【技术实现步骤摘要】
本专利技术涉及脑电信号的特征提取及分类方法
,特别是一种基于深层堆叠网络的脑电信号特征提取及分类方法。
技术介绍
脑-机接口(BCI)是一种直接通过人脑与计算机或外部设备进行交流的人机交互方式。BCI技术为瘫痪病人提供了新的信息交流渠道,可以提高病人的生活质量,并在医疗领域、认知科学、心理学、军事领域、娱乐和可穿戴智能装备领域都具有巨大的实用价值。脑电信号(EEG)的识别是BCI的关键技术,包括信号预处理、特征提取和特征分类3个环节。常用的脑电信号特征提取方法有自回归(AR)模型、小波变换、共同空间模式(CSP)等。常用的特征分类方法包括线性判别式分析(LDA),人工神经网络(ANN),支持向量机(SVM)等。脑电信号是一种复杂的非线性随机信号,并且具有高维多通道的特点,导致对其进行建模困难,而深度学习具有强大的处理非线性和高维数据的能力,能够自动从原始数据中提取有效信息,因此很多深度学习的方法也被应用到脑电信号的分析中,为脑-机接口中脑电信号的特征提取及识别提供了一种新的思路。传统的监督学习需要采集大量有标记的EEG数据用来训练分类器,获得大量的有标记样本不仅需要耗费大量的人力物力资源,并且在数据处理的过程中很可能剔除掉一些隐含的有用信息,所以使用传统的特征提取方法所提取的特征不足以用于对脑电信号的识别过程进行很好的分析。无监督学习虽然使用未标记的EEG数据训练分类器,但是由于缺乏有标记EEG数据的信息,容易导致模型的泛化能力下降,从而使得分类准确率不高。因此,需要一种基于深层堆叠网络的脑电信号特征提取及分类方法。
技术实现思路
本专利技术的目的是提 ...
【技术保护点】
一种基于深层堆叠网络的脑电信号特征提取及分类方法,其特征在于:包括以下步骤:采集脑电信号数据;对脑电信号进行预处理;使用多个受限玻尔兹曼机对单通道的脑电信号进行独立预训练,提取单个通道的脑电信号,将训练得到的参数用于神经网络的参数初始化;采用批量梯度下降的方法对神经网络进行微调,对各通道的脑电信号特征进行有效融合;对神经网络进行性能测试并实现分类。
【技术特征摘要】
1.一种基于深层堆叠网络的脑电信号特征提取及分类方法,其特征在于:包括以下步骤:采集脑电信号数据;对脑电信号进行预处理;使用多个受限玻尔兹曼机对单通道的脑电信号进行独立预训练,提取单个通道的脑电信号,将训练得到的参数用于神经网络的参数初始化;采用批量梯度下降的方法对神经网络进行微调,对各通道的脑电信号特征进行有效融合;对神经网络进行性能测试并实现分类。2.如权利要求1所述的基于深层堆叠网络的脑电信号特征提取及分类方法,其特征在于:所述脑电信号是通过使用Emotiv脑电信号采集仪来采集的,所述Emotiv脑电信号采集仪将采集到的脑电信号经过放大和滤波之后,通过无线USB接收器进行传输。3.如权利要求1所述的基于深层堆叠网络的脑电信号特征提取及分类方法,其特征在于:所述脑电信号的预处理...
【专利技术属性】
技术研发人员:唐贤伦,张娜,刘庆,刘雨微,蔡军,张毅,郭飞,
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。