一种基于LSTM的脑电信号快速分类识别方法技术

本发明专利技术涉及一种基于LSTM的脑电信号快速分类识别方法，其特征在于，包括以下步骤：S1：脑电信号采集与预处理；S2：定义LSTM网络结构，并使用开源的深度学习架构TensorFlow搭建网络模型；S3：将真实的标签与预测的标签做对比，利用交叉熵损失函数计算出损失，再选择最佳的优化函数优化网络，提高训练的精确度；S4：利用训练好的模型预测出测试集的标签，并将其与真实的标签对比，对模型进行评估。

【技术实现步骤摘要】
一种基于LSTM的脑电信号快速分类识别方法
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(LongShort-TermMemory，LSTM)模型的脑机接口(Brain-ComputerInterface，BCI)系统中运动想象分类识别的方法；尤其是一种基于LSTM的脑电信号快速分类识别方法。
技术介绍
BCI是一种特殊的通讯系统，它不依赖于人体的外围神经和肌肉组织，就可以实现人脑与外部的通信交流，这种不需要语言或者动作支配的通信方式，可以实现由于神经系统混乱导致运动功能障碍的患者控制外部世界的能力，进而提高患者的生活质量。如今，BCI技术已引起国际上众多科技工作者的普遍关注，成为人工智能、生物医学工程、通信以及计算机技术等领域的研究热点。基于运动想象的脑电信号的相关研究是BCI技术研究领域的一个重要组成部分。运动想象是指患者在不能进行正常肢体运动的状态下，凭借大脑想象某种运动的思维过程。通过记录下大脑活动时的脑波变化，再经过分类和识别处理得到肢体运动的意图识别，是基于运动想象的脑电信号研究分析的重要组成部分。脑电信号就是脑神经细胞电生理活动在大脑皮层的总体反映，不同生理状态，相应的脑电波形也会不同，目前根据脑电信号采集方式的不同，将BCI分为大致两种主要类型：侵入式BCI和非侵入式BCI，侵入式BCI通常利用植入到大脑中的一个或多个微电极记录大脑活动时的电活动，而非侵入式BCI是在受试者头上佩戴一种外部脑电检测装置记录大脑活动时的电活动。BCI的核心部分是对采集的脑电信号进行正确而快速的特征提取与分类识别。对整个人脑独特的信息处理能力得益于其大规模的并行和分布式计算方式，承担大脑信息处理任务的是一种被称为神经元的细胞，神经元好比一个复杂的电化学设备，负责从上百个神经元中获取信息、处理信息并传递给其他神经元。受到这种生物神经网络功能运作的启发，人们构筑了一种类似于大脑神经突触连接的结构进行信息处理的数学模型，即人工神经网络(ArtificialNeuralNetwork，ANN)，与人类大脑的神经元不同的是，ANN不按照特定的物理距离连接，它具有独立的层和连接，还有数据传播方向。随着对现代神经科学研究和人工智能的发展，人们在对神经网络算法的研究日益加深，在此基础上提出了深度学习的概念。深度学习是当今人工智能领域研究和应用开发的热点，是基于ANN发展起来的一项技术，深度学习之所以被称之为“深度”，是相对于传统的支持向量机(SupportVectorMachine，SVM)、朴素贝叶斯分类器(NaiveBayesClassifier，NBC)、线性判别式分析(LinearDiscriminantAnalysis，LDA)等“浅层”学习方法而言的，深度学习通过调节网络参数，迭代学习来寻找到最佳的特征表达模型，不需要人工设计特征，就可以自动地学习数据的特征，省去很多人工设计的工作，同时可以更好地表达数据本身的特征。在深度学习算法中，最具有代表性和使用最多的算法就是卷积神经网络(ConvolutionNeuralNetwork，CNN)和循环神经网络(RecurrentNeuralNetworks，RNN)，其中相比较于CNN利用卷积核在待处理的数据上进行平移来提取特征的方法，RNN按时间序列展开的方式更加适用于BCI中的时序信号的处理。RNN模型中将时间的先后顺序信息加入到神经网络中，可以对过去的事情加以“记忆”，但是这种“记忆”是有限的，普通的RNN只能与前面若干序列有关，且在训练时容易产生梯度消失或者爆破的现象。此为现有技术的不足之处。因此，针对现有技术中存在的缺陷，提供设计一种基于LSTM的脑电信号快速分类识别方法；以解决现有技术中的上述缺陷，是非常有必要的。
技术实现思路
本专利技术的目的在于，针对上述现有技术存在的缺陷，提供设计一种基于LSTM的脑电信号快速分类识别方法，以解决上述技术问题。为实现上述目的，本专利技术给出以下技术方案：一种基于LSTM的脑电信号快速分类识别方法，其特征在于，包括以下步骤：S1：脑电信号采集与预处理；S2：定义LSTM网络结构，并使用开源的深度学习架构TensorFlow搭建网络模型；S3：将真实的标签与预测的标签做对比，利用交叉熵损失函数计算出损失，再选择最佳的优化函数降低损失值进行网络优化，进而提高训练的准确率；S4：利用训练好的模型预测出测试集的标签，并将其与真实的标签对比，对模型进行评估。作为优选，所述步骤S1中：采用侵入式的方式进行脑电信号的采集，在患者大脑右半球运动皮层表面放置一个8×8cm尺寸，规格为8×8的网格状铂电极，通过64个数据的信道来记录ECoG。在实验中，受试者根据图像提示重复想象伸舌头和左小指的运动，以1000Hz的采样率进行数据的采样，并以1和-1来标记这两类运动想象。整个数据集包括训练集的数据和训练标签，以及测试集的数据和测试标签，数据以MATLAB的标准格式存储，其中，训练集的数据格式为278×64×3000，测试集的标签格式为278×1，测试集的数据格式为100×64×3000，测试集的标签格式为100×1。数据集均采集于同样的受试者和相同的任务，但是由于采集时间的间隔、设备的状态甚至是受试者轻微地状态变化都会影响到脑电数据的正确获取，加大了分类的难度。另外，步骤S1中所述预处理过程主要是降采样过程，降采样是指在原始采样序列中按照事先设置的采样间隔，等间隔地取出一些采样点，得到新的采样序列。合适的采样速率不仅不会丢失数据的特征信息，还可以有效的去除部分噪声和伪迹干扰，提高运算速度。作为优选，所述步骤S2中：设循环神经网络网络的第t时刻输入为xt上一时刻的隐藏层状态为ht-1，本时刻的隐藏层状态ht与循环神经网络所表示的函数f将有如下表示：ht＝f(xt,ht-1)＝δ(wxhxt+whhht-1+bh)其中，wxh与whh为隐藏层对应的权值矩阵，bh是隐藏层对应的偏置向量，δ表示sigmoid函数。LSTM设置输入门(InputGate)，遗忘门(ForgetGate)和输出门(OutputGate)，使得自循环的权重是变化的，当模型参数固定的情况下，不同时刻的积分尺度可以动态改变，从而避免了在训练过程中容易发生的梯度消失或者梯度膨胀的问题。LSTM结构的循环神经网络的前向传播是一个相对比较复杂的过程，具体的LSTM每个“门”的定义如下：(A)遗忘门：在LSTM表示以一定的概率控制是否遗忘上一层的隐藏细胞状态。上一序列的隐藏状态为训练过程ht-1，当前序列的数据为xt，通过一个sigmoid激活函数，得到遗忘门的输出为ft。由于sigmoid的会将输出ft投影到[0,1]之间，因此这里的输出ft，实则是代表了遗忘上一层隐藏细胞状态的概率。用数学表达式即为：ft＝δ(wxfxt+whfht-1+wcfct+bf)其中，wxf、whf和wcf均为遗忘门所对应的权值矩阵，bf是遗忘门所对应的偏置向量(B)输入门：负责处理当前序列位置的输入，由两部分组成，第一部分使用了sigmoid激活函数，输出为it，第二部分使用了tanh激活函数，输出为可以表示理解为待候选的记忆单元。用数学表达式即为：it＝δ(wxixt+whiht-本文档来自技高网...

【技术保护点】
1.一种基于LSTM的脑电信号快速分类识别方法，其特征在于，包括以下步骤：S1：脑电信号采集与预处理；S2：定义LSTM网络结构，并使用开源的深度学习架构TensorFlow搭建网络模型；S3：将真实的标签与预测的标签做对比，利用交叉熵损失函数计算出损失，再选择最佳的优化函数进行网络优化，提高训练的准确率；S4：利用训练好的模型预测出测试集的标签，并将其与真实的标签对比，对模型进行评估。

【技术特征摘要】
1.一种基于LSTM的脑电信号快速分类识别方法，其特征在于，包括以下步骤：S1：脑电信号采集与预处理；S2：定义LSTM网络结构，并使用开源的深度学习架构TensorFlow搭建网络模型；S3：将真实的标签与预测的标签做对比，利用交叉熵损失函数计算出损失，再选择最佳的优化函数进行网络优化，提高训练的准确率；S4：利用训练好的模型预测出测试集的标签，并将其与真实的标签对比，对模型进行评估。2.根据权利要求1所述的一种基于LSTM的脑电信号快速分类识别方法，其特征在于，所述步骤S2中：设循环神经网络网络的第t时刻输入为xt上一时刻的隐藏层状态为ht-1，本时刻的隐藏层状态ht与循环神经网络所表示的函数f将有如下表示：ht＝f(xt,ht-1)＝δ(wxhxt+whhht-1+bh)其中，wxh与whh为隐藏层对应的权值矩阵，bh是隐藏层对应的偏置向量，δ表示sigmoid函数；LSTM设置输入门，遗忘门和输出门，使得自循环的权重是变化的，当模型参数固定的情况下，不同时刻的积分尺度可以动态改变，从而避免了在训练过程中容易发生的梯度消失或者梯度膨胀的问题；具体的LSTM每个“门”的定义如下：遗忘门：在LSTM表示以一定的概率控制是否遗忘上一层的隐藏细胞状态；上一序列的隐藏状态为训练过程ht-1，当前序列的数据为xt，通过一个sigmoid激活函数，得到遗忘门的输出为ft；由于sigmoid的会将输出ft投影到[0,1]之间，因此这里的输出ft，实则是代表了遗忘上一层隐藏细胞状态的概率；用数学表达式即为：ft＝δ(wxfxt+whfht-1+wcfct+bf)其中，wxf、whf和wcf均为遗忘门所对应的权值矩阵，bf是遗忘门所对应的偏置向量；输入门：负责处理当前序列位置的输入，由两部分组成，第一部分使用了sigmoid激活函数，输出为i...

【专利技术属性】
技术研发人员：徐舫舟，许晓燕，郑文风，张迎春，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东,37