一种联合递归图和CNN的脑电信号识别方法及系统技术方案

本发明专利技术属于医疗技术领域，公开了一种联合递归图和CNN的脑电信号识别方法及系统，将预处理后的脑电信号数据利用经验模态分解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视为左右手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级特征中提取能够更好表述运动想象脑电信号的第2级特征。本发明专利技术的脑电信号识别率高，能够更好的识别脑电信号；本发明专利技术采用互信息法确定延迟时间结果更为准确。本发明专利技术采用ReLU激活函数，当输入为正数时，不存在梯度饱和的问题。

A method and system of EEG recognition based on the combination of recursive graph and CNN

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，将是人类认识和了解自身的重要挑战。与此同时，脑-机接口系统的研究和发展，也能极大推动现阶段AI技术和人机交互技术的发展进程。脑-机接口系统涉及的领域较多，技术层面的难题复杂，问题的解决也有一定难度，但是近几年计算机硬件设备的改进和相关技术的发展，为脑-机接口系统的实现提供了良好的技术支持环境，使得越来越多的研究者和学者投身于脑-机接口系统的研究和开发。对于脑-机接口的研究已经持续多年，人们从各种研究中获得的有关脑-机接口的原理不断积累，使得现阶段对脑-机接口系统的研究不再那么困难。脑-机接口，即在对人类大脑的运作方式有足够理解的基础上，获取大脑所发出的脑电信号，进而使得大脑能够对外部设备进行控制。人脑在其中充当控制者的作用，获取到的脑电信号交由计算机进行处理和解释，以便完成脑-机信号之间的转换，从而实现人机交互。现有BCI系统通过研究大脑皮层的EEG信号在人体进行各种活动时产生的变化特征，实现了人脑对实体设备的直接交互，提升了对人脑的深层次理解。自脑-机接口系统提出以来，该领域在研究人员的探索和实验中获得了很快的发展，也取得了一系列重要研究成果。以某著名的物理学家为代表的脊髓侧索硬化症患者，以及因为事故导致伤残的患者等都是脑-机接口应用的重要对象。他们在一定程度上失去了对人体各个机能的控制，但BCI系统有着仅靠人脑就能与实体设备进行直接交互的特点，因此BCI系统可以帮助他们将自己脑中所想的信息表达出来或者与外界环境进行直接沟通。二十世纪，Pfurtscheller与Guger研发了BCI系统，并将BCI系统投入实际运用。2015年，Haggag与Mohamed研制出可以更方便残疾人对假肢进行操作的单通道EEG信号控制设备。手部因意外无法正常活动的病人借助BCI系统，直接对手部训练装置进行控制，实现了仅通过人脑控制实体设备就能完成日常活动的康复训练。然而，现有脑电识别技术中也存在以下问题：(1)脑电信号信噪比有待提高。目前的脑-机接口系统研究中，在信号采集阶段，采集到的脑电信号中包含的噪声较多，不能有效保留真实信号，需要寻找更好的预处理技术和更优的去噪算法来提高EEG的信噪比，确保BCI系统的可靠性。(2)系统识别率有待提高。分类的识别率直接影响着BCI系统是否能够有效地回应用户的实时要求，分类准确率和速度越高，BCI系统就越能正确地判断用户的实际意图，进而对外围设备发出指令，以达到对外围设备的有效控制。而提高系统的分类精确度，最重要的是在于预处理阶段和特征提取阶段。(3)硬件技术有待提高。对于脑电信号的采集，目前主要是采用非植入式进行信号采集，这种方式更容易受到噪声的影响，进而使整个BCI系统的精确性有所下降。如果能在信号采集阶段对硬件技术进行改进和提升，进而取得干净的脑电信号，就能降低去噪的复杂度和难度。(4)系统自适应问题。系统自适应主要包含两类：一是BCI系统是否能够识别不同主体所产生的差异性脑电信号，二是BCI系统是否能够识别同一主体在不同时间和空间所产生的差异性脑电信号。BCI系统需要提升这两方面的自适应性要求。综上所述，现有技术存在的问题是：现有脑电识别技术采集到的脑电信号中包含的噪声较多，不能有效保留真实信号，且系统识别率精度不够，硬件技术不够，且系统存在无法识别不同主体所产生的差异性脑电信号以及无法识别同一主体在不同时间和空间所产生的差异性脑电信号的自适应问题。解决上述技术问题的难度：(1)脑电信号的采集有两种方式，植入式与非植入式，植入式需要在大脑皮层植入电极，这种方法会对受试者造成伤害，所以现在主要是采用非植入式进行脑电信号采集，非植入式的采集方法将电极安放在受试者的头皮上进行信号记录，这种方法不会对受试者造成伤害但所采集到的信号容易受到噪声的影响，从而影响整个BCI系统的精确性。如何在信号采集阶段对硬件技术如脑电帽、Emotiv脑电信号采集仪等进行改进和提升，取得干净的脑电信号，是一个问题。(2)在进行脑电信号采集时，除了外部因素的影响如周围存在噪声等、也可能会受到受试者本身产生的噪声影响如精神不集中、眨眼等会导致采集到的脑电信号存在伪迹，那么如何从原始信号中提取出能够表征脑电信号的向量，也是脑电信号识别的关键步骤。(3)由于脑电信号具有非线性、非平稳、随机性的特点，如何对脑电信号进行有效地提取和分析也是影响最终结论的关键所在，目前常用的EEG特征提取方法有时域分析法、频域分析法、时频分析法、非线性分析法、共空间模式法和深度学习方法。(4)最后是如何解决系统的自适应问题。使得BCI系统能够识别不同主体所产生的差异脑电信号以及识别同一主体在不同时间和空间的差异脑电信号。解决上述技术问题的意义：(1)BCI为人们提供了与外界进行交流和控制的另一种方式，人们可以不通过语言和动作来交流，而是直接通过脑电信号来表达思想、控制设备，这使得那些思维正常但肌肉萎缩的患者能够在一定程度上实现与外部的交流，BCI还可以帮助特殊环境作业人员提供辅助控制，如医学手术或特殊环境下的一些特殊要求。(2)降低噪声对脑电信号的影响，能够提高对于脑电信号分类的识别准确率，分类的识别率直接影响着BCI系统是否能够有效地回应用户的实时要求，分类准确率和速度越高，BCI系统就越能正确地判断用户的实际意图，进而对外围设备发出指令，以达到对外围设备的有效控制。(3)提高系统的自适应本文档来自技高网...

【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