The invention belongs to the field of medical technology, and discloses a method and system for identifying EEG signals by combining recursive graph and CNN. The preprocessed EEG signal data is decomposed into intrinsic mode functions of different scales by empirical mode decomposition, and the multi-scale recursive graph of intrinsic mode components of each scale is calculated to obtain the first level features; the reconstructed multi-scale EEG signals are decomposed into the first level features by empirical mode decomposition The scale recurrent graph is regarded as the image feature of left and right hand EEG signal, and the multi-scale recurrent graph feature is regarded as the input of convolution neural network. The convolution neural network is used to classify and recognize the recurrent graph, and the second level feature which can better express the EEG signal of motion imagination is extracted from the first level feature. The EEG signal recognition rate of the invention is high, and the EEG signal can be better recognized; the delay time result determined by the mutual information method of the invention is more accurate. The invention adopts the relu activation function, when the input is a positive number, there is no problem of gradient saturation.
【技术实现步骤摘要】
一种联合递归图和CNN的脑电信号识别方法及系统
本专利技术属于医疗
,尤其涉及一种联合递归图和CNN的脑电信号识别方法及系统。
技术介绍
目前,业内常用的现有技术是这样的:脑-机接口(BCI)系统通过研究人脑所发出的电流信号在大脑皮层的运作方式,实现人脑在没有外围神经系统支持的情况下,建立与外部环境的直接交互通道。实现这一技术的关键就在于,如何将大脑产生的各种脑电信号利用合理的信号处理算法进行有效识别并分类。近年以来,人工智能的发展趋势也愈发高涨,比如IBMWaston认知计算,谷歌的AlphaGo围棋机器人等一系列的重大事件,使得越来越多的人投身于人工智能领域,并努力挖掘着人工智能技术所带来的各种可能性。目前来看,人工智能虽然在搜索引擎、智能阅读、计算机视觉、图像分类、机器学习等领域发展迅猛,但是在医疗业方面还存在很大的成长空间。如果人工智能能在医疗健康领域发挥重大作用,那么将极大加快探究类似于癌症等现阶段无法治愈的疾病的过程。近几年来,基于人脑科学的人工智能研发取得了突飞猛进的进展,这将给予人类全新的角度去认识和改造世界。脑-机结合,即从人类的大脑的神经组织中挖掘出有用的信息,并利用这些信息建立一个能与外部环境进行人机交互的模型,而这个模型的建立,需要对人脑的运作有一个清晰的认识,这也是未来人工智能发展至关重要的阶段。人脑是人类进行所有活动的发令者,理解人脑的功能、结构和作用,探究脑电信号与人类活动之间的联系,形成对人类本身的行为方式、思考方式、意识和语言表达能力等的深层次理解,将是 ...
【技术保护点】
1.一种联合递归图和CNN的脑电信号识别方法,其特征在于,所述联合递归图和CNN的脑电信号识别方法包括:/n将运动想象脑电信号分解为不同尺度的固有模态函数,并计算各个尺度的固有模态分量的多尺度递归图,得到第1级特征;/n将重构后的多尺度递归图作为EEG信号的图像特征,并将多尺度递归图特征作为卷积神经网络的输入,利用卷积神经网络对递归图进行分类识别,从第1级特征中提取表述运动想象脑电信号的第2级特征。/n
【技术特征摘要】
1.一种联合递归图和CNN的脑电信号识别方法,其特征在于,所述联合递归图和CNN的脑电信号识别方法包括:
将运动想象脑电信号分解为不同尺度的固有模态函数,并计算各个尺度的固有模态分量的多尺度递归图,得到第1级特征;
将重构后的多尺度递归图作为EEG信号的图像特征,并将多尺度递归图特征作为卷积神经网络的输入,利用卷积神经网络对递归图进行分类识别,从第1级特征中提取表述运动想象脑电信号的第2级特征。
2.如权利要求1所述联合递归图和CNN的脑电信号识别方法,其特征在于,所述联合递归图和CNN的脑电信号识别方法具体包括以下步骤:
步骤一,将采集到的数据集分为训练数据与测试数据,并分别对数据进行预处理;
步骤二,对两类运动想象脑电信号即训练数据与测试数据分别进行经验模态分解,得到不同尺度的固有模态分量;同时利用互信息分析法和Cao-Liangyue法计算每个固有模态分量的合适的嵌入维数和延迟时间进行空间重构,得到每个固有模态分量的递归图,利用递归图分析法,进行特征提取,得到第1级特征;
步骤三,将训练数据集的第1级递归图特征作为卷积神经网络的输入进行训练,并调试卷积神经网络的各个参数;
步骤四,将训练完成的卷积神经网络应用于测试数据,进行分类识别;利用递归图法对测试脑电信号数据进行特征提取,利用训练完成的卷积神经网络对其递归图进行再一次的特征提取,得出分类识别结果。
3.如权利要求2所述联合递归图和CNN的脑电信号识别方法,其特征在于,步骤一中,所述数据预处理具体包括:
训练数据:对训练脑电数据进行下采样截取,并利用互信息法选择合适的参数,使用AR-CSP针对频域和空间域进行滤波处理,随后将处理完成的EEG信号进行分类;
测试数据:对测试脑电数据进行下采样截取,并利用互信息法选择合适的参数,使用AR-CSP针对频域和空间域进行滤波处理,将处理完成的EEG信号进行分类;使用训练完成的分类器对测试用数据进行分类并记录结果。
4.如权利要求2所述联合递归图和CNN的脑电信号识别方法,其特征在于,步骤二中,所述经验模态分解具体包括:
(1)在原始信号x(t)上添加白噪声序列n(t),得到带噪信号s(t),即:
s(t)=x(t)+n(t);
其中,n(t)为服从N(0,σ2)的高斯白噪声;
(2)带噪信号s(t)经经验模态分解成一组固有模态分量IMF以及残量rc(t),即:
其中,c为IMF分量个数;
(3)步骤(1)和步骤(2)重复m次,且每次填充的白噪声序列幅值都不一样,即:
(4)将m次EMD处理生成的IMF按层分类后求平均,即为最终IMF:
经验模态分解中加入的高斯白噪声公式应为:
式中,ε为高斯白噪声的幅值;N为添加高斯白噪声的次数;εn表示各阶的固有模态分量相加后与原始信号的误差。
5.如权利要求2所述联合递归图和CNN的脑电信号识别方法,其特征在于,步骤二中,所述利用互信息分析法和Cao-Liangyue法计算每个固有模态分量的合适的嵌入维数和延迟时间具体包括:
(1)互信息...
【专利技术属性】
技术研发人员:王文波,辜权,狄奇,喻敏,陈贵词,钱龙,
申请(专利权)人:武汉科技大学,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。