基于LSTM-FC的脑电信号特征提取与分类识别方法技术

本发明专利技术涉及一种基于LSTM‑FC的脑电信号特征提取与分类识别方法，其特征在于，包括以下步骤：S1：脑电信号的采集与预处理；S2：定义基本的LSTM网络的模型结构；S3：将通过LSTM网络的特征矩阵经过两层FC网络，得到融合FC网络的LSTM模型，即LSTM‑FC模型；S4：将训练集输入相应的模型中进行训练，利用误差反向传播更新网络；S5：训练好相应的模型后，再将测试集输入模型中得到运动想象任务的最终的分类准确率，进而评估此模型的性能；S6：对比LSTM和LSTM‑FC两个模型的性能，得出最优的模型。

Feature Extraction and Classification Recognition of EEG Signals Based on LSTM-FC

The present invention relates to a method of feature extraction and classification and recognition of EEG signals based on LSTM FC, which is characterized by the following steps: S1: acquisition and pre-processing of EEG signals; S2: definition of the basic model structure of LSTM network; S3: LSTM model, which integrates FC network, is LSTM FC model, through the characteristic matrix of LSTM network through two-layer FC network; S4: training. S5: After training the corresponding model, the final classification accuracy of the motion imagery task is obtained from the test set input model, and then the performance of the model is evaluated. S6: Comparing the performance of LSTM and LSTM FC, the optimal model is obtained.

【技术实现步骤摘要】
基于LSTM-FC的脑电信号特征提取与分类识别方法
本专利技术属于人工智能的脑机接口
，涉及一种基于长短时记忆神经网络(LongShort-TermMemory，LSTM)和全连接网络(FullyConnectedLayers,FC)相结合的脑机接口(Brain-ComputerInterface，BCI)系统中的运动想象分类识别方法，尤其是一种基于LSTM-FC的脑电信号特征提取与分类识别方法；该方法使用深度学习中的一种LSTM模型提取出能反映脑电信号的特性和其所承载的信息的特征矩阵，再利用FC网络进一步对LSTM所提取的特征信息进行融合提取，最后将所提取的特征矩阵映射到样本标记空间中实现端到端的脑电信号分类识别。
技术介绍
BCI是一种可以实现大脑与外界设备相交互的通讯系统，它试图直接连接大脑的内部神经元活动与外部的设备，以期辅助、增强或修复人类的认知和动作感觉能力。这种不需要依赖人体外围组织和肌肉组织，就可以实现人机交互的通讯方式，在生物医学工程、人工智能、计算机技术以及军事航空等领域成为研究的热点。BCI系统通过采集人脑内部神经元活动的电信号，一般称之为脑电信号，对这些本文档来自技高网...

【技术保护点】
1.一种基于LSTM‑FC的脑电信号特征提取与分类识别方法，其特征在于，包括以下步骤：S1：脑电信号的采集与预处理；S2：定义基本的LSTM网络的模型结构；S3：将通过LSTM网络的特征矩阵经过两层FC网络，得到融合FC网络的LSTM模型，即LSTM‑FC模型；S4：将训练集输入相应的模型中进行训练，利用误差反向传播更新网络；S5：训练好相应的模型后，再将测试集输入模型中得到运动想象任务的最终的分类准确率，进而评估此模型的性能；S6：对比LSTM和LSTM‑FC两个模型的性能，得出最优的模型。

【技术特征摘要】
1.一种基于LSTM-FC的脑电信号特征提取与分类识别方法，其特征在于，包括以下步骤：S1：脑电信号的采集与预处理；S2：定义基本的LSTM网络的模型结构；S3：将通过LSTM网络的特征矩阵经过两层FC网络，得到融合FC网络的LSTM模型，即LSTM-FC模型；S4：将训练集输入相应的模型中进行训练，利用误差反向传播更新网络；S5：训练好相应的模型后，再将测试集输入模型中得到运动想象任务的最终的分类准确率，进而评估此模型的性能；S6：对比LSTM和LSTM-FC两个模型的性能，得出最优的模型。2.根据权利要求1所述的一种基于LSTM-FC的脑电信号特征提取与分类识别方法，其特征在于，所述步骤S2中：在LSTM网络的模型结构中设置输入门，忘记门和输出门；三个门之间相互作用共同搭建LSTM网络的记忆模块，其数学表达式如下：令第t时刻网络的脑电数据输入为xt,隐藏层状态为ht，则上一时刻的隐藏层状态为ht-1，在数据经过LSTM前向传输后，内部的各个状态变化可如下表示：ft＝δ(Wf·[ht-1,xt]+bf)忘记门it＝δ(Wi·[ht-1,xt]+bi)输入门输入值新状态ot＝δ(Wo·[ht-1,xt]+bo)输出门ht＝ot*tanh(Ct)输出值其中，tanh为双曲正切函数，其数学表达式为：δ为sigmoid函数，其数学表达式为：Wf、Wi、WC、Wo和bi、bC、bo、bf均分别是网络中权值矩阵和偏差向量，需要进行训练的参数，其初始化值介于0-0.1之间，在训练过程中自动更新。3.根据权利要求2所述的一种基于LSTM-FC的脑电信号特征提取与分类识别方法，其特征在于，所述步骤S3中：定义FC网络的参数，将通过LSTM网络后的特征矩阵经过FC得到最终的LSTM-FC分类器；FC网络线性部分做线性转换，将LSTM最终的输出值o＝[o1,o2,...o...

【专利技术属性】
技术研发人员：徐舫舟，许晓燕，舒明雷，
申请(专利权)人：齐鲁工业大学，山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：山东,37