxa
(6)
(i)(1≤i≤c)；
[0043]
步骤九：步骤八中的输出r作为游戏指令，通过网络协议传送到五子棋游戏中，五子棋游戏终端收到指令后根据游戏指令完成“用户”下棋操作，实现人机对战，若有一方完成五子连线，该方胜出，游戏结束，返回步骤一，否则进入步骤十；
[0044]
步骤十：根据步骤九的对战情况，更新视觉刺激策略，之后返回步骤二。
[0045]
本实施例中，优选的，步骤五中，从卷积核的权重分布中采样出某个确定的权重值，并且将采样得到的权重值组成的卷积核然后与特征映射进行卷积操作。
[0046]
本实施例中，优选的，步骤七中，bcnn中的全连接层在全连接层使用重参数化方法，对权重参数进行采样。
[0047]
五子棋以回合制的形式，每回合选择一个位置放下棋子，削弱了目标刺激对用户注意力的分散，同时，这种机制可以避免在棋盘上连续选择目标位置，回合中用户不需要一直注视刺激板，不容易引起视觉疲劳，提出的基于贝叶斯卷积神经网络在p300目标检测上的高精度，保证了系统的可用性和有效性。
[0048]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。