一种基于长短时记忆模型的意念识别方法技术

本发明专利技术提供一种基于长短时记忆模型的意念识别方法，包括如下步骤：获取脑电信号数据；提取脑电信号的数据特征；对提取到的数据特征进行分类学习，完成网络模型的搭建；评估搭建的网络模型的性能。利用LSTM网络模型提取脑电信号特征，再将此特征通过GB分类器进行分类处理，得到网络模型的性能评估。实验结果表明，本发明专利技术方法能够将深度学习中LSTM算法与传统的GB分类器相结合，在成功分类出所有的脑电信号样本下，也为后续脑电分类识别研究提供一个新的方向。

【技术实现步骤摘要】
一种基于长短时记忆模型的意念识别方法
本专利技术涉及人工智能中的BCI相关
，具体涉及一种基于长短时记忆模型的意念识别方法。
技术介绍
BCI是脑机接口英文单词的缩写，其中，“机”不仅仅代表着计算机，从广义上来讲，一切有计算处理能力的机器都可以是“机”，简言之，BCI就是一种通过电极或其他手段(近红外、功能性磁共振等)来获取大脑神经活动的信息，再通过“机”的处理，转换成相应的控制指令进而控制其他设备的通信手段。随着美国于2013年提出BrainInitiative计划后，世界各国开始大面积开展脑科学研究计划，中国也于2016迅速加入时代洪流，制定了十五年(2016年-2030年)一体两翼的中国脑计划，其中的一个“飞机翅膀”就是研究脑机智能系统。随着科技的发展，基于BCI系统的研究已经受到了国内外诸多学者的关注，同时也取得一定的研究成果。真正意义上的BCI是凭借大脑思维想象便可以进行通信的系统，因此基于运动想象的BCI系统成为当下最流行的研究范式之一。大脑的想象可以激发运动皮层脑电节律变化，通过采集这些电信号，再利用信号处理技术便得到相应的控制指令。根据脑电信号采集方式不同，脑电信号的类型也不同，一般分为侵入式和非侵入式两种采集方式，其中皮质脑电图(Electrocorticography，ECoG)作为一种典型的侵入式脑电信号，因其具有较高的分辨率、较宽的带宽和较高的振幅成为BCI系统的研究内容之一。目前对脑电信号的分类算法研究多采用传统的算法进行分析，如支持向量机(SupportVectorMachine，SVM)、自回归(Adaptiveautoregressive，AR)模型、线性判别式分析(LinearDiscriminantAnalysis，LDA)以及共空间模式(Commonspatialpattern，CSP)等。然而脑电信号是一个复杂的非平稳非线性时序信号，上述的算法基本上是在基于单一的时域、频域或者空间域上进行分析的，同时，传统的算法在对脑电信号进行特征提取时多需要大量的、复杂的、枯燥的特征的设计工程。作为基于运动想象的BCI系统的核心，脑电信号的分类识别已经成为了制约BCI系统发展的瓶颈，迫切需要更加准确、更加快速、更加简单的算法来实现。得益于人工智能的发展，人们构建了一种可以不需要设计特征就可以自动学习数据的特征，即深度学习算法，其中，循环神经网络(RecurrentNeuralNetworks，RNN)作为深度学习中一种重要的算法，在处理时序信息上有着天然的优点，其按时间顺序展开的训练方式，可以提取出脑电信号中可能隐含的时序特征信息。然而普通的RNN网络在学习过程中很容易发生梯度消失或者爆破的现象。长短时记忆神经网络(LongShort-TermMemory，LSTM)，已经在文本处理，机器翻译和对话生成中有着很好的应用。梯度提升(GradientBoosting，GB)算法是在消除先验知识影响的同时，找到一种比随机猜想略好的弱分类器，将其提升为强分类器的方法，其中，强分类器是指分类算法能区分一组样本且准确率较高的分类算法，与之相反，若是识别准确率低于1/2，与随机猜想效果略好，则称为弱分类器。因为在神经网络中，其权值是很难得训练的，模型的复杂会导致网络泛化能力降低，模型的简单则又会导致学不到特征，取二者合适的阈值往往是需要大量的、枯燥的调参工作，甚至最终的分类结果也不尽人意，因此需要一种效率更高的算法对提取的特征进行处理。本专利技术提供一种将采用LSTM进行脑电数据的特征提取，再利用GB分类器将所提取到的特征映射到输出结果上，进而实现脑电信号分类的方法以期达到更好的效果。
技术实现思路
本专利技术针对传统的算法对脑电信号处理基本上是在基于单一的时域、频域或者空间域上进行分析的，同时，在对脑电信号进行特征提取时多需要大量的、复杂的、枯燥的特征的设计工程的问题，本专利技术提供一种LSTM模型进行脑电信号特征的提取，再利用GB分类器将所提取到的特征映射到输出结果上，进而实现脑电信号分类的方法。本专利技术的技术方案是：一种基于长短时记忆模型的意念识别方法，包括如下步骤：提取脑电信号的数据特征；对提取到的数据特征进行分类学习，完成网络模型的搭建；评估搭建的网络模型的性能。优选地，获取脑电信号数据，包括：通过侵入式方法采集了被试者运动想象脑电信号数据，其中，侵入式方法包括：被试者大脑右半球运动皮层表面放置一个铂电极，被试者根据提示重复想象设定的运动，并记录数据。优选地，提取脑电信号的数据特征，包括：定义LSTM的网络结构，进行脑电信号的特征提取，其中，在LSTM中分别设置输入门、遗忘门和输出门三个门机制结合使用一个sigmoid神经网络和一个按位做乘法的操作，实现网络有效的保存长时记忆的能力。由于脑电波采集过程中的时间间隔和铂电极放置位置的变化，甚至是被试者轻微的生理变化都会影响到信号采集的正确性，因此加大了算法的处理难度。而LSTM通过添加门机制和记忆单元可以很好的控制训练过程中的网络权重变化，同时，可以处理和预测时间序列中间隔和延迟相对较长的重要事件。优选地，提取脑电信号的数据特征，具体包括：遗忘门根据输入xt和隐藏层ht-1的状态决定要被遗忘的部分记忆，用数学表示为：ft＝sigmoid(Wf·[ht-1,xt]+bf)其中，sigmoid函数为常见的S型函数，其数学表达式为输入门，用于将遗忘门决定忘掉部分记忆后，根据输入xt和隐藏层ht-1的状态从当前的输入补充最新的记忆加入单元状态中，对输入的数据处理由两个部分组成，如下：it＝sigmoid(Wi·[ht-1,xt]+bi)其中，tanh为双曲正切函数，其数学表达式为ht-1为上一时刻隐藏层的状态，可以理解为待候选记忆单元，遗忘门和输入门的结果都会作用于Ct，进而完成控制参数的更新：其中，*为点乘操作。输出门，用于在得到新的单元状态更新值Ct后，产生当前时刻的输出；输出门根据最新状态Ct、上一时刻的输出ht-1和当前时刻的输入xt来决定该时刻的输出ht：ot＝sigmoid(Wo·[ht-1,xt]+bo)ht＝ot*tanh(Ct)其中，Wf、Wi、WC、Wo和bi、bC、bo、bf均分别是LSTM网络中权值矩阵和偏差向量，且初始化均为0。优选地，为了提取出更有效的脑电信号特征，LSTM的最终输出ht加一层全连接层对数据进行加权操作，具体包括：若h＝[h1,h2,...hn]T为LSTM最终的输出值，经过全连接网络的隐藏层后可得到线性的输出向量为U＝[u1,u2,...um]T，用公式表示如下：U＝Wu*h+bu其中，Wu为当前全连接层网络的一个m*n的权值矩阵，m和n均为某一个正整数，bu为偏置向量，且bu＝[bu0,bu1,...bum]T。优选地，对提取到的数据特征进行分类学习，完成网络模型的搭建，针对提取到的特征数据进行正确的分类是很重要的，没有哪种算法是适用于各种情况的，对于本专利技术所采用的脑电信号而言，其可训练的样本数目太少，利用LSTM构建的分类器直接对目标进行分类，其效果并不好，所以本方案采用GB算法对LSTM提取的脑电信号特征进行分类，若ui表示LSTM提取的特征数据，yi表示标签，GB分类器的初始值设定为F0＝本文档来自技高网...

【技术保护点】
1.一种基于长短时记忆模型的意念识别方法，其特征在于，包括如下步骤：提取脑电信号的数据特征；对提取到的数据特征进行分类学习，完成网络模型的搭建；评估搭建的网络模型的性能。

【技术特征摘要】
1.一种基于长短时记忆模型的意念识别方法，其特征在于，包括如下步骤：提取脑电信号的数据特征；对提取到的数据特征进行分类学习，完成网络模型的搭建；评估搭建的网络模型的性能。2.根据权利要求1所述的一种基于长短时记忆模型的意念识别方法，其特征在于，提取脑电信号的数据特征之前，包括：获取脑电信号数据。3.根据权利要求2所述的一种基于长短时记忆模型的意念识别方法，其特征在于，提取脑电信号的数据特征，包括：定义LSTM的网络结构，进行脑电信号的特征提取，其中，在LSTM中分别设置输入门、遗忘门和输出门三个门机制结合使用一个sigmoid神经网络和一个按位做乘法的操作，实现网络有效的保存长时记忆的能力。4.根据权利要求3所述的一种基于长短时记忆模型的意念识别方法，其特征在于，提取脑电信号的数据特征，具体包括：遗忘门根据输入xt和隐藏层ht-1的状态决定要被遗忘的部分记忆，用数学表示为：ft＝sigmoid(Wf·[ht-1,xt]+bf)其中，sigmoid函数为常见的S型函数，其数学表达式为输入门，用于将遗忘门决定忘掉部分记忆后，根据输入xt和隐藏层ht-1的状态从当前的输入补充最新的记忆加入单元状态中，对输入的数据处理由两个部分组成，如下：it＝sigmoid(Wi·[ht-1,xt]+bi)其中，tanh为双曲正切函数，其数学表达式为ht-1为上一时刻隐藏层的状态，可以理解为待候选记忆单元，遗忘门和输入门的结果都会作用于Ct，进而完成控制参数的更新：其中，*为点乘操作。输出门，用于在得到新的单元状态更新值Ct后，产生当前时刻的输出；输出门根据最新状态Ct、上一时刻的输出ht-1和当前时刻的输入xt来决定该时刻的输出ht：ot＝sigmoid(Wo·[ht-1,xt]+bo)ht＝ot*tanh(Ct)其中，Wf、W...

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