基于迁移学习的脑卒中患者运动想象任务识别方法及系统技术方案

本发明专利技术公开了一种基于迁移学习的脑卒中患者运动想象任务识别方法及系统，属于脑机接口领域，本发明专利技术要解决的技术问题为如何在训练数据不足的情况下，利用迁移学习构建训练模型，有效地提取脑电信号特征并实现高效的模式分类，采用的技术方案为：该方法具体如下：采集及预处理脑电信号：采集脑卒中患者的包含MI的脑电信号，对脑电信号进行预处理；特征提取和分类：使用EEGNet模型与迁移学习中的Finetune技术进行结合对预处理后的脑电信号进行特征提取和分类；评估分类性能：将测试集输入到各个模型，对比各个模型在受试者内部的分类准确率，评估出各个模型的分类性能。该系统包括采集及预处理模块、特征提取及分类模块和分类性能评估模块。

【技术实现步骤摘要】
基于迁移学习的脑卒中患者运动想象任务识别方法及系统
本专利技术涉及脑机接口领域，具体地说是一种基于迁移学习的脑卒中患者运动想象任务识别方法及系统。
技术介绍
脑卒中是一种急性脑血管疾病，同时也是一种严重威胁人类的常见病，具有高患病率，高致残率和高死亡率等特点。我国心血管疾病患者病死率呈现上升趋势,心血管病负担日渐加重，已成为重大的公共卫生问题。目前我国心血管疾病患者高达2.9亿，其中脑卒中患者1300万。脑卒中患者日常生活能力差，给家庭和社会带来了沉重的经济负担。越来越多的脑卒中患者迫切希望接受康复治疗，以重获肢体运动功能。针对运动功能障碍的脑卒中患者，可以通过基于BCI(Brain-ComputerInterface,BCI)系统的运动想象(MotorImagery，MI)疗法来反复刺激受损运动皮层部分，重新激活受损周围运动神经细胞，恢复患者的运动能力。BCI系统是通过信号采集设备从大脑皮层采集脑电信号，经过放大、滤波、模/数转换等处理转换为可以被计算机识别的信号，然后对信号进行预处理，提取特征信号，再利用这些特征进行模式识别，最后转本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的脑卒中患者运动想象任务识别方法，其特征在于，该方法是将EEGNet框架与迁移学习中的Finetune技术进行结合,实现脑卒中患者运动想象任务分类识别，有效地提取脑电信号特征并实现高效的模式分类；具体如下：/n采集及预处理脑电信号：采集脑卒中患者的包含MI的脑电信号，脑电信号的信息包括受试者的数据以及对应的类别标签，并将脑电信号分成测试集和训练集；同时对脑电信号进行预处理；/n特征提取和分类：使用EEGNet模型与迁移学习中的Finetune技术进行结合对预处理后的脑电信号进行特征提取和分类；/n评估分类性能：将测试集输入到各个模型，对比各个模型在受试者内部的分类准确率，评...

【技术特征摘要】
1.一种基于迁移学习的脑卒中患者运动想象任务识别方法，其特征在于，该方法是将EEGNet框架与迁移学习中的Finetune技术进行结合,实现脑卒中患者运动想象任务分类识别，有效地提取脑电信号特征并实现高效的模式分类；具体如下：
采集及预处理脑电信号：采集脑卒中患者的包含MI的脑电信号，脑电信号的信息包括受试者的数据以及对应的类别标签，并将脑电信号分成测试集和训练集；同时对脑电信号进行预处理；
特征提取和分类：使用EEGNet模型与迁移学习中的Finetune技术进行结合对预处理后的脑电信号进行特征提取和分类；
评估分类性能：将测试集输入到各个模型，对比各个模型在受试者内部的分类准确率，评估出各个模型的分类性能。


2.根据权利要求1所述的基于迁移学习的脑卒中患者运动想象任务识别方法，其特征在于，所述预处理包括降采样和滤波处理。


3.根据权利要求1或2所述的基于迁移学习的脑卒中患者运动想象任务识别方法，其特征在于，所述EEGNet模型具体如下：
在输入层和模块一中：从输入层开始，使用大小为(C，1)进行卷积，卷积用于减少要拟合的可训练参数的数量，且部分卷积层连接到先前的特征图；采用Dropout技术进行规范化建模；
在模块二中：使用大小为(2，32)的深度卷积以及内核大小为(2，2)进行最大池化处理；
在模块三中：采用大小为(8，4)的深度卷积来执行卷积，再选择同样大小为(2，2)进行池化；模块二和模块三种的深度卷积作用是减少用于拟合的参数数量，并且能够很好地了解每个特征图的内核，同时最大池化层用于减少尺寸大小；
在分类块中：特征直接传递到具有N个单位的softmax分类中；其中，N是数据中的类数。


4.根据权利要求3所述的基于迁移学习的脑卒中患者运动想象任务识别方法，其特征在于，所述迁移学习中的Finetune技术具体如下：
修改网络最后一层的输出类别，并加快最后一层的参数学习速率，具体如下：
修改原有网络的最后一层全连接层，修改的方式将前面各层均冻结参数，删除原有网络softmax层的类别A，换成需要分类的参数N进行更新；
载入EEGNet模型已有参数，根据自己的数据对模型进行训练；
Finetune成功后，再选择打开所有层进行小步长参数更新；
对于模型的学习速率微调；
调整模型的配置参数，通常学习速率和步长，减少迭代次数，具体如下：在进行Finetune时冻结其它卷积层的参数，缓慢地改变池化层的内核大小通过反复训练观察准确率是否得到提高，最后将池化层大小减少为原来的1/2时，得到的准确率效果是最优的；
启动训练，并加载预训练模型的参数。


5.根据权利要求4所述的基于迁移学习的脑卒中患者运动想象任务识别方法，其特征在于，所述评估分类性能具体如下：
将训练集数据输入选择的EEGNet模型和CNN模型中，通过网络不断迭代训练，调整网络参数，最终得到一个训练好的网络模型；
训练好相应的模型后，将测试集输入模型中得到运动想象任务的最终的分类准确率，进而评估该模型的分类性能；
通过预测出的测试集标签与真实的标签进行比较，得到测试的分类正确率。


6.一种基于迁移学习的脑卒中患者运动想象任务识别系统，其特征在于，该系统包括，
采集及预处理模块，用于采集脑卒中患者的包含...

【专利技术属性】
技术研发人员：徐舫舟，苗芸菁，单东日，张杨，荣芬奇，孙亚南，
申请(专利权)人：齐鲁工业大学，山东大学齐鲁医院，
类型：发明
国别省市：山东;37