一种基于CBLSTM算法模型的运动想象脑电信号特征识别方法技术

本发明专利技术请求保护一种基于CBLSTM算法模型的运动想象脑电信号特征识别方法。该算法模型包含以下步骤S1：采集脑电信号；S2：对原始脑电信号进行预处理；S3：采用卷积神经网络提取脑电信号的频域特征；S4：采用双向长短期网络提取脑电信号的时域特征；S5：采用softmax回归方法对脑电信号进行分类；S6：输出最终的脑电信号分类结果。本发明专利技术有效提高了多类脑电信号的识别率。

【技术实现步骤摘要】
一种基于CBLSTM算法模型的运动想象脑电信号特征识别方法
本专利技术属于脑机接口中脑电信号的识别领域，主要涉及采用卷积神经网络与双向长短期记忆的结合算法模型对多类运动想象脑电信号的识别方法。
技术介绍
非侵入式脑机接口(Brain-computerinterfaces,BCIs)技术为行动不便的人群提供了一种便利的生活方式，且此控制方式具有很强的可行性和实用性，近年来越来越多地运用于控制计算机及其他智能设备。脑电信号在其中起着不可或缺的作用，可用于检测司机是否疲劳驾驶,也可用于帮助脑卒中患者的功能恢复。考虑到脑电信号的传播主要是通过多个神经元共同合作完成，本文采用多通道的脑机接口设备进行研究。传统的脑电信号特征分类方法主要有:人工神经网络、线性判别式分析、支持向量机(SVM)等。Hsu等人采用了人工神经网络对音乐情绪识别进行分类，受试者较少且对个体差异进行描述和预测有困难，故分类效果较差。Tian等人采用基于FE+LDA的方法对左右手运动想象信号进行研究得出其平均分类识别率为87.2％。此后Li等人提出一种多尺度模糊熵(MFE)的方法来对MI-EEG进行分析，并采用SVM进行分类，结果表明此方法可有效提高MI-EEG的分类准确率，但是当分类种类增多时会增加系统的复杂性从而降低识别率。此后研究者发现，在生物信号领域，针对脑电信号的非线性非稳定特性，考虑到深度神经网络对大数据的处理具有优势，若能充分利用其分析信号特性可能会取得更好的效果。为此Tang等人通过建立5层CNN模型对想象左右手运动进行分类，结果表明，CNN可以进一步提高分类性能：使用CNN的平均准确率可达86.41±0.77％，比使用传统的power+SVM，CSP+SVM和AR+SVM方法的平均准确率分别高9.24％，3.80％和5.16％。此后Uktveris等人采用CNN方法实现了对四类运动想象脑电信号(想象左右手、脚和舌头运动)的尝试识别，由于增加了目标分类种类，此时体现出单一CNN方法的局限性，即分类准确率随着分类种类的增加而下降。而Ni等人则提出一种双向LSTM网络对脑雾进行分类，此方法显示出了较好的分类性能，但是样本量较小，在增大数据量的同时准确率也降低，然而与其他传统分类算法相比，准确率最高且鲁棒性较好。这也为此后LSTM在脑电信号方面的研究提供了思路。李等人采用OWPT的方法对MI-EEG进行特征提取，LSTM算法对其进行分类，最终经过试验验证发现识别率远高于采用AR+LDA的准确率，由于OWPT本身的局限性，使得实验耗时较长。
技术实现思路
本专利技术旨在解决以上现有技术的问题。提出了一种有效提高了多类脑电信号的识别率的基于CBLSTM算法模型的运动想象脑电信号特征识别方法。本专利技术的技术方案如下：一种基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其包括如下步骤：S1：首先采用信号采集仪采集原始的脑电信号；S2：对采集的脑电信号进行包括滤波、放大在内的预处理，并采用多线性主成分分析对多维脑电信号进行降维处理；S3：将经过降维处理的脑电信号(采用数据切割方法)整理成序列帧，然后采用改进的卷积神经网络将脑电信号的频域特征提取出来；所述改进的卷积神经网络改进点主要在于：如附图1所示，卷积神经网络模块主要包括五个卷积模块、四个池化层、两个批规范化层和一个Im2col层(加速层)，其中每个卷积模块都由多个卷积层组合，卷积核尺寸大小采用的是3*3和5*5。S4：然后采用改进序列特征提取算法提取脑电信号的时域特征；所述改进序列特征提取算法改进点主要在于：如附图2所示，将两个LSTM以相反的方向融合，共同决定当前时刻的预测信息，其信号输入序列对于两个隐藏层是相反方向的，直到两个隐含层处理完所有输入序列时预测输出才更新。同时在后向计算过程中，输出值首先通过随机梯度计算然后返回值给两个不同方向序列的隐藏层。S5：在提取出脑电信号的特征之后，通过Softmax回归对多类脑电信号进行分类并输出结果。进一步的，所述步骤S3卷积神经网络的结构从上到下依次是：首先是1*2卷积+降采样，然后是并行的卷积组，之后是2*3卷积+降采样，接着是批规范化，之后是3*3卷积+降采样，批规范化以及4*2卷积+降采样，最后是im2col层(加速层)。进一步的，所述1*2卷积+降采样的卷积核尺寸为3*3，卷积核个数为64，池化层；进一步的，所述并行的卷积组的卷积核包括5*5，3*3的卷积核，然后将特征融合，卷积核个数均设置为128，还引入了1*1*C的卷积核，C表示常数。进一步的，所述Conv2*3和Conv3*3均为三个连续的卷积层，每层卷积核尺寸大小为5*5，卷积核个数为128，卷积组后均添加批规范化，它在深度神经网络的中间添加正态标准化处理，使每一层神经网络的输入都保持相同的数据分布；Conv4*2是两个连续的卷积层，卷积核尺寸为5*5，卷积核的个数为256，其后紧接着是im2col层，im2col是Caffe里面的一种加快卷积运算的方法，而im2col将数据送到GPU显存中是按行序连续存储的，然后通过GPU的矩阵乘法运算。进一步的，所述步骤S4采用序列特征提取算法提取脑电信号的时域特征；具体为：采用双向LSTM，将两个LSTM以相反的方向融合，共同决定当前时刻的预测信息，其信号输入序列对于两个隐藏层是相反方向的，直到两个隐含层处理完所有输入序列时预测输出才更新。同时在后向计算过程中，输出值首先通过随机梯度计算然后返回值给两个不同方向序列的隐藏层；将卷积神经网络模块提取的特征输入到网络后，依次经过Im2col_reshape层、Lstm_input层、双向Lstm层、Merge_lstm_rlstm层、Reshape层、Lstm_output层、FC层以及softmax层及输出Output层；进一步的，将卷积神经网络模块提取的特征输入到网络后，首先经过一个Im2col_reshape层，im2col层(加速层)其作用是将序列特征维度进行转换，作为卷积层和循环层的桥梁；经过卷积模块后生成Im2col的维度256×1×H×W，经过reshape维度变为H×W×256×1，将其输入到双向LSTM中，两个LSTM的维度都是256，一个LSTM从t＝1重复到T，另外一个反向LSTM从t＝T重复到1，信号序列通过正向和反向的隐藏层都受到当前输入和上一时刻状态的影响，其实反向的上一时刻是信号序列的下一时刻；通过误差反向传播进行计算，两层LSTM在隐藏层进行信息融合后对当前时刻t的输入进行预测，输出维度为H×W×512×1，经过Reshape层，Lstm_output输出维度为512×1×H×W，然后经过一层维度为4096的全连接层FC，全连接层的输出送入Softmax来进行分类，给出分类结果Output。进一步的，所述步骤S5在提取出脑电信号的特征之后，通过Softmax回归对多类脑电信号进行分类并输出结果，具体包括：使用随机梯度下降SGD进行训练，梯度由反向传播算法计算得出，在双向LSTM循环层中，应用时序反向传播算法来计算误差。即通过一个损失函数进行联合训练，通过不断训练，确定最小误差下的模型权值。本专利技术的优点及有益效果如下：本专利技术的创新点具体是步骤S3和S4。S本文档来自技高网...

【技术保护点】
1.一种基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，包括如下步骤：S1：首先采用信号采集仪采集原始的脑电信号；S2：对采集的脑电信号进行包括滤波、放大在内的预处理，并采用多线性主成分分析对多维脑电信号进行降维处理；S3：将经过降维处理的脑电信号采用数据切割方法整理成序列帧，然后采用改进的卷积神经网络将脑电信号的频域特征提取出来；所述改进的卷积神经网络改进点主要在于：卷积神经网络模块主要包括五个卷积模块、四个池化层、两个批规范化层和一个Im2col加速层，其中每个卷积模块都由多个卷积层组合，卷积核尺寸大小采用的是3*3和5*5；S4：然后采用改进序列特征提取算法提取脑电信号的时域特征；所述改进序列特征提取算法改进点主要在于：将两个LSTM以相反的方向融合，共同决定当前时刻的预测信息，其信号输入序列对于两个隐藏层是相反方向的，直到两个隐含层处理完所有输入序列时预测输出才更新，同时在后向计算过程中，输出值首先通过随机梯度计算然后返回值给两个不同方向序列的隐藏层；S5：在提取出脑电信号的特征之后，通过Softmax回归对多类脑电信号进行分类并输出结果。

【技术特征摘要】
1.一种基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，包括如下步骤：S1：首先采用信号采集仪采集原始的脑电信号；S2：对采集的脑电信号进行包括滤波、放大在内的预处理，并采用多线性主成分分析对多维脑电信号进行降维处理；S3：将经过降维处理的脑电信号采用数据切割方法整理成序列帧，然后采用改进的卷积神经网络将脑电信号的频域特征提取出来；所述改进的卷积神经网络改进点主要在于：卷积神经网络模块主要包括五个卷积模块、四个池化层、两个批规范化层和一个Im2col加速层，其中每个卷积模块都由多个卷积层组合，卷积核尺寸大小采用的是3*3和5*5；S4：然后采用改进序列特征提取算法提取脑电信号的时域特征；所述改进序列特征提取算法改进点主要在于：将两个LSTM以相反的方向融合，共同决定当前时刻的预测信息，其信号输入序列对于两个隐藏层是相反方向的，直到两个隐含层处理完所有输入序列时预测输出才更新，同时在后向计算过程中，输出值首先通过随机梯度计算然后返回值给两个不同方向序列的隐藏层；S5：在提取出脑电信号的特征之后，通过Softmax回归对多类脑电信号进行分类并输出结果。2.根据权利要求1所述的基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，所述步骤S3卷积神经网络的结构从上到下依次是：首先是1*2卷积+降采样，然后是并行的卷积组，之后是2*3卷积+降采样，接着是批规范化，之后是3*3卷积+降采样，批规范化以及4*2卷积+降采样，最后是im2col加速层。3.根据权利要求2所述的基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，所述1*2卷积+降采样的卷积核尺寸为3*3，卷积核个数为64，池化的目的是降采样，减少参数量。4.根据权利要求2所述的基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，所述并行的卷积组的卷积核包括5*5，3*3的卷积核，然后将特征融合，卷积核个数均设置为128，还引入了1*1*C的卷积核，C表示常数。5.根据权利要求2所述的基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其特征在于，所述Conv2*3和Conv3*3均为三个连续的卷积层，每层卷积核尺寸大小为5*5，卷积核个数为128，卷积组后均添加BatchNormalization层，即批标准化，它在深度神经网络的中间添加正态标准化处理，使每一层神经网络的输入都保持相同的数据分布；Con4*2是两个连续的卷积层，卷积核尺寸为5*5，卷积核的个数为2...

【专利技术属性】
技术研发人员：胡章芳，崔婷婷，罗元，张毅，魏博，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50