【技术实现步骤摘要】
时空特征融合的并行卷积网络运动想象脑电图分类方法
本专利技术属于运动想象脑电分类领域,特别是一种基于时空特征融合的并行卷积神经网络运动想象脑电图识别方法。
技术介绍
脑电作为头皮脑细胞生理活动的全面反映,其中包含大量的生理和疾病信息。基于EEG信号通信的脑机交互系统(BCI),可以替代大脑神经和肌肉组织传送作为信号传输通道,从而实现大脑和仿生机械的交互。BCI作为人机交互的延伸,一直受到科学界学者和研究员的广泛关注。基于运动想象脑电识别,是BCI系统交互关于与外界交互的关键节点。运动想象是由人脑主观进行想象,例如想象左手握手、想象右手握手,以及想象腿屈伸等。通过对运动想象脑电信号的分析,可以识别人脑运动想象的意图,输出到BCI的仿生系统之中,从而实现脑机控制。因此,对运动想象脑电信号处理的研究,可以提升对大脑神经认知、大脑疾病康复以及大脑皮层信号分析的探索。充满潜力的应用前景将EEG研究推向高速发展的时期,使得它成为最具吸引力的学科方向之一。在BCI系统之中,存在特征提取以及特征分类两个重要部分。常用的特征提取方法有快速傅里叶变换(FFT),共同空间模式(CSP),以及小波变换(DT)等,这些特征提取方法不仅需要大量的人为数据处理,而且对噪声敏感,容易造成特征混乱。常用的特征分类方法有人工神经网络,支持向量机等。由于EEG复杂的生成机制,这些特征分类方法存在迭代层次较浅,特征提取不充分的问题。近年来,随着深度学习在图像识别,自然语言处理,电力负荷预测,模式识别等研究领域取得巨大的成功。由于其具有强大处 ...
【技术保护点】
1.一种时空特征融合的并行卷积网络运动想象脑电图分类方法,其特征在于,包括以下步骤:/n步骤1:获取原始EEG脑电通道数据,并采用包括归一化、去均值在内的步骤处理原始EEG通道数据;/n步骤2:基于重叠切割的方式切分步骤1预处理后的原始EEG通道数据;/n步骤3:对步骤2所得每个EEG通道进行小波变换,求取Theta波、alpha波以及beta波三个频带;/n步骤4:将步骤3中所得的Theta波、alpha波以及beta波三个频带,求取每个频带值的平方和;/n步骤5:将步骤4求取的每个频带值的平方和,基于插值算法,对2D通道分布图进行插值,生成2D脑电特征分布图;/n步骤6:采用多重卷积神经网络对步骤5生成的2D特征分布图进行网络训练;/n步骤7:基于时间卷积神经网络同时对步骤5中的2D特征图进行并行训练;/n步骤8:基于Softmax对空间特征以及时序特征进行融合以及分类。/n
【技术特征摘要】
1.一种时空特征融合的并行卷积网络运动想象脑电图分类方法,其特征在于,包括以下步骤:
步骤1:获取原始EEG脑电通道数据,并采用包括归一化、去均值在内的步骤处理原始EEG通道数据;
步骤2:基于重叠切割的方式切分步骤1预处理后的原始EEG通道数据;
步骤3:对步骤2所得每个EEG通道进行小波变换,求取Theta波、alpha波以及beta波三个频带;
步骤4:将步骤3中所得的Theta波、alpha波以及beta波三个频带,求取每个频带值的平方和;
步骤5:将步骤4求取的每个频带值的平方和,基于插值算法,对2D通道分布图进行插值,生成2D脑电特征分布图;
步骤6:采用多重卷积神经网络对步骤5生成的2D特征分布图进行网络训练;
步骤7:基于时间卷积神经网络同时对步骤5中的2D特征图进行并行训练;
步骤8:基于Softmax对空间特征以及时序特征进行融合以及分类。
2.根据权利要求1所述的一种时空特征融合的并行卷积网络运动想象脑电图分类方法,其特征在于,所述步骤1采用包括归一化、去均值在内的步骤处理原始EEG通道数据,具体包括:
去均值:将数据中的平均值减去振幅,使得脑电信号的平均值为0;
归一化:对原始数据进行线性变换,使得结果映射到[0,1]之间。
3.根据权利要求2所述的一种时空特征融合的并行卷积网络运动想象脑电图分类方法,其特征在于,所述步骤2基于重叠切割的方式切分步骤1预处理后的原始EEG通道数据,具体包括:
基于重叠切割处理原始时序通道EEG数据,使得一个运动想象周期内提取的每一帧EEG数据存在部分重叠,定义公式
xi=xi-1+f-o*fi≠0
xi=0i=0
式中,x为切割起点,i为第几个样本,f为频率大小,o*f为重叠大小,其中o为切割权重,范围在0~1之间;
根据数据矩阵[[x0,x0+128],[x1,x1+128],[x0,x0+128],...,[xn,xn+128]],对14个EEG通道进行切分,并且把每个时间窗口数据进行数据排列,保证数据时间序列不破坏。
4.根据权利要求3所述的一种时空特征融合的并行卷积网络运动想象脑电图分类方法,其特征在于,所述步骤3对步骤2所得每个EEG通道进行小波变换,求取Theta波、alpha波以及beta波三个频带,具体包括:
对于每个EEG通道数据,在经过预处理以后,对每一帧的数据,进行傅里叶变换,设x∈CN是长度为N的EEG信号,则快速傅里叶变换为:
其中,n=0,1,...,N-1为不同频率,WN=e-j(2π/N)。
则快速傅里叶的逆变换为:
长度为的N的实值离散傅里叶有长度为N/2的复值快速傅里叶变换得到。设x∈RN,则实值快速傅里叶变换为:
由快速傅里叶变换后,我们将频带属于Th...
【专利技术属性】
技术研发人员:唐贤伦,孔德松,邹密,刘行谋,马伟昌,李伟,王婷,彭德光,李锐,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆;50
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。