The invention discloses a motor imagery EEG signal classification method based on deep learning, which belongs to the technical field of pattern recognition and brain-computer interface. Including: analysis and pretreatment of EEG signal, two-dimensional conversion of EEG signal, construction of convolutional nerve model of motor imagery EEG signal classification; training of neural network to obtain motor imagery EEG signal classification model, testing and performance evaluation of the model. Compared with the prior art, the present invention improves the classification accuracy of motor imagery EEG signals by using data of each time point as samples, making 2D conversion and deep learning, and at the same time improves the real-time and stability of classification.
【技术实现步骤摘要】
一种基于深度学习的运动想象脑电信号分类方法
本专利技术属于模式识别和脑-机接口
,具体涉及一种基于深度学习的运动想象脑电信号分类方法。
技术介绍
脑-机接口(Brain-ComputerInterface,BCI)是一项新兴的技术,为大脑和外部设备建立了沟通的桥梁,使得外部设备能够直接用大脑中的信号来指导外部的活动,比如控制假肢,电动轮椅的移动等。脑-机接口技术应用领域十分广泛,如用于智能家居,智能医疗,智能娱乐等领域。基于运动想象脑电信号的脑-机接口是该技术的主要应用,通过分析大脑进行想象运动的脑电信号,识别大脑状态和活动,来达到控制外部设备的目的。一个典型的脑-机接口系统主要包含信号采集及预处理、特征提取、特征分类、控制命令输出,其中脑电信号分类识别最为关键,包括特征提取与特征分类。由于脑电信号的不平稳性,低信噪比等特点,使得分析脑电信号并识别状态困难重重,所以寻找最适合脑电信号的特征提取与分类的方法是提高脑电信号分类准确率的核心。传统的脑电信号分类方法主要是用功率谱、小波变换等方法提取特征结合支持向量机、人工神经网络对提取到的特征进行分类,但对脑电信号预处理的要求较高,分类准确率还不够高,速度较慢。
技术实现思路
为解决现有技术中存在的问题,本专利技术的目的在于提供一种基于深度学习的运动想象脑电信号分类方法,通过该方法能够提高运动想象的分类准确率和分类速度。为了实现上述目的,本专利技术采用如下技术方案:一种基于深度学习的运动想象脑电信号分类方法,包括以下步骤:S1:采集原始脑电信号数据集;S2:原始脑电信号在时间指标t时是一维数据,对原始脑电信号数 ...
【技术保护点】
1.一种基于深度学习的运动想象脑电信号分类方法,其特征在于,包括以下步骤:S1:采集原始脑电信号数据集;S2:原始脑电信号在时间指标t时是一维数据,对原始脑电信号数据集做零均值归一化预处理,并将零均值归一化预处理得到的一维数据划分为训练集、验证集和测试集;S3:把S2划分得到的训练集、验证集和测试集按照采集时采集点的位置转为二维的数据,分别得到对应得二维的训练集、验证集和测试集;S4:构建能够对S3得到的二维数据分类的卷积神经网络模型,使用S3得到的二维的训练集和验证集对所述卷积神经网络模型进行训练得到运动想象脑电信号分类模型,使用S3得到的二维的测试集对运动想象脑电信号分类模型进行测试,检验运动想象脑电信号分类模型性能;S5:利用S4得到的运动想象脑电信号分类模型对运动想象脑电信号分类。
【技术特征摘要】
1.一种基于深度学习的运动想象脑电信号分类方法,其特征在于,包括以下步骤:S1:采集原始脑电信号数据集;S2:原始脑电信号在时间指标t时是一维数据,对原始脑电信号数据集做零均值归一化预处理,并将零均值归一化预处理得到的一维数据划分为训练集、验证集和测试集;S3:把S2划分得到的训练集、验证集和测试集按照采集时采集点的位置转为二维的数据,分别得到对应得二维的训练集、验证集和测试集;S4:构建能够对S3得到的二维数据分类的卷积神经网络模型,使用S3得到的二维的训练集和验证集对所述卷积神经网络模型进行训练得到运动想象脑电信号分类模型,使用S3得到的二维的测试集对运动想象脑电信号分类模型进行测试,检验运动想象脑电信号分类模型性能;S5:利用S4得到的运动想象脑电信号分类模型对运动想象脑电信号分类。2.根据权利要求1所述的一种基于深度学习的运动想象脑电信号分类方法,其特征在于,所述S1中,采用10-10法的EEG放大器采集原始脑电信号数据,并选取所有采集点位置;让每个受试者进行实验,并采集原始脑电信号数据;进行实验时,在受试者面前设置一个屏幕,屏幕上设置一个目标;首先让受试者做睁眼和闭眼的运动,睁眼和闭眼均持续时间为t1;接着进行以下实验,每次实验均持续时间为t2:当目标出现在屏幕的左边或右边时,受试者分别进行左手或右手的运动;当目标出现在屏幕的左边或右边时,受试者分别想象进行左手或右手的运动;当目标出现在屏幕的上边或下边时,受试者分别进行双手或双脚的运动;当目标出现在屏幕的上边或下边时,受试者分别想象双手或双脚的运动。3.根据权利要求1所述的一种基于深度学习的运动想象脑电信号分类方法,其特征在于,所述S2具体包括以下步骤:S21:选取S1中受试者想象运动过程中采集的原始脑电信号数据;S22:对S21选取的数据进行筛选,滤掉严重受损的以及采样频率不是预设值的原始脑电信号数据;S23:对S22筛选得到的原始脑电信号数据进行数值扩大处理,并进行向下取整的操作;S24:对S23得到的数据做零均值归一化的预处理;S25:将S24得到的数据划分为训练集、验证...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。