一种基于卷积神经网络的手部运动意图分类方法技术

一种基于卷积神经网络的手部运动意图分类方法，该方法将多元经验模态分解算法和卷积神经网络进行结合，通过动作执行的过程中同步采集到的肌电信号对动作发生的时刻进行判断，选择动作执行前的数据为主要对象，结合卷积神经网络，确定网络参数之后，采用序列前向搜索算法对经过多元经验模态分解之后的本征模态函数进行选择，得出可以使得识别准确率最高的本征模态函数的最优组合，能够有效地对基于运动执行前的脑电信号的手部动作进行多分类。动执行前的脑电信号的手部动作进行多分类。动执行前的脑电信号的手部动作进行多分类。

【技术实现步骤摘要】
一种基于卷积神经网络的手部运动意图分类方法


[0001]本专利技术属于脑电信号识别控制
，特别涉及一种基于卷积神经网络(Convolutional Neural Networks,CNN)的手部运动意图分类方法。

技术介绍

[0002]脑机接口(brain computer interface,BCI)是一种在人脑和外部设备之间建立通信系统的技术，能够通过使用如脑电(EEG)、脑磁(MEG)等脑电信号来解码人类意图，并将其转换为控制信号输出到外部设备(电脑、假肢等)。BCI可以为患有严重神经功能障碍的人提供一种与外界进行信息交互的新方式，是实现手功能康复训练的主要方法之一。BCI系统可以解码脑卒中患者的手部运动意图，然后通过神经功能电刺激、康复机械手等康复训练设备，使手指进行康复训练。因此，开发一种能够对手部运动意图进行高精度分类的BCI算法是非常重要的。
[0003]一种典型的手部动作模式识别算法主要包括两个阶段：特征提取和分类。在特征提取的过程中，如何将不同信号的隐含信息转化为特征明显、区分度高的信号，直接关系到分类识别的结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的手部运动意图分类方法，其特征在于，包括以下步骤：步骤一：获取多通道、不同手部动作运动执行前的脑电信号并对其进行预处理，同时将脑电数据按比例随机划分为训练集、验证集和测试集；步骤二：分别对训练集、验证集和测试集的脑电信号进行裁剪扩充，以便后续进行深度学习；步骤三：分别对每组扩充后的脑电信号X(t)进行多元经验模态MEMD分解；脑电信号经过MEMD分解后产生m个频率由高到低排列的MIMF分量，每个MIMF都为一个时间长度为t的n通道信号，各通道信号都处于同一频段内；步骤四：为m个MIMF分别构建相同的卷积神经网络CNN，并在全连接层中将所有CNN串联起来，用softmax进行分类输出；步骤五：基于步骤三和步骤四的过程，采用序列前向搜索思想对MIMF进行挑选，得到分类准确率最高的MIMF组合和CNN模型，从而对多类任务的脑电信号进行分类识别。2.根据权利要求1所述的一种基于卷积神经网络的手部运动意图分类方法，其特征在于，所述步骤一中具体为：获取n个导联、d种手部动作运动执行脑电信号，通过4导联肌电信号判断动作执行起点并提取动作执行前的脑电信号，其时长为s，每种动作不少于60个试次；对脑电信号进行预处理包括带通滤波处理和陷波处理，用于进行带通滤波步骤的带通滤波器的截止频率为0.1
‑
100HZ；用于进行陷波处理的陷波滤波器的陷波频率为50HZ；将预处理后的每类数据按一定比例随机划分为：训练集、验证集和测试集。3.根据权利要求1所述的一种基于卷积神经网络的手部运动意图分类方法，其特征在于，所述步骤二中脑电信号的裁剪扩充处理具体步骤如下：(1)设每组单次脑电信号都表示为X(s)＝{x1(s)，x2(s)，...，x
n
(s)}，其中n表示脑电信号的通道数，s表示每组动作的时间长度；(2)使用窗长为t的时间窗对数据进行裁剪，剪切的移动步进为q，通过剪切操作，将时间长度为s的原脑电数据剪切为(s
‑
t)/50+1个时间长度为t的脑电数据X(t)＝{x1(t)，x2(t)，...，x
n
(t)}。4.根据权利要求1所述的一种基于卷积神经网络的手部运动意图分类方法，其特征在于，所述步骤三中采用MEMD分解将处理后的脑电信号分解为m个频率由高到低排列的MIMF分量的分解过程为：(1)设一个n维信号信号的长度为T，表示一组方向向量集，它们在(n
‑
1)维单位球对应的方向角为(2)使用Hammersley序列采样方法，在(n
‑
1)维单位球面上选择K个均匀采样点，K为经验值，是维数的3倍以上，且k＝1，2，3，...，K，产生K个投影向量(3)计算信号X(t)沿每一个投影向量的投影信号，将投影信号记为对于所
有K个投影向量，得到X(t)的投影集(4)确定投影集中每个投影信号的极值点对应的时刻i表示极值点的位置，i∈[1，T]；(5)以为插值节点，使用多元样条插值函数方法得到K个n元包络(6)计算K个方向上n元信号的包络的均值为(7)提取固有模态函数h(t)＝X(t)
‑
m(t)，如果h(t)满足MIMF的判断标准，则定义h(t)为第一阶MIMF分量，并将X(t)
‑
h(t)作为步骤(3)的输入信号，继续迭代步骤(3)～(7)，直到分离出新的MIMF分量，如果h(t)不满足MIMF的条件，把h(t)作为步骤(3)的输入信号，重复上述的步骤(3)～(7)，直至满足终止条件。5.根据权利要求4所述的一种基于卷积神经网络的手部运动意图分类方法，其特征在于，所述步骤一中具体为：所述步骤(7)中所述的终止条件为：其中，M(t)为信号均值，为偏差函数，γ为阈值，根据信号类型进行设定，当的值小于某个阈值时，可以判定其为MIMF；(8)经过一系列的MEMD分解，原n元信号被分解为一系列的多元模式函数和余量r(t)的和形式，表达式如下：式中：q表示分解出的IMF个数，h
...

【专利技术属性】
技术研发人员：王刚，陶怡，沈安澜，苏健强，陈霸东，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：