一种基于模型不确定性学习的脑电信号分类方法技术

本发明专利技术公开了一种基于模型不确定性学习的脑电信号分类方法，其步骤包括：1，对于原始脑电数据进行预处理，包括数据选择、滑窗切片、发作前期数据上采样和数据输入形状的选择；2，建立Pelee网络的深度学习模型；3，在模型尾部嵌入一个dropout层；4，训练阶段，输入数据并通过交叉熵损失不断优化模型参数，获得最终分类模型用于待测试脑电信号的分类；5,在测试阶段，结合本发明专利技术改进的基于连续样本时间信息聚合的蒙特卡洛丢弃采样技术，对待分类的脑电样本进行预测分类。本发明专利技术将模型不确定性结合到轻量化的网络(PeleeNet)中，能够显著提升脑电信号分类准确率，从而增加脑电信号在医疗等领域的应用价值。域的应用价值。域的应用价值。

【技术实现步骤摘要】
一种基于模型不确定性学习的脑电信号分类方法


[0001]本专利技术涉及脑电信号分类领域，具体的说是一种结合不确定性学习技术的Pelee网络对脑电信号进行预测分类的方法。

技术介绍

[0002]脑电图(EEG)是一种用于记录大脑电活动的生理学技术。从头皮和颅内脑电图中观察到的神经活动模式来识别和预测生理和心理状态被广泛应用于情绪识别、运动想象、医疗健康等脑机接口领域。使用传统的机器学习方法手动提取的线性或非线性特征，例如自回归系数和李亚普诺指数等，这些传统的方法在严格控制的实验环境下取得了一定的成功。然而，这些手动提取的特征往往需要研究人员具备丰富的专业知识和进行大量的实验尝试。此外，在各种伪迹影响脑电记录的更真实的设置中，手动提取的特征往往只会涵盖部分脑电信息，导致系统具有较差的鲁棒性。
[0003]深度学习因其出色的泛化能力和强大的自动学习高效特征的能力，激励了它在脑电信号分类预测中被广泛应用。目前，大多数用于脑电信号分类的深度学习方法都会先进行特征的预处理，如短时傅里叶变换、公共空间模式等。这些对原始脑电进行的预处理操作虽然可以获得更加“干净”的数据，但同时也可能会丢失一些重要的信息。近几年使用特征预处理和直接使用原始脑电信号的模型通常具有更复杂的架构和更大的核，导致需要更大的内存资源消耗及计算力。
[0004]目前，深度神经网络可以通过输出一组logits将输入信号映射到低维表示空间。然而，这些映射并非完全的精确，与事实相反的情况可能会意外地出现。此外，标准的神经网络只能提供确定性的权重值，而不能提供不确定性的估计，即给定的样本在训练后始终输出相同的类别分数。模型不确定性(认知不确定性)捕捉模型参数的不确定性，并且可以通过增加训练样本来减少。然而，由于数据采集的高成本，脑电状态的分类一直面临训练数据不足的挑战。

技术实现思路

[0005]本专利技术为克服以上所述不足之处，提出一种基于模型不确定性学习的脑电信号分类方法，以期能从原始脑电信号中自动提取高效特征，从能够显著提升脑电信号分类准确率，并增加脑电信号在医疗等领域的应用价值。
[0006]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0007]本专利技术一种基于模型不确定性学习的脑电信号分类方法的特点是按如下步骤进行：
[0008]步骤1、获取带有标注类别信息的脑电信号数据集，并对所述脑电信号数据集中的原始脑电信号进行通道数据选择，得到C个通道的脑电信号，再通过滑动窗对所述C个通道的脑电信号进行切片，并重新构建切片后的脑电信号的输入形状，从而得到N段总时长为T的脑电信号样本，记为训练样本集X＝{X1,X2,...,X
i
,...,X
N
}，并将所述训练样本X的标签
集Y＝{Y1,Y2,...,Y
i
,...,Y
N
}；其中，X
i
∈R
C
×
W
×
S
表示输入形状重建后的第i段脑电信号样本，C表示脑电信号的通道数，W表示滑动窗的长度，S表示脑电信号的每秒采样率；Y
i
为第i段脑电信号样本X
i
所对应的标签；
[0009]步骤2、建立基于模型不确定性学习的Pelee网络，包含：Stem块、M2路第二稠密连接模块、转换模块；
[0010]Stem块包括：步长为s且卷积核为k
×
k的第一卷积层、一组卷积核为1
×
k和k
×
1的不对称卷积块、M1路第一稠密连接模块；其中，M1路分支的第一稠密连接模块包括：1
×
1卷积层、步长为s的最大池化层、步长为d且卷积核为k
×
k的第二卷积层；
[0011]M2路稠密连接模块包括：步长为d且卷积核为1
×
1卷积层、三组相同的卷积核为1
×
k和k
×
1的不对称卷积块；
[0012]转换模块包括：步长为s且卷积核为1
×
1的卷积层、dropout层、全局平均池化层及Softmax层。
[0013]步骤2.1、对Pelee网络中所有卷积核的权重使用xavier_uniform_初始化；
[0014]步骤2.2、将所述输入形状重建后的第i段脑电信号样本X
i
∈R
C
×
W
×
S
输入所述Pelee网络中，并经过所述Stem块中M1个分支路径的并行初步特征提取和下采样降维后，得到第i段脑电信号样本X
i
的第一特征序列其中，表示第M1个分支路径输出的特征图，M1表示所述Stem块中的分支路径个数；
[0015]步骤2.3、所述特第一征序列F
i1
经过所述M2路第二稠密连接模块进行不同尺度的特征提取，得到M2路第二稠密分支路径输出的第二特征序列表示第M2路第二稠密分支路径输出的特征图，M2表示第二稠密连接模块中的第二稠密分支路径个数；
[0016]步骤2.4、所述第二特征序列F
i2
经过一个1
×
1的卷积层，得到输出特征序列F
i3
；所述dropout层对输出特征序列F
i3
随机丢弃冗余特征后，得到提炼后的特征序列F
i4
，再通过全局平均池化层的压缩处理后，得到第i段的脑电信号样本X
i
的样本类别分数o
i
，最后经过所述Softmax层输出第i段的脑电信号样本X
i
对应的类别概率值，并作为最终的分类结果；
[0017]步骤3、模型训练：
[0018]本专利技术采用留一交叉验证来评估模型性能基于训练集，基于所述训练样本X及其标签集Y，采用交叉熵作为损失函数，并利用ADAM优化器对所述Pelee网络进行训练，并计算所述损失函数梯度用于更新网络参数，直到达到最大迭代次数或损失函数收敛为止，从而得到训练好的脑电信号分类模型；
[0019]步骤4、模型校准：
[0020]采集的待预测的第i段脑电样本及后续的D
‑
i段脑电样本并按照步骤1的过程进行预处理，得到预处理后的待预测的D段脑电样本；
[0021]将预处理后的待预测的D段脑电样本分别输入训练好的脑电信号分类模型中进行预测，得到对应的D个类别概率值，对D个类别概率值取均值后作为待预测的第i段脑电样本类别概率值。
[0022]本专利技术所述的基于模型不确定性学习的脑电信号分类方法的特点也在于，所述步骤2.2中的Stem块；
[0023]所述第i段输入形状的脑电信号样本X
i
∈R
C
×
W
×
S
输入所述Stem块中，先经过所述第一卷积层进行第一层的局部特征提取和降维处理后，得到所述第一层特征图F
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型不确定性学习的脑电信号分类方法，其特征是按如下步骤进行：步骤1、获取带有标注类别信息的脑电信号数据集，并对所述脑电信号数据集中的原始脑电信号进行通道数据选择，得到C个通道的脑电信号，再通过滑动窗对所述C个通道的脑电信号进行切片，并重新构建切片后的脑电信号的输入形状，从而得到N段总时长为T的脑电信号样本，记为训练样本集X＝{X1,X2,...,X
i
,...,X
N
}，并将所述训练样本X的标签集Y＝{Y1,Y2,...,Y
i
,...,Y
N
}；其中，X
i
∈R
C
×
W
×
S
表示输入形状重建后的第i段脑电信号样本，C表示脑电信号的通道数，W表示滑动窗的长度，S表示脑电信号的每秒采样率；Y
i
为第i段脑电信号样本X
i
所对应的标签；步骤2、建立基于模型不确定性学习的Pelee网络，包含：Stem块、M2路第二稠密连接模块、转换模块；Stem块包括：步长为s且卷积核为k
×
k的第一卷积层、一组卷积核为1
×
k和k
×
1的不对称卷积块、M1路第一稠密连接模块；其中，M1路分支的第一稠密连接模块包括：1
×
1卷积层、步长为s的最大池化层、步长为d且卷积核为k
×
k的第二卷积层；M2路稠密连接模块包括：步长为d且卷积核为1
×
1卷积层、三组相同的卷积核为1
×
k和k
×
1的不对称卷积块；转换模块包括：步长为s且卷积核为1
×
1的卷积层、dropout层、全局平均池化层及Softmax层；步骤2.1、对Pelee网络中所有卷积核的权重使用xavier_uniform_初始化；步骤2.2、将所述输入形状重建后的第i段脑电信号样本X
i
∈R
C
×
W
×
S
输入所述Pelee网络中，并经过所述Stem块中M1个分支路径的并行初步特征提取和下采样降维后，得到第i段脑电信号样本X
i
的第一特征序列其中，表示第M1个分支路径输出的特征图，M1表示所述Stem块中的分支路径个数；步骤2.3、所述特第一征序列F

【专利技术属性】
技术研发人员：李畅，邓志伟，宋仁成，刘羽，成娟，陈勋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：