本发明专利技术提供了一种基于改进的Inception网络运动想象脑电信号分类方法，其方案是：(1)对运动想象脑电信号数据集进行数据增强处理；(2)在Inception网络中引入注意力机制模块，通过注意力机制模块对提取的各通道特征分配权重，且引入残差来减少由于数据量小而引起的过拟合和网络退化问题；(3)在改进的Inception网络输出后再送入残差网络来选择有效特征；(4)模型采用交叉熵损失和Dice损失相结合的复合损失函数；(5)对改进后的Inception网络进行训练和测试。本发明专利技术在公开的运动想象脑电信号数据集上得到了良好的分类效果，提高了分类准确度，无需手动提取特征，具有较高的应用价值。具有较高的应用价值。具有较高的应用价值。
【技术实现步骤摘要】
一种基于改进的Inception网络运动想象脑电信号分类方法
[0001]本专利技术涉及脑电信号分类领域，具体为一种基于改进的Inception网络运动想象脑电信号分类方法。
技术介绍
[0002]自20世纪70年代脑机接口(BCI)技术形成以来，直接用脑电信号与外界进行通信，甚至实现对外部设备控制的这个梦想逐渐变成了可能，运动想象脑电信号(MI
‑
EEG)分类是BCI研究中的一项重要应用。其中，MI
‑
EEG是采集受试者在想象不同部位运动时，大脑不同区域所产生的电信号。目前，MI
‑
EEG已广泛应用到医疗、神经康复和军事等多个领域，对其有重要作用。
[0003]近些年，运动想象脑电信号分类方法的研究不断创新，可以分为传统的机器学习算法和深度学习算法。其中，传统的机器学习算法先对信号预处理，然后提取EEG特征，最后对特征进行分类。而这类算法中提取特征部分，往往需要研究人员具有一定的先验知识以及进行大量的特征选择，并且基于先验知识可能会丢失重要特征以及特征被噪声覆盖，从而影响分类准确度。而深度学习算法，构建端到端模型，就可以自动提取特征并进行分类，不再需要人工提取特征，且分类准确性也明显提高。
[0004]目前，基于MI
‑
EEG的深度学习方法所设计的神经网络结构都较复杂，容易产生梯度爆炸和梯度消失问题；同时，由于MI
‑
EEG数据量通常较小，训练网络会产生严重过拟合问题；同时，由于不同受试者在相同状态下的脑电数据特征差异大，传统的卷积神经网络采用单一的卷积尺度会导致提取特征不充分，限制分类的准确性。
[0005]为解决上述问题，本专利技术提出一种基于改进的Inception网络运动想象脑电信号分类方法，利用公开的运动想象脑电信号数据集来训练和测试所设计的神经网络；针对单一尺度提取特征不充分，易产生梯度爆炸和梯度消失，以及由于数据量小而引起的过拟合问题，在Inception网络的基础上加入残差结构和SE注意力机制模块，以及使用具有负向传输特性的Selu激活函数，为提取充分的特征，采用并行的五个改进的Inception网络提取EEG特征，提高分类准确性。
技术实现思路
[0006]1、本专利技术的目的
[0007]本专利技术为提高分类准确性，提供了一种基于改进的Inception网络运动想象脑电信号分类方法。
[0008]2、为了实现以上目的，本专利技术通过以下技术方案实现：
[0009]本专利技术提供的一种基于改进的Inception网络运动想象脑电信号分类方法，具体步骤包括：
[0010](1)获取运动想象脑电信号数据集，使用滑窗裁剪和添加高斯噪声方法对数据集进行数据增强处理：
[0011](2)将Inception网络中加入残差结构和SE注意力机制模块：
[0012](2
‑
1)提取数据增强后的数据特征：采用5个并行的Inception网络对增强后的数据进行特征提取，其内部卷积尺度各不相同，分别提取不同时间长度的数据特征。
[0013](2
‑
2)增加残差结构：Inception网络结构由四条支路组成，包含三条卷积支路(ConvⅠ、ConvⅡ和ConvⅢ)和一条池化支路(pooling)。其中，每条卷积支路都包含(Conv+BN+Selu)，且每条支路的Conv大小不同，池化支路包含(Maxpooling+1*1Conv+BN+Selu)。将以上结构中的三条卷积支路上加入残差结构，即输入数据经过1*1Conv层与经过卷积层提取的特征相加。
[0014](2
‑
3)增加SE注意力模块：将输入数据和经过卷积层提取的特征相加之后，送入SE注意力机制模块，再将四条支路的特征融合后送入残差网络。
[0015](3)在残差网络中加入SE注意力机制：
[0016]残差网络的输入为Inception网络的输出，残差网络由三个卷积层组成，每个卷积层包含(Conv+BN+Selu),每层卷积的输出都要与该层的输入相加；在此结构上，将每一个残差跳连中加入SE注意力机制，即把卷积前各通道分配权重与卷积后输出相乘。经过残差网络后送入最大池化层，然后经展平层后通过Sigmoid函数和Softmax函数进行分类，得到分类结果。
[0017](4)模型损失函数的设计：
[0018]模型采用交叉熵损失和Dice损失相结合的复合损失函数。
[0019](5)对改进的Inception网络进行训练和测试：
[0020]将数据增强后的运动想象脑电信号数据作为改进Inception网络输入，利用反向传播算法和自适应估计矩(Adaptive moment estimation，Adam)优化算法使得复合损失函数最小来训练运动想象脑电信号分类模型；训练后，将运动想象脑电信号数据输入到训练好的模型，经过正向传播，即可得到运动想象脑电信号分类结果。
[0021]优选的，所述步骤(1)包括如下过程：
[0022]首先对运动想象EEG数据进行裁剪操作，提取出每次实验中进行运动想象任务的4.25s时间的EEG数据。其次，采用大小为1000的窗对长度为4.25s且采样频率为250Hz的EEG数据进行滑动截取，每次往后滑动10，滑动5次，截取5次的EEG数据；最后采用添加高斯噪声的方式对滑动截取后的数据进行增强，将增强后的数据作为输入数据。
[0023]优选的，所述步骤(2)在Inception网络中加入残差结构和SE注意力机制模块：
[0024]使用5个并行的Inception网络进行特征提取，5个Inception网络中的4条支路(3条卷积支路和1条池化支路)卷积核大小依次是[5,10,15,10]、[25,35,45,35]、[55,65,75,65]、[85,95,105,95]和[125,175,225,175]，不同分支不同卷积核大小可以充分提取多尺度特征，增加感受野。每条支路上经过卷积和批归一化后均使用Selu激活函数，该激活函数具有负向传输特性和自归一化功能，避免梯度消失和爆炸。
[0025]在5个并行的Inception网络中的每条卷积分支上，都引入残差跳连，以减少过拟合和避免梯度消失，更好的训练网络，提高模型的分类效果；其次将卷积后与卷积前相加后的特征，送入SE注意力机制，重新计算并分配各通道的重要程度，然后将4条分支融合送入残差网络。具体实现过程如下：
[0026]首先，通过多支路不同大小的卷积核对EEG提取特征，其定义为：
[0027][0028]其中I
q
为第q个改进的Inception网络里各分支卷积后的输出，q∈[1,2,3,4,5]，表示第j个分支中第k个卷积核，*表示卷积操作，x表示输入改进Inception网络的EEG数据。
[0029]其次，通过全局池化压缩各支路提取的特征，其定义为：
[0030][0031]其本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于改进的Inception网络运动想象脑电信号分类算法，其特征在于：所述方法主要通过以下步骤实现：(1)获取运动想象脑电信号数据集，使用滑窗裁剪和添加高斯噪声方法对数据集进行数据增强处理：(2)将Inception网络中加入残差结构和SE注意力机制模块：(2
‑
1)采用5个并行的Inception网络对增强后的数据进行特征提取，其内部卷积尺度各不相同，分别提取不同时间长度的数据特征。(2
‑
2)增加残差结构：Inception网络结构由四条支路组成，包含三条卷积支路(ConvⅠ、ConvⅡ和ConvⅢ)和一条池化支路(pooling)。其中，每条卷积支路都包含(Conv+BN+Selu)，且每条支路的Conv大小不同，池化支路包含(Maxpooling+1*1Conv+BN+Selu)。将以上结构中的三条卷积支路上加入残差结构，即输入数据经过1*1Conv层与经过卷积层提取的特征相加。(2
‑
3)增加SE注意力模块：将输入数据和经过卷积层提取的特征相加之后，送入SE注意力机制模块，再将四条支路的特征融合后送入残差网络。(3)在残差网络中加入SE注意力机制：残差网络的输入为Inception网络的输出，残差网络由三个卷积层组成，每个卷积层包含(Conv+BN+Selu),每层卷积的输出都要与该层的输入相加；在此结构上，将每一个残差跳连中加入SE注意力机制，即把卷积前各通道分配权重与卷积后输出相乘。经过残差网络后送入最大池化层，然后经展平层后通过Sigmoid函数和Softmax函数进行分类，得到分类结果。(4)模型损失函数的设计：模型采用交叉熵损失和Dice损失相结合的复合损失函数。(5)对改进的Inception网络进行训练和测试：将数据增强后的运动想象脑电信号数据作为改进Inception网络输入，利用反向传播算法和自适应估计矩(Adaptive moment estimation，Adam)优化算法使得复合损失函数最小来训练运动想象脑电信号分类模型；训练后，将运动想象脑电信号数据输入到训练好的模型，经过正向传播，即可得到运动想象脑电信号分类结果。2.根据权利要求1中所述的一种基于改进的Inception网络运动想象脑电信号分类方法，其特征在于：所述步骤(1)的具体实现方法为：首先对运动想象EEG数据进行裁剪操作，提取出每次实验中进行运动想象任务的4.25s时间的EEG数据。其次，采用大小为1000的窗对长度为4.25s且采样频率为250Hz的EEG数据进行滑动截取，每次往后滑动10，滑动5次，截取5次的EEG数据；最后采用添加高斯噪声的方式对滑动截取后的数据进行增强，将增强后的数据作为输入数...
【专利技术属性】
技术研发人员：宋立新，翟起鹏，王乾，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：
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。