一种基于卷积神经网络和EEG的大脑疲劳检测方法技术

本发明专利技术公开了一种基于卷积神经网络和EEG的大脑疲劳检测方法，步骤包括：通过傅里叶变换对不同频段的EEG信号进行提取；EEG数据输入卷积神经网络之后，经卷积池化提取的图像特征，经过全连接层转换为一维数据，将经过卷积神经网络处理后的数据作为SVM的输入，对SVM模型进行训练；使用SVM模型对经过特征提取的EEG信号进行分类，得到分类结果。本发明专利技术使用SVM代替传统网络的softmax层，使得在数据量较少的情况下，也可获得更高的准确率，进行特征提取时使用DenseNet，可以充分利用脑电图特征，并且可以减轻梯度消失问题，相比其他的网络，DenseNet所需要的参数数量较少，可以降低存储开销并且减少计算量，提高效率。提高效率。提高效率。

【技术实现步骤摘要】
一种基于卷积神经网络和EEG的大脑疲劳检测方法


[0001]本专利技术涉及大脑疲劳检测方法
，具体为一种基于卷积神经网络和EEG的大脑疲劳检测方法。

技术介绍

[0002]脑电图(EEG)是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息，在临床医学方面，脑电信号处理可为某些脑疾病提供诊断依据和治疗手段。脑电信号可用于检测人的情感状态、睡眠质量、癫痫发作检测等方面。脑电信号在每种大脑状态时表现不同的波形，睡眠时的脑电信号时身体自发产生的，可以反映出大脑在睡眠时的生理活动，通过对脑电信号的分析可对睡眠质量进行判断，从而对大脑疲劳程度进行判断。
[0003]脑电信号中包含时域、频域和空间域信息，由于时域信息直观性强、物理意义比较明确，直接从时域上提取EEG特征信息是最早发展起来的特征，过去的EEG分析主要靠肉眼观察。随着计算机图像处理的发展，可通过计算机对EEG数据进行分析，分析方法有：K近邻、支持向量机、决策树、人工神经网络等。在多数实验中使用ANN进行EEG分析有更高的准确率。
[0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和EEG的大脑疲劳检测方法，其特征在于：该方法的步骤包括：第一步，将EEG数据传入卷积神经网络输入层：通过傅里叶变换对不同频段的EEG信号进行提取；第二步，提取EEG特征：EEG数据输入卷积神经网络之后，经卷积池化提取的图像特征，经过全连接层转换为一维数据；第三步，构建SVM分类器：将经过卷积神经网络处理后的数据作为SVM的输入，对SVM模型进行训练；第四步，EEG信号预测结果：使用SVM模型对经过特征提取的EEG信号进行分类，得到分类结果。2.根据权利要求1所述的一种基于卷积神经网络和EEG的大脑疲劳检测方法，其特征在于：EEG信号可分为α波、β波、δ波和θ波四种基本特征波，通过傅里叶变换对四种基本特征波进行提取。3.根据权利要求1所述的一种基于卷积神经网络和EEG的大脑疲劳检测方法，其特征在于：通过卷积神经网络对EEG信号特征进行提取，使用DenseNet对特征进行提取，DenseNet通过特征在通道维度上的连接实现特征重用并且可以减轻梯度消失问题；在DenseNet中，每一层的输入均来自前面的所有层，即第i层的输入与之前所有层的输出相关，假设x
i
表示第i层输出，则x
i
可以表示为H
i
([x0,x1,
…
,x
i
‑1]),i＝1,2,
…
,n；[]代表拼接操作，H
i
(
·
)表示非线性转化函数，是一个组合操作，DenseNet主要由密集块和过渡层构成，密集块中包含多层，每层的特征图大小同，通道数发生改变；过渡层是将不同的密集块进行连接的模块，主要用于整合密集块获得的特征；在密集块中采用的非线性组合函数H
i
(
·
)是BN、激活函数和3
×
3卷积，假定输入的特征图的数量为k0，密集块各层卷积后均输出k个特征图，则第n层共有k0+(n―1)k个输入的特征图，其中k为网络增长率，在密集块中可加入Bottleneck层，即增加BN、激活函数、1
×
1卷积，可减少输入的特征图数量，融合各通道特征；过渡层用于密集块之间的连接，过渡层由BN、激活函数、1
×
1卷积和2
×
...

【专利技术属性】
技术研发人员：王元全，杨俊丽，
申请(专利权)人：天津宇迪智能技术有限公司，
类型：发明
国别省市：