基于高斯伯努利卷积深度置信网络的脑电信号分类方法技术

本发明专利技术请求保护一种基于高斯伯努利卷积深度置信网络的脑电分类信号方法，该方法采用预处理阶段采用基于负熵最大的盲源分离算法去除运动想象脑电的信号干扰；基于互信息选取频率和电极参数，将高斯伯努利受限玻尔兹曼机的无监督学习和卷积神经网络相结合进行特征提取并分类，新的基于高斯伯努利受限玻尔兹曼机的卷积深度置信网络模型模型可以通过生成的卷积滤波器从全尺寸图像中提取出有意义的特性，减少相当多的负权值，能更有效地从邻近的图像补丁中学习空间信息，明显提高了脑电信号类别判别的正确率，使脑电信号类别判别的精确度得到较大改善与提高。

Classification of EEG Signals Based on Gauss Bernoulli Convolution Depth Confidence Network

The invention requests the protection of an EEG classification signal method based on Gauss Bernoulli convolution depth confidence network, which adopts a blind source separation algorithm based on maximum negative entropy in the pre-processing stage to remove the signal interference of motor imagery EEG, and combines unsupervised learning of Gauss Bernoulli restricted Boltzmann machine and convolution neural network based on mutual information to select frequency and electrode parameters. Combined with feature extraction and classification, the new convolution depth confidence network model based on Gauss-Bernoulli restricted Boltzmann machine can extract meaningful features from full-scale images by generating convolution filters, reduce considerable negative weights, learn spatial information more effectively from adjacent image patches, and improve the accuracy of EEG classification. Rate, the accuracy of EEG classification is greatly improved and improved.

【技术实现步骤摘要】
基于高斯伯努利卷积深度置信网络的脑电信号分类方法
本专利技术属于一种脑电信号分类方法，尤其涉及一种基于高斯伯努利卷积深度置信网络的脑电分类信号方法。
技术介绍
脑电信号识别可应用于医学、神经工效学、智能环境、教育和自我调节以及安全性和认证等领域。目前脑电信号识别方法很多，基于支持向量机的方法对脑电信号进行分类，泛化能力有了一定提高，但分类正确率不高。随着深度学习的发展，在脑机接口分类中应用了不同类型的深度学习方法，其中卷积神经网络模型并结合堆叠自动编码器的脑电信号分类方法在脑机接口竞赛IV数据集2b中的分类性能不是很理想。修改滤波器组共同空间模式方法增加了一个时间维度，将一维的脑电信号数据转换为二维的矩阵信号，作为卷积神经网络的输入，准确率有所提升，但是训练时间延长了。深度置信网络是由多个受限玻尔兹曼机组成，受限玻尔兹曼机模型特殊的层间连接、层内独立结构可有效解决卷积神经网络结构中的“梯度弥散”问题，提升学习性能，但受限玻尔兹曼机模型结构计算成本高，而卷积神经网络的权值共享特性和池化层结构则可以大大减少计算量。为了进一步改进不同类型数据的特性，出现了协同滤波的高斯伯努利受限玻尔兹曼机本文档来自技高网...

【技术保护点】
1.一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其特征在于，包括以下步骤：步骤1、对脑电信号进行包括信号滤波降噪、单次实验提取、降采样在内的预处理；步骤2、对步骤1预处理后的脑电信号采用基于负熵最大的盲源分离算法，主要包括对初始化后的脑电信号进行中心化，设置迭代次数，对信号进行正交化，循环直至收敛为止，目的是进行独立成分分解和独立成分分析滤波，去除运动想象脑电的信号干扰；步骤3、建立能量函数、可见和隐藏单元的设计函数；步骤4、建立高斯伯努利约束玻尔兹曼机的卷积过程；第一部分是特征提取，第二部分是图像重构；步骤5、建立基于高斯伯努利受限玻尔兹曼机的卷积深度置信网络模型；步骤6、利用高斯...

【技术特征摘要】
1.一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其特征在于，包括以下步骤：步骤1、对脑电信号进行包括信号滤波降噪、单次实验提取、降采样在内的预处理；步骤2、对步骤1预处理后的脑电信号采用基于负熵最大的盲源分离算法，主要包括对初始化后的脑电信号进行中心化，设置迭代次数，对信号进行正交化，循环直至收敛为止，目的是进行独立成分分解和独立成分分析滤波，去除运动想象脑电的信号干扰；步骤3、建立能量函数、可见和隐藏单元的设计函数；步骤4、建立高斯伯努利约束玻尔兹曼机的卷积过程；第一部分是特征提取，第二部分是图像重构；步骤5、建立基于高斯伯努利受限玻尔兹曼机的卷积深度置信网络模型；步骤6、利用高斯伯努利卷积深度置信网络对数据集进行不同样本数量下的分类识别。2.根据权利要求1所述的一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其特征在于，所述步骤2独立成分分析滤波中，独立成分的选择遵循频域判定准则和空间分布的判定准则。3.根据权利要求2所述的一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其特征在于，所述频域判定准则：由于运动想象的脑电成分主要集中在μ节律，经过独立成分分析分解后，比较各独立成分中8～12Hz功率谱能量占总能量的比值，比值较大的成分视为运动想象独立成分，去除比值较小的独立成分；空间分布的判定准则：由于运动想象信号主要出现在大脑的C3和C4区域，因此C3和C4通道中所含的脑电源成分比重大，验证各独立成分与C3或C4通道信号的相关性，来从空间分布上确定该独立成分的属性，通过上述两个方法筛选出原始脑电信号的独立成分和伪迹信号的独立成分，将伪迹信号的独立成分置零就得到不包含伪迹的信号。4.根据权利要求2所述的一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其特征在于，所述步骤3具体包括步骤：首先将卷积神经网络和协同滤波的高斯伯努利受限玻尔兹曼机结合起来生成一个高斯伯努利受限玻尔兹曼机的卷积结构，此外，通过叠加所提出的高斯伯努利受限玻尔兹曼机建立一种基于高斯伯努利卷积深度置信的网络模型，本方法的能量函数包括两个变体，向量v和h表示相应的可见和隐藏单元，使用权重矩阵用W表示表示两层之间的对称连接，能量函数为：其中vi和hj表示第i可见单元的实值状态和第j隐单元的二进制状态，bi是第i可见单元的偏置，ci是第j隐藏单元的偏置，σi表示高斯分布的标准偏差，联合概率状态p(...

【专利技术属性】
技术研发人员：唐贤伦，杨济维，伍亚明，魏畅，昌泉，林文星，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50