【技术实现步骤摘要】
一种基于时空特征加权卷积神经网络的脑电信号识别方法
本专利技术属于脑电信号识别方法，尤其涉及一种基于时空特征加权卷积神经网络的脑电信号识别方法。
技术介绍
脑机接口(BCI)是一种把直接从大脑皮层记录的信息转换成计算机控制命令，并用来控制轮椅、机械手臂等外部设备的技术。在BCI系统中，脑电信号的特征提取是其重要的部分之一。运动想象脑电信号由于采集方便，并且采集时不会对人体造成伤害，因此被广泛地应用到了BCI系统中。但是由于运动想象脑电信号具有高维度、非线性以及非平稳性等特点，所以对其建模是一项十分具有挑战的工作。目前常用的运动想象脑电信号特征提取方法有：共同空间模式(CSP)、经验模式分解(EMD)、小波变换等。CSP算法的主要原理是利用矩阵的对角化，找一组最优的空间滤波器对脑电信号进行投影，使得两类脑电信号的方差差距最大，从而有利于脑电信号的分解。EMD算法则是把脑电信号分解为多个共有模态分量(IMF)和一个剩余分量，通过选择有效的IMF来重构脑电信号，从而达到滤除脑电信号中的噪音的目的。小波变换是一种典型的时频分...
【技术保护点】
1.一种基于时空特征加权卷积神经网络的脑电信号识别方法，其特征在于，包括以下步骤：/n步骤1：收集脑电信号数据集，人工标记类别，并将数据集分为训练集和测试集；/n步骤2：获取脑电信号并对脑电信号进行去均值和归一化在内的预处理操作；/n步骤3：对预处理后的脑电信号使用离散小波变换进行去噪；/n步骤4：构建时空特征加权卷积神经网络，对卷积神经网络的结构进行了改进，使用了一种时空特征提取模块来提取脑电信号中的时空特征，即：先只在时间尺度进行卷积操作提取特征，接着再在通道尺度进行卷积操作提取特征。并加入了特征加权模块，以使重要特征突出，不重要特征弱化；/n步骤5：使用训练集脑电数据...
【技术特征摘要】
1.一种基于时空特征加权卷积神经网络的脑电信号识别方法，其特征在于，包括以下步骤：
步骤1：收集脑电信号数据集，人工标记类别，并将数据集分为训练集和测试集；
步骤2：获取脑电信号并对脑电信号进行去均值和归一化在内的预处理操作；
步骤3：对预处理后的脑电信号使用离散小波变换进行去噪；
步骤4：构建时空特征加权卷积神经网络，对卷积神经网络的结构进行了改进，使用了一种时空特征提取模块来提取脑电信号中的时空特征，即：先只在时间尺度进行卷积操作提取特征，接着再在通道尺度进行卷积操作提取特征。并加入了特征加权模块，以使重要特征突出，不重要特征弱化；
步骤5：使用训练集脑电数据训练时空特征加权卷积神经网络；
步骤6：使用测试集脑电数据测试时空特征加权卷积神经网络的性能。
2.根据权利要求1所述的基于时空特征加权卷积神经网络的脑电信号识别方法，其特征在于，所述步骤1具体包括：采用Emotiv脑电采集仪收集左手运动想象脑电信号和右手运动想象脑电信号，采样的频率是128Hz。接着按照4:1的比例将数据集分为训练集和测试集，其中训练集用来训练运动想象脑电信号分类的模型，测试集用来测试模型分类的效果。
3.根据权利要求2所述的基于时空特征加权卷积神经网络的脑电信号识别方法，其特征在于，所述步骤2预处理步骤包括：
去均值：首先只保留处于运动感知部位的F3、F4、FC5、FC6、T7、T8通道的脑电信号，并且去除掉明显的异常值，接着从每个样本中减去平均振幅，形成零均值信号；
归一化：并且将每个脑电数据都归一化到[0，1]之间，最后把脑电信号构建成6×128的格式。
4.根据权利要求3所述的基于时空特征加权卷积神经网络的脑电信号识别方法，其特征在于，所述步骤3使用离散小波变换去除脑电信号中的噪音干扰，选用Daubechies小波基函数对脑电信号进行分解，通过分解后脑电信号可表示为：
S＝CAj+CDj+…+CD2+CD1
其中CAj为信号的低频部分，CDj为信号的高频部分，接着从得到的各分量中选择主要包含与运动想象脑电信号相关的8-30Hz的分量，最后利用选出的分量重构脑电信号，从而达到滤除无用信息的目的。
5.根据权利要求4所述的基于时空特征加权卷积神经网络的脑电信号识别方法，其特征在于，所述步骤4构建时空特征加权卷积神经网络，对卷积神经网络的结构进行了改进，使用了一种时空特征提取模块来提取脑电信号中的时...
【专利技术属性】
技术研发人员：唐贤伦，李伟，刘庆，李星辰，马伟昌，钟冰，谢颖，李锐，邹密，蔡军，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50
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。