基于数据增强的卷积神经网络运动想象脑电分类方法技术

本发明专利技术公开了一种基于数据增强的卷积神经网络的运动想象脑电信号分类方法，对所有受试者的64通道信号进行五倍交叉验证得其二、三和四类分类任务的平均准确性分别达到87.32％，76.26％，64.72％。利用迁移学习使全局分类器应用到单个受试者脑电信号分类中，其平均准确率达到了91.06％，82.76％，73.46％；与Dose的工作相比，本发明专利技术提出的架构性能更好；在数据增强之后，对四类分类数据进行数据增强。其平均准确率分别从64.72％提高到66.73％(全局模型)，73.46％提高到76.78％(受试者模型)，这表明该数据增强方法可以有效地提高脑电信号分类准确率。

【技术实现步骤摘要】
基于数据增强的卷积神经网络运动想象脑电分类方法
本专利技术涉及脑机接口与模式识别领域，具体涉及一种基于数据增强的卷积神经网络的运动想象脑电信号分类方法。
技术介绍
脑机接口(BrainComputerInterface，BCI)技术是一项新兴的技术，近年来受到了广泛的关注。BCI创建了一个新的非肌肉交互通道，人类可以通过使用由脑部活动产生的信号，与周围环境进行交互，而不需要周围神经和肌肉的参与。通过对信号的模式识别，实现将人的意图传递给外部设备，如计算机、语音合成器、辅助设备和神经修复。脑机接口在医学领域，神经生物学领域和心理学领域都有重要的应用。基于运动想象(Motorimagery,MI)的脑电信号(Electroencephalogram,EEG)是一种内源性自发脑电信号，具有操作简单、范式灵活、成本较低、移植性好、风险小等优点，已经得到了广泛的研究，尤其在神经康复、神经修复和游戏等领域具有广泛应用潜力。不仅可以帮助中风偏瘫等有严重运动障碍的患者进行康复训练，控制设备实现自理，还可以娱乐普通大众，如与虚拟现实技术相结合的各种脑记游戏。...

【技术保护点】
1.一种运动想象脑电信号分类方法，其特征在于，包括如下步骤：/n在Physionet数据集中获得至少两类运动想象任务的脑电信号数据；/n将所述脑电信号数据输入到卷积神经网络中进行训练，由此实现对脑电信号数据的分类；/n其中，所述卷积神经网络的第一层为卷积层，对脑电信号数据沿时间轴执行卷积操作，且输出数据尺寸与输入时一致；/n第二层为卷积层，对脑电信号沿着EEG通道轴进行卷积，输出尺寸减为输入的一半；/n第三层为最大池化层，用于对脑电信号沿时间轴进行池化，核的大小为30个样本，步长为15；层后的结构进行扁平化处理，形成6300个单维神经元；/n最后三层为三个完全连接层，第一个全连接层将神经元的个...

【技术特征摘要】
1.一种运动想象脑电信号分类方法，其特征在于，包括如下步骤：
在Physionet数据集中获得至少两类运动想象任务的脑电信号数据；
将所述脑电信号数据输入到卷积神经网络中进行训练，由此实现对脑电信号数据的分类；
其中，所述卷积神经网络的第一层为卷积层，对脑电信号数据沿时间轴执行卷积操作，且输出数据尺寸与输入时一致；
第二层为卷积层，对脑电信号沿着EEG通道轴进行卷积，输出尺寸减为输入的一半；
第三层为最大池化层，用于对脑电信号沿时间轴进行池化，核的大小为30个样本，步长为15；层后的结构进行扁平化处理，形成6300个单维神经元；
最后三层为三个完全连接层，第一个全连接层将神经元的个数从6300降到100，第二个全连接层将神经元的个数从100降到32，最后一个全连接层为softmax层，将神经元的个数从32降到要分类的数据中的神经元数量。


2.如权利要求1所述的一种运动想象脑电信号分类方法，其特征在于，对所述脑电信号数据进行数据增强再进行训练，具体为：
对于Physionet数据集中的原始脑电数...

【专利技术属性】
技术研发人员：刘越，杜斌，岳康，田阁良，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11