【技术实现步骤摘要】
一种基于改进深度残差分组卷积网络的脑电信号分类方法
本专利技术属于模式识别领域，涉及脑-机接口中脑电信号模式分类，特别涉及一种基于改进深度残差分组卷积网络的脑电信号分类方法。
技术介绍
近年来，随着神经科学、信息科学、计算机科学等领域的飞速发展，衍生出了一种新型的高科技技术——脑-机接口技术。脑-机接口(Brain-ComputerInterface，BCI)，有时也称作“大脑端口”或者“脑-机融合感知”，它是在人脑或动物脑与外部设备间使用脑电或者大脑活动的其他生理测量量建立的不依靠传统神经肌肉输出的通信管道。脑-机接口代表着潜在的下一件硬件接口，未来的控制设备将迎来重大变革，人脑控制设备将成为常态。深度残差分组卷积网络(ResNeXt)作为残差网络(ResNet)的改进，继承采用了ResNet的重复层策略，但在ResNet的基础之上增加了路径数量，以简单、可拓展的方式利用拆分转换合并策略。每一个路径都有相同的拓扑结构，这种设计使ResNeXt无需特殊设计即可拓展到任何数量级的转换。这种分组的策略会使卷积核学习到的关...
【技术保护点】
1.一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法，其特征在于：包括脑电信号采集、脑电信号预处理、特征提取、训练ResNeXt分类网络四部分；/n所述训练ResNeXt分类网络是指：/n1)划分训练集和测试集；/n2)构建改进ResNeXt脑电信号分类网络；/n3)训练改进后的ResNeXt脑电信号分类网络。/n
【技术特征摘要】
1.一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法，其特征在于：包括脑电信号采集、脑电信号预处理、特征提取、训练ResNeXt分类网络四部分；
所述训练ResNeXt分类网络是指：
1)划分训练集和测试集；
2)构建改进ResNeXt脑电信号分类网络；
3)训练改进后的ResNeXt脑电信号分类网络。
2.根据权利要求1所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法，其特征在于：
所述脑电信号采集是指：
受试者佩戴脑电采集设备，在屏幕前根据实验范式进行相应的脑电想象活动，产生对应想象类型的脑电信号；
所述脑电信号预处理是指：
1)对采集到的脑电信号进行多级放大处理；
2)对一级放大后的信号使用共平均参考对原始信号进行空间滤波；
3)通过陷波电路消除50Hz工频干扰，通过高频滤波去除直流电位影响，通过低通滤波消除高频分量带来的干扰；
4)对滤波后的脑电信号进行二次放大；
5)对滤波后的脑电信号进行单次窗口数据提取。
3.根据权利要求2所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法，其特征在于：
所述特征提取是指：
使用小波变换0.5～30Hz频率段的脑电信号，将采集电极的脑电信号的1.5维谱组合成维数为4096维的特征向量，计算不同维特征向量间的皮尔逊相关系数，对皮尔逊相关系数大于0.8的相关通道进行剔除；使用主成分分析方法对特征向量进行降维，保留贡献率为90％的N个成分，将这N个成分作为ResNeXt网络的输入。
4.根据权利要求3所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法，其特征在于：
所述脑电信号采集被试者脑电信号，采样频率设置为250Hz；
对原始脑电信号进行一级放大处理，放大倍数为10倍；
对一级放大后的脑电信号使用共平均参考对原始信号进行空间滤波，减少容积传导效应带来的干扰；
通过陷波电路消除50Hz工频干扰，再次通过高频滤波去除直流电位影响，通过低通滤波消除高频分量带来的干扰；
对滤波后的脑电信号进行二次放大，放大倍数为10倍；
对滤波后的脑电信号进行单次窗口数据提取，数据集选取的时间窗为1s～3s，其中0s代表脑电想象任务开始的时间。
5.根据权利要求4所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法，其特征在于：
所述脑电采集电极的脑电信号的1.5维谱组合成维数为4096维的特征向量，计算不同维特征向量间的皮尔逊相关系数，对皮尔逊相关系数大于0.8的相关通道进行剔除；皮尔逊相关系数计算公式如下：
其中：Cov(X,Y)＝E{[X-E(X)][Y-E(Y)]},E(X)和E(Y)为数学期望，Cov为两个通道中随机变量X，Y的协方差；D(X)为方差，D(X)开根号为标准差。
6.根据权利要求5所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法，其特征在于：
所述划分训练集和测试集是指：选用K折交叉切分对训练集和测试集进行划分，采用8：2的划分比例，...
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。