一种密集连接门控网络的脑电信号识别方法及系统技术方案

本发明专利技术提出一种密集连接门控网络的脑电信号识别方法及系统，包括：利用密集连接卷积模块对输入的脑电信号进行特征提取；利用所述门控卷积模块从所述密集连接卷积模块的输出中学习所述脑电信号的时序特征；利用分类模块从所述门控卷积模块的输出中获取分类结果；本发明专利技术可有效提高脑电信号识别的准确性。发明专利技术可有效提高脑电信号识别的准确性。发明专利技术可有效提高脑电信号识别的准确性。

【技术实现步骤摘要】
一种密集连接门控网络的脑电信号识别方法及系统


[0001]本专利技术涉及脑电信号处理领域，尤其涉及一种密集连接门控网络的脑电信号识别方法及系统。

技术介绍

[0002]脑机接口(BCI)是一种直接通过大脑产生的脑电波来控制外部设备的新颖技术，该技术在残疾人的康复、军事、日常娱乐等方面都有着很大的应用潜力。脑机接口中，最为核心的部分就是脑电信号的识别。由于脑电信号是高维度和不稳定的，并且通常混合这肌电，眼电等环境噪音，所以对脑电信号进行识别是一项具有挑战的任务。
[0003]目前，随着研究者的不断努力，对脑电信号的分析已经有了许多的方法。在传统的机器学习方法中，一般是把特征提取和特征分类分成两步来处理，例如使用共同空间模式(CSP)来提取脑电信号的特征，并利用支持向量机(SVM)来对特征进行分类。随着深度学习方法的不断研究，这些方法也被应用于了脑电信号的识别研究中，并且取得了比传统方法更好的识别准确率。其中，卷积神经网络(CNN)、深度信念网络(DBN)以及长短期记忆网络(LSTM)等都被常用于脑电信号的识别。
[0004]由于脑电信号中通常包含着很多的噪音，如果直接使用会导致提取的特征包含其他的无用信息。此外，因为脑电信号具有高维度，非平稳的特征，并且脑电信号还是一种时序的信号，所以经典的卷积神经网络的结构并不是很好的适用于脑电信号。

技术实现思路

[0005]鉴于以上现有技术存在的问题，本专利技术提出一种密集连接门控网络的脑电信号识别方法及系统，主要解决脑电信号传统识别方法准确率不高的问题。
[0006]为了实现上述目的及其他目的，本专利技术采用的技术方案如下。
[0007]一种密集连接门控网络的脑电信号识别方法，包括：
[0008]利用密集连接卷积模块对输入的脑电信号进行特征提取；
[0009]利用所述门控卷积模块从所述密集连接卷积模块的输出中学习所述脑电信号的时序特征；
[0010]利用分类模块从所述门控卷积模块的输出中获取分类结果。
[0011]可选地，所述密集连接卷积模块包括：
[0012]至少三个依次排列的卷积层，且每一个在后的卷积层的输出与所有在前卷积层的输出一起输入一层特征拼接层，得到拼接后的特征作为下一层网络的输入；
[0013]最后一层特征拼接层的输出经过最大池化后作为所述密集卷积模块的输出。
[0014]可选地，每个所述卷积层的卷积核为1x5，激活函数采用ReLU，padding方式采用SAME。
[0015]可选地，所述门控卷积模块包括两个串联排列的门控卷积子模块，每个所述门控卷积子模块由一个不包含非线性激活函数卷积层和包含非线性激活函数的卷积层组成，两
个卷积层的输出矩阵对应相乘后作为对应门控卷积子模块的输出。
[0016]可选地，所述门控卷积模块的输出端设置最大池化层，池化大小为1x2，padding方式采用SAME。
[0017]可选地，在所述分类模块和所述门控卷积模块之间设置至少两层全连接层。
[0018]可选地，对所述全连接层采用dropout操作，其中，dropout值包括0.5。
[0019]可选地，利用密集连接卷积模块对输入的脑电信号进行特征提取之前，包括：
[0020]通过经验模式分解算法将采集的原始脑电信号分解为固有模式分量和剩余分量；
[0021]利用前三阶所述固有模式分量重构脑电信号作为所述密集连接卷积模块的输入。
[0022]可选地，预先对所述原始脑电信号进行预处理，并将预处理后的脑电信号通过经验模式分解算法再处理；其中，预处理包括去除异常值、去均值、归一化、滤波。
[0023]一种密集连接门控网络的脑电信号识别系统，包括：
[0024]密集连接模块，用于对输入的脑电信号进行特征提取；
[0025]门控卷积模块，用于从所述密集连接模块的输出中学习所述脑电信号的时序特征；
[0026]分类模块，用于从所述门控卷积模块的输出中获取分类结果。
[0027]如上所述，本专利技术一种密集连接门控网络的脑电信号识别方法及系统，具有以下有益效果。
[0028]密集连接卷积模块进行特征提取，使得提取的特征包含各卷积层的信息，可有效丰富脑电信号的特征表达，提高识别的准确性。
附图说明
[0029]图1为本专利技术一实施例中密集连接门控网络的脑电信号识别方法的流程示意图。
[0030]图2为本专利技术一实施例中密集连接门控卷积神经网络的结构框架示意图。
具体实施方式
[0031]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0032]需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0033]请参阅图1，本专利技术提供一种密集连接门控网络的脑电信号识别方法，包括以下步骤：
[0034]步骤S01，获取原始脑电数据，并对原始脑电数据进行预处理。使用脑电信号采集仪采集脑电信号，并且采用必要的预处理措施处理脑电信号，其中预处理包括：去除明显的异常值，去均值，归一化以及滤波等处理操作。
[0035]进一步地，可针对经过预处理的脑电信号进行种类标记，并将标记后的数据按比例分为训练集和测试集，如可按照4∶1的比例分为训练集和测试集，具体划分比例可根据实际应用需求进行调整，这里不作限制。
[0036]步骤S02，采用经验模式分解算法对训练集和测试集中的数据进行分解，并根据分解得到的数据重构脑电信号。具体地，经验模式分解算法能够自适应的分解原始的信号，因此，非常适合用于对脑电信号进行滤波处理。经验模式分解算法通过将输入的脑电信号分解为一组固有模式分量(IMFs)和剩余分量，输入的脑电信号可以表示为：
[0037][0038]式中，x表示输入的脑电信号，c表示分解的IMF，res代表剩余分量，n表示IMF的个数。根据以往的经验表明，一般前三阶IMF中包含了表达脑电信号的主要信息，所以选用了前三阶的IMF来重构脑电信号。经过这样的步骤能够滤掉脑电信号中的大部分噪音，从而提高卷积神经网络提取到的特征的质量。
[0039]步骤S03，构建密集连接卷积模块。为了充分利用每个卷积层的输出，密集连接卷积模块包括：至少三个依次排列的卷积层，且每一个在后的卷积层的输出与所有在前卷积层的输出一起输入一层特征拼接层，得到拼接后的特征作为下一层网络的输入；最后一层特征拼接层的输出经过最大池化后作为所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种密集连接门控网络的脑电信号识别方法，其特征在于，包括：利用密集连接卷积模块对输入的脑电信号进行特征提取；利用所述门控卷积模块从所述密集连接卷积模块的输出中学习所述脑电信号的时序特征；利用分类模块从所述门控卷积模块的输出中获取分类结果。2.根据权利要求1所述的密集连接门控网络的脑电信号识别方法，其特征在于，所述密集连接卷积模块包括：至少三个依次排列的卷积层，且每一个在后的卷积层的输出与所有在前卷积层的输出一起输入一层特征拼接层，得到拼接后的特征作为下一层网络的输入；最后一层特征拼接层的输出经过最大池化后作为所述密集卷积模块的输出。3.根据权利要求2所述的密集连接门控网络的脑电信号识别方法，其特征在于，每个所述卷积层的卷积核为1x5，激活函数采用ReLU，padding方式采用SAME。4.根据权利要求1所述的密集连接门控网络的脑电信号识别方法，其特征在于，所述门控卷积模块包括两个串联排列的门控卷积子模块，每个所述门控卷积子模块由一个不包含非线性激活函数卷积层和包含非线性激活函数的卷积层组成，两个卷积层的输出矩阵对应相乘后作为对应门控卷积子模块的输出。5.根据权利要求4所述的密集连接门控网络的脑电信号识别方法，其特征在于，所述门控卷积网络的输出端设...

【专利技术属性】
技术研发人员：彭德光，朱楚洪，孙健，唐贤伦，高崚，
申请(专利权)人：重庆兆琨智医科技有限公司，
类型：发明
国别省市：