The invention requests protection of a method of EEG identification combining convolution neural network (CNN) and long short time memory network (LSTM). First, the Emotiv acquisition instrument is used to collect EEG data, and the collected EEG signals are preprocessed by means of averaging, filtering, normalization and so on. Secondly, the pre processed data are entered into the coiling layer and pool. Then, the spatial feature is extracted from the layer; then, after the pool layer is directly connected to LSTM, the time sequence information of the EEG data is extracted. Finally, the classification task is completed through the Dropout and the full connection layer. The invention can make full use of the temporal and spatial characteristics of EEG signals, extract the spatial and temporal information of EEG data, thus improve the classification accuracy of EEG signals, and provide a new way for the study of EEG recognition.
【技术实现步骤摘要】
一种结合卷积神经网络和长短时记忆网络的脑电识别方法
本专利技术属于脑电信号的特征提取及识别领域,特别是一种结合卷积神经网络(CNN)和长短时记忆网络(LSTM)的脑电识别方法。
技术介绍
脑-机接口(BCI)是一种不依赖于肌肉和外围神经,就可以实现人脑和计算机或其他设备的通信的新的交互方式。在医疗领域、认知科学、心理学、军事领域和生活娱乐等领域都具有巨大的实用价值,特别是在医疗领域,BCI技术可以帮助那些天生或后天损伤了肌肉神经的(例如脑瘫、肌萎缩侧索硬化等)病人正常的和外界进行交流甚至康复。脑电信号(EEG)处理是BCI系统的关键技术,包括脑电信号预处理、特征提取和分类3个部分。常用的脑电信号特征提取方法有小波变换、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),贝叶斯分类器(BayesianClassifier),支持向量机(SVM)等。脑电信号是一种复杂的非线性随机时序信号,而且脑电信号有大量的噪音(例如,低信号噪声比和不完整的信号脑电信号),并且具有高维多通道的特点,因此很难对其进行建模。然而,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学习并提取有效信息,因此很多深度学习的方法也被应用到脑电信号的分析中。现有的深度学习方法如DBN、DSN等对EEG数据进行处理时,往往忽略了脑电信号的时间序列信息,还有不同电极的多通道对应大脑不同区域的空间信息,所以处理过程中一些隐含的有用信息可能没有被利用到,导致模型的分类准确率不高。公开号为CN107239142A的专利:一种结合公共空间模式算法和EMD的脑电信号 ...
【技术保护点】
一种结合卷积神经网络和长短时记忆网络的脑电识别方法,其特征在于,包括以下步骤:1)、首先使用Emotiv采集仪采集脑电信号数据,并对采集到的脑电信号进行包括去均值、滤波、归一化在内的预处理;2)、其次,将预处理后的数据输入卷积神经网络,所述卷积神经网络从上至下包括两层卷积和两层池化,通过卷积池化提取脑电数据的空间特征;3)、然后,将步骤2)提取的脑电数据空间特征直接输入长短时记忆LSTM网络,提取脑电数据的时序信息,所述LSTM网络改进在于:通过在每个LSTM单元中引入门结构,即sigmoid层输出的每个元素都是一个在0和1之间的实数,表示让对应信息通过的权重或者占比;以确定如何忘记来自先前输入的信息,并且在长距离序列中新输入可用时更新信息。4)、最后将提取的脑电数据的时序信息经过Dropout和全连接层,完成分类任务。
【技术特征摘要】
1.一种结合卷积神经网络和长短时记忆网络的脑电识别方法,其特征在于,包括以下步骤:1)、首先使用Emotiv采集仪采集脑电信号数据,并对采集到的脑电信号进行包括去均值、滤波、归一化在内的预处理;2)、其次,将预处理后的数据输入卷积神经网络,所述卷积神经网络从上至下包括两层卷积和两层池化,通过卷积池化提取脑电数据的空间特征;3)、然后,将步骤2)提取的脑电数据空间特征直接输入长短时记忆LSTM网络,提取脑电数据的时序信息,所述LSTM网络改进在于:通过在每个LSTM单元中引入门结构,即sigmoid层输出的每个元素都是一个在0和1之间的实数,表示让对应信息通过的权重或者占比;以确定如何忘记来自先前输入的信息,并且在长距离序列中新输入可用时更新信息。4)、最后将提取的脑电数据的时序信息经过Dropout和全连接层,完成分类任务。2.根据权利要求1所述的结合卷积神经网络和长短时记忆网络的脑电识别方法,其特征在于,所述步骤1)对采集到的脑电信号进行包括去均值、滤波、归一化在内的预处理,具体包括:去均值:即将每个样本的幅值都减去其平均幅值,使脑电信号的均值为零;带通滤波:对脑电信号进行8-30Hz的带通滤波;归一化:对滤波后的脑电信号进行归一化使其在[0,1]范围内。3.根据权利要求2所述的结合卷积神经网络和长短时记忆网络的脑电识别方法,其特征在于,所述步骤2)将经过预处理后的脑电信号重构成三维数据,建立卷积神经网络,包括两层卷积和两层池化,卷积部分分别使用16和32个5*5的内核,最大池化使用2*2的过滤器,步幅都是1。4.根据权利要求3所述的结合卷积神经网络和长短时记忆网络的脑电识别方法,其特征在于,所述卷积层的计算公式为:其中,表示第l层输出的特征图m的激活值,...
【专利技术属性】
技术研发人员:蔡军,魏畅,唐贤伦,昌泉,陈晓雷,曹慧英,万亚利,李佳歆,
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。