一种基于深度置信网络的非完整运动想象脑电解码方法技术

本发明专利技术涉及一种基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，所述方法包括五部分过程：1)运动想象脑电信号采集；2)信号预处理过程；3)非完整EEG构造过程；4)特征提取过程；5)识别分类过程。本发明专利技术针对运动想象脑电在采集过程中出现数据丢失或极大干扰噪声情况，构造非完整运动想象脑电数据集并提取频带功率谱特征，利用深度置信神经网络对非完整运动想象脑电进行识别分类，在保证分类精度前提下有效提高脑电解码的鲁棒性与抗干扰性，为脑

【技术实现步骤摘要】
一种基于深度置信网络的非完整运动想象脑电解码方法


[0001]本专利技术涉及生物信号识别、脑机接口
，具体涉及一种基于深度置信网络的非完整运动想象脑电解码方法。

技术介绍

[0002]脑
‑
机接口(Brain
‑
Computer Interface，BCI)是一种与人的思维意图相关的新型人机交互控制系统，广泛应用于神经假肢、智能轮椅、外骨骼机器人、意念打字等领域。相比于诱发式BCI技术，自发式BCI技术更能反映使用者的真实意图，在神经康复辅助、机器人交互控制等方面具有独一无二的优势，其中基于运动想象脑电(Electroencephalography,EEG)的BCI系统正逐渐成为当前BCI技术研究的焦点。
[0003]由于运动想象EEG的幅值微弱，易受眼电、肌电、工频干扰、运动伪迹、基线漂移等非EEG噪声影响，导致其信噪比低。传统的滤波器、独立元分析和离散小波变换等去噪方法，虽然能提升EEG的信噪比，但对于一些诸如电极脱落、电极偏移、间歇性电路故障或断线、A/D转换错误等导致EEG数据丢失以及例如被试眼球、额肌、颞肌等大范围频繁运动导致的极大干扰情形却无能为力。通常将受到极大干扰或数据丢失等情形污染的运动想象EEG信号直接全部剔除，这样就导致可用的脑电信号样本减少，无法保证充足的训练数据，额外增加了被试采集时间。另外，从在线BCI系统实用性的角度看，连贯的、持续的、无中断的EEG信号识别是极其重要的。
[0004]代替剔除整个EEG信号段，仅去除或处理受极大干扰与数据丢失影响的数据段，而保留未受污染的数据段，从而构建非完整运动想象EEG样本，这为解决上述问题提供了一种新颖的思路。当前仅有很少文献开展这方面的研究，如Zhang等人应用贝叶斯张量分解算法提升非完整EEG的识别精度，但该方法计算复杂度高和耗时，无法适用于在线BCI系统应用。目前的研究与应用中，未见到从特征提取与学习角度出发针对非完整运动想象EEG进行分类解码研究。

技术实现思路

[0005]为解决上述技术问题，本专利技术提供一种基于深度置信网络的非完整运动想象脑电信号鲁棒性解码方法，其目的在于解决数据丢失或极大干扰噪声情形下的脑电信号连续、不间断识别分类问题。
[0006]本专利技术为实现上述目的所采用的技术方案是：
[0007]一种基于深度置信网络的非完整运动想象脑电解码方法，包括以下步骤：
[0008]1)运动想象脑电信号采集：设计不同肢体的运动想象实验范式，采集覆盖全脑区的多通道运动想象脑电信号；
[0009]2)信号预处理：利用滤波器对采集到的运动想象脑电信号进行带通滤波；
[0010]3)非完整运动想象脑电构造：对滤波后的运动想象脑电信号，提取实验范式提示信息出现后设定时长的信号段，对其做滑动窗分割得到运动想象脑电信号片段，并去除数
据丢失或干扰噪声信号段，构造非完整运动想象脑电数据集；
[0011]4)特征提取：对非完整运动想象脑电数据集提取频带功率谱特征，组成非完整运动想象脑电特征样本集，并进行特征归一化处理；
[0012]5)识别分类：利用深度置信网络对非完整运动想象脑电特征样本集进行识别分类，解码出不同的运动想象意图。
[0013]所述步骤1)中不同肢体的运动想象实验范式包括左手、右手和双脚三类肢体的运动想象实验范式。
[0014]所述步骤2)中滤波器为五阶巴特沃斯滤波器，增益为1.5。
[0015]所述步骤2)中带通滤波为通频带8
‑
30Hz带通滤波。
[0016]所述步骤3)中在实验范式提示信息出现后设定时长的信号段上做滑动窗分割，采用时间窗长1s和80％重叠的滑动窗。
[0017]所述步骤3)中构造非完整运动想象脑电数据集，采用信号采样点去除和信号段去除两种方式，利用高斯分布将含有数据丢失或干扰噪声大于阈值的信号段直接设置为零或NaN值，组成非完整运动想象脑电数据集，记为EEG：
[0018]EEG＝{eeg
(k)
∈R
N
×
T
,k＝1,2,...,K}
[0019]其中eeg
(k)
为第k个非完整运动想象脑电信号矩阵，N为通道数，T为样本采样点数，K为非完整运动想象脑电数据集信号矩阵个数。
[0020]所述步骤4)中频带细分为8
‑
13Hz，13
‑
18Hz，18
‑
23Hz和23
‑
28Hz四种子频带。
[0021]所述步骤4)中频带功率谱特征，采用Lomb
‑
Scargle Periodogram方法提取，频带功率谱特征为
[0022][0023]其中，ω1和ω
F
分别为频带的下截止频率和上截止频率，F表示截止频率上限。
[0024]所述步骤5)中深度置信网络具有深层次的结构，由三层预训练的受限玻尔兹曼机RBM顺次堆叠而成，并通过softmax regression层训练整个网络进行回归分类，所述深度置信网络直接输出非完整运动想象脑电所属的类别。
[0025]所述softmax regression层训练整个网络进行回归分类，其过程为：
[0026]第一步：将三层RBM顺次堆叠在一起，即将归一化后的非完整运动想象脑电功率谱特征样本作为第一层RBM的输入，计算得到的输出作为第二层RBM的输入，第二层RBM的输出作为第三层RBM的输入，通过计算获得第三层RBM的输出为X
RBM
；
[0027]第二步：将第三层RBM的输出X
RBM
输入到softmax regression层，计算该样本所属运动想象类别的概率，根据最大概率准则确定待分类样本类别，并计算所有样本的类别误差；
[0028]第三步：利用随机梯度下降法和误差反向传播算法训练深度置信网络，调整参数θ
t
，得到更新的参数θ
t+1
；
[0029]第四步：迭代第三步，若迭代次数满足设定次数，或者误差值达到设定值，则网络训练过程结束；否则，将θ
t+1
赋值给θ
t
，并返回第一步。
[0030]本专利技术具有以下有益效果及优点：
[0031]1.本专利技术采用信号采样点去除和信号段去除两种方式构造非完整运动想象脑电
信号，在实际应用中，能够有效去除数据丢失或极大干扰噪声对信号的影响，提高系统的实用性。
[0032]2.本专利技术采用Lomb
‑
Scargle Periodogram方法对非完整运动想象脑电信号提取功率谱特征，提升频域特征的鲁棒性；
[0033]3.本专利技术采用三层深度置信网络架构对提取的功率谱特征进行学习和分类，提高非完整运动想象脑电信号的分类正确率，为脑
‑
机接口系统在线、不间断地解码本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，包括以下步骤：1)运动想象脑电信号采集：设计不同肢体的运动想象实验范式，采集覆盖全脑区的多通道运动想象脑电信号；2)信号预处理：利用滤波器对采集到的运动想象脑电信号进行带通滤波；3)非完整运动想象脑电构造：对滤波后的运动想象脑电信号，提取实验范式提示信息出现后设定时长的信号段，对其做滑动窗分割得到运动想象脑电信号片段，并去除数据丢失或干扰噪声信号段，构造非完整运动想象脑电数据集；4)特征提取：对非完整运动想象脑电数据集提取频带功率谱特征，组成非完整运动想象脑电特征样本集，并进行特征归一化处理；5)识别分类：利用深度置信网络对非完整运动想象脑电特征样本集进行识别分类，解码出不同的运动想象意图。2.根据权利要求1所述的基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，所述步骤1)中不同肢体的运动想象实验范式包括左手、右手和双脚三类肢体的运动想象实验范式。3.根据权利要求1所述的基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，所述步骤2)中滤波器为五阶巴特沃斯滤波器，增益为1.5。4.根据权利要求1所述的基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，所述步骤2)中带通滤波为通频带8
‑
30Hz带通滤波。5.根据权利要求1所述的基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，所述步骤3)中在实验范式提示信息出现后设定时长的信号段上做滑动窗分割，采用时间窗长1s和80％重叠的滑动窗。6.根据权利要求1所述的基于深度置信网络的非完整运动想象脑电解码方法，其特征在于，所述步骤3)中构造非完整运动想象脑电数据集，采用信号采样点去除和信号段去除两种方式，利用高斯分布将含有数据丢失或干扰噪声大于阈值的信号段直接设置为零或NaN值，组成非完整运动想象脑电数据集，记为EEG：EEG＝{eeg
(k)
∈R
N
×
T
,k＝1,2,...,K}其中eeg
(k)
为第k个非完整运动想象脑电信号矩阵，N为通道数，T为样本采样点数，K为非完整运动想象脑电数据集信号矩阵个数...

【专利技术属性】
技术研发人员：赵新刚，褚亚奇，朱波，张道辉，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：