一种基于深度置信网络的跨被试空闲态检测方法技术

本发明专利技术涉及一种基于深度置信网络的跨被试空闲态检测方法，意在解决异步BCI系统中跨被试运动想象脑电信号的空闲态难以准确、快速检测的问题；通过对多个目标被试会话数据的采集构成跨被试训练集，定义各类检测状态后经由训练过程获取高维样本，利用共空间模式方法和功率谱特征特征映射方法得到最终的样本特征；利用深度置信网络作为分类器模型，将样本特征作为输入，配置合理参数，训练深度神经网络，根据最终的网络模型针对待测数据实施分类检测，准确识别脑电信号的空闲态。

A method for detecting idle states of cross subjects based on deep belief network

The invention relates to a method for detecting the idle state of cross-subject based on deep confidence network, which aims to solve the problem that it is difficult to detect the idle state of cross-subject motor imagery EEG signal accurately and quickly in asynchronous BCI system; the cross-subject training set is constructed by collecting the conversational data of multi-target subjects, and various detection states are defined. High-dimensional samples are acquired through training process, and the final sample features are obtained by common space pattern method and power spectrum feature mapping method; the depth confidence network is used as classifier model, the sample features are taken as input, the reasonable parameters are allocated, and the depth neural network is trained according to the final network model to be tested. Data are classified and detected to accurately identify the idle state of EEG signals.

【技术实现步骤摘要】
一种基于深度置信网络的跨被试空闲态检测方法
本专利技术涉及一种面向异步脑机接口(BCI)系统运动想象脑电信号空闲态的检测方法，尤其是针对跨多个被试的基于深度置信网络的空闲态检测方法。
技术介绍
针对运动想象脑电信号空闲态检测问题，常用方法大都基于单个被试的空闲态判定与识别，存在显著的局限性，即模型的不可重利用性。面对多个被试的情况，每次只能针对一个被试调试大量的参数以训练出较好模型，且该过程因个体的差异性而耗时不同。因此，需要寻找一个适用于更大范围的“局部”有效模型，减少由于这类重复性的训练过程而带来的不便，即实现跨被试的空闲态检测。在此基础上，需要提高检测的速度和准确率，实现对低信噪比非稳态运动想象数据的有效分类。深度学习作为机器学习的一个重要分支，试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象，学习到的结构尤其是非线性结构是对复杂数据结构的一种特征表达。包括深度神经网络、卷积神经网络和深度置信网络在内的多种深度学习框架已被应用于计算机视觉、语音识别、自然语言处理与生物信息学等领域并获取了极好的效果。利用深度置信网络可以有效识别异步BCI系统中空闲态和任务本文档来自技高网...

【技术保护点】
1.一种基于深度置信网络的跨被试空闲态检测方法，其特征是：包括下述步骤：1)针对x个目标被试中的单一个体，均采样固定的a个会话数据，每个会话中包含等量的任务态和空闲态，将x*a作为跨被试训练集；2)定义该方法中针对全部被试的实验范式，空闲态和任务态交替时长为N秒，固定数据段时长为D秒，每次滑动步长为S秒，满足D

【技术特征摘要】
1.一种基于深度置信网络的跨被试空闲态检测方法，其特征是：包括下述步骤：1)针对x个目标被试中的单一个体，均采样固定的a个会话数据，每个会话中包含等量的任务态和空闲态，将x*a作为跨被试训练集；2)定义该方法中针对全部被试的实验范式，空闲态和任务态交替时长为N秒，固定数据段时长为D秒，每次滑动步长为S秒，满足D<N且S<N；3)定义该方法中原始数据可能出现的四种状态：真空闲态Ti、混合空闲态Mi、混合任务态Mt和真任务态Tt；4)定义该方法中最终的目标检测状态：空闲态I＝Ti+Mi和任务态T＝Mt+Tt；5)依据数据段时长D，针对所有被试，从训练过程中获得高维样本M_Sample；6)针对M_Sample，采用三对共空间模式滤波器并取对数后得到E个特征；7)对每个导联获取[8,30]范围内的功率谱特征，将导联进行串联后获得W个功率谱特征；8)将E+W个特征作为最终的样本特征；9)利用深度置信网络DBN作为分类器模型，设置合理参数，训练深度神经网络，根据最终的网络模型实施分类检测。2.根据权利要求1所述的基于深度置信网络的跨被试空闲态检测方法，其特征是：步骤3)中：真空闲态Ti是指滑动测试集数据段完全落在空闲态数据区间内；混合空闲态Mi是指滑动测试集数据段空闲态比例大于任务态比例；混合任务态Mt是指滑动测试集数据落在任务态的比例大于空闲态比例；真任务态Tt是指滑动测试集数据段完全落在任务态数据区间...

【专利技术属性】
技术研发人员：王禹，柏杏丽，马腾，焦飒镧，郭小波，魏涛，张劳模，程浩，李嘉宾，
申请(专利权)人：河南工程学院，
类型：发明
国别省市：河南,41