一种基于深度学习的运动想象脑电信号分类方法技术

本发明专利技术公开了一种基于深度学习的运动想象脑电信号分类方法，属于模式识别和脑机接口技术领域。包括：对脑电信号的分析与预处理，对脑电信号的二维转换，构建运动想象脑电信号分类的卷积神经模型；对神经网络进行训练得到运动想象脑电信号分类模型以及对模型进行测试和性能评估。与现有技术相比，本发明专利技术通过利用每个时间点的数据作为样本且做了2D转换以及深度学习的方法提高了运动想象脑电信号分类的准确率，同时提高了分类的实时性和稳定性。

A Classification Method of Motion Imagination EEG Signals Based on Deep Learning

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。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。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采集原始脑电信号数据；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、验证集与测试集。S25中，训练集、验证集与测试集中数据个数的比例为8：1：1。所述S3中，采用以下方式将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：其中，E1,64代表时间t时的1D脑电信号，共64列；ChX代表每个电极采集的信号大小，X对应于电极的序号；G10,11代表时间t时的2D脑电信号，形状为10×11。所述S4中，所述卷积神经网络模型包括8层，按顺序分布为1层输入层、1层卷积层、1层池化层、3层卷积层、1层全连接层以及1层输出层，其中：按分布顺序，每个卷积层的卷积核数量分别为32、64、128和128，卷积核的大小都为3×3，步长均为1，激活函数为eLU函数；在每层卷积层都添加了批归一化，构成Conv+BN+eLU模式；池化层为最大池化层，卷积核的大小为2×2，步长为2；全连接层的神经元个数为512个，激活函数为eLU函数，最后输出层，有5个神经元，激活函数为Softmax函数；在连接层之后添加了Dropout层，按照设置概率0.5随机屏蔽掉一部分神经元。所述S4中，在训运动想象脑电信号分类模型时，采用Adam优化器，并在训练时做梯度裁剪，限制最大的梯度；在训练运动想象脑电信号分类模型时，在每层卷积层的权重初始化中采用He正态分布初始化方法，方法如下：其中，nin为权重张量的扇入，Wi,j为每层卷积层的权重参数；将测试集送入训练好的运动想象脑电信号分类模型中，得到运动想象脑电信号的分类正确率。做梯度裁剪时，对超过阈值的梯度值进行规约，规约的公式如下：其中，‖w‖2是张量w的二范式，clip_norm是阈值。相对于现有技术，本专利技术具有以下有益效果：传统对脑电信号的分类算法要做复杂的预处理与特征提取，而本专利技术基于深度学习的运动想象脑电信号分类方法摒弃了传统方法，用近乎不做处理的原始数据构建模型，并把采集到的脑电数据模仿实际采集时的排列形状来获得更加实际的空间关系，提高了分类的准确率，同时，本专利技术采用时间点的数据而不是时间窗口的数据来做分类，降低了数据的冗余，还提高了分类速度。本专利技术利用深度学习的方法能够降低对脑电信号预处理的要求，提高分类效率，与传统的方法相比，深度学习的方法具有学习速度快，泛化性能好，分类准确率高等优点。附图说明图1是本专利技术的基于深度学习的运动想象脑电信号分类方法的流程示意图；图2是本专利技术实施例脑电信号采集时电极的放置排列形状，按照国际脑电图协会标定的10-10法采集；图3是本专利技术设计的用于分类运动想象脑电信号的深度学习模型结构图。具体实施方式下面结合附图和实施例对本专利技术的具体实施方式作进一步详细描述。以下实施列用于说明本专利技术，但不用来限制本专利技术的范围。实施例请参阅图1，本实施例的基于深度学习的运动想象脑电信号的分类方法，包括如下步骤：步骤1：实验数据的采集，即采集原始脑电信号数据集，采集时受试者带上电极帽，原始脑电信号是通过64导国际脑电图协会标定的10-10法的EEG放大器进行采集，并选取所有电极位置，每个受试者会进行14次实验，采集的时候，受试者做到椅子上，在受试者面前有一个屏幕，屏幕上有一个目标：前两次实验是持续1min的基础实验，基础实验包括眼睛的睁开和紧闭，即前两次实验时，眼睛睁开1min，眼睛紧闭1min；然后是循环三次的实验，每次实验是持续8min的4类实验任务，每类实验持续2min。第一类实验任务为：在屏幕的左边和右边分别出现目标，当左边出现目标时，受试者打开或者紧闭左手，直到目标消失；当右边出现目标时，受试者打开或者紧闭右手，直到目标消失；第二类实验任务为：在屏幕的左边或右边分别出现目标，受试者想象打开或者紧闭对应的左右拳头直到目标消失；第三类实验任务为：在屏幕的顶端和底端分别出现目标，受试者打开或者紧闭对应的拳头(目标处于顶端时)和脚(目标处于底端时)直到目本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：吕娜，井雪，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61