基于门控循环单元网络的脑电信号分类方法技术

本发明专利技术针对脑电信号分类准确率不高而影响脑

【技术实现步骤摘要】
基于门控循环单元网络的脑电信号分类方法


[0001]本专利技术涉及一种基于门控循环单元网络的脑电信号分类方法，主要应用于脑
‑
机接口领域中对脑电信号进行分类，识别大脑真实的意图。

技术介绍

[0002]脑
‑
机接口技术的原理是当大脑在进行思维活动、受外界刺激时，伴随着神经系统运行的还有一系列脑电活动，这些脑电活动通过特定的技术手段被检测到，然后通过信号处理识别出大脑的意图，并将大脑的思维活动转换为控制信号，实现对外围设备的控制。与传统的肢体、语言交流方式相比，是一种新型的人机交互方式，不依赖于中枢神经系统和运动系统，在大脑和外围设备之间建立信息通路，实现人脑与计算机的通讯和控制。
[0003]脑
‑
机接口系统主要包括三个部件：脑电信号采集设备、信号处理平台、信号响应设备。如图1所示，脑
‑
机接口系统的具体计算过程包括：脑电采集、信号获取、特征提取、分类判断、信号输出/执行、触发反馈信号。其中，脑电信号获取、特征提取、分类判断这三个步骤则由专门的脑
‑
机接口处理算法完成，其中对脑电信号的特征提取与分类是最核心的步骤，最终分类结果的准确性会影响到脑
‑
机接口系统的实际使用。
[0004]传统的脑电信号分类算法主要是线性分类器，包括线性判别分析(LDA)、支持向量机(SVM)等，这些方法由于线性分类的特征，脑电信号分类的准确率不够高，尤其是一些多通道的、复杂的脑电信号，分类结果的准确率会大大降低，甚至会低于50％。当传统脑电信号分类算法无法准确识别大脑的真实意图时，脑
‑
机接口系统所对应的外部信号响应设备就会作出错误的行动。
[0005]深度学习是机器学习领域中一个新的研究方向，近些年来成为很火热的一种技术。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习在图像识别、语言翻译、语音识别、自动化驾驶，以及其他相关领域都取得了很多成果。
[0006]本专利技术根据脑电信号的特征，将深度学习应用到脑电信号的分类上，提升多通道复杂脑电信号分类的准确率。在深度学习中，经典的神经网络模型有卷积神经网络(CNN)、循环神经网络(RNN)等，长短期记忆网络(LSTM)是RNN的一种。本专利技术采用的是门控循环单元网络(Gated Recurrent Unit，GRU)，该网络模型是LSTM的一种效果很好的变体，它较LSTM网络的结构更加简单，而且效果也很好，因此也是当前非常流行的一种网络模型。
[0007]门控循环单元网络(GRU)是在循环神经网络(RNN)的基础上对网络的结构做了调整，加入了门控机制，用来控制神经网络中信息的传递。门控机制可以用来控制记忆单元中的信息有多少需要保留，有多少需要丢弃，新的状态信息又有多少需要保存到记忆单元中等。GRU可以学习跨度相对较长的依赖关系，而不会出现梯度消失和梯度爆炸的问题。在一般结构的RNN中，网络的状态h
t
和h
t
‑1之间是非线性的关系，并且参数在每个时间步共享，这是导致梯度爆炸和梯度消失的根本原因。门控循环神经网络(GRU)解决问题的方法就是在
状态h
t
和h
t
‑1之间添加一个线性的依赖关系，从而避免梯度消失或梯度爆炸的问题。
[0008]本专利技术针对传统线性分类器在脑电信号分类时精度不高的问题，使用门控循环单元网络来对脑电信号进行训练得到分类模型，该分类模型在推理的时候能够更加准确地完成脑电信号的分类。本专利技术所提出的方法将为脑
‑
机接口领域中各种类型的脑电信号分类提供技术支持。

技术实现思路

[0009]本专利技术的目的在于提出一种基于门控循环单元网络的脑电信号分类方法，能够更加准确地对脑电信号进行分类，识别大脑的真实意图。
[0010]本专利技术基于门控循环单元网络对已有脑电信号进行分类，得到一个能够用于脑电信号高准确率分类的GRU模型，具体步骤如图2所示，分别为：(1)数据准备；(2)数据预处理；(3)模型训练设置；(4)模型训练。
[0011](1)数据准备
[0012]为实现应用门控循环单元网络对脑电信号进行分类的目的，本专利技术将脑电信号的数据处理成适合输入到神经网络模型的格式，门控循环单元网络作为一种常见的神经网络模型，其输入的数据通常是向量化的。每一时刻的脑电信号数据以及该时刻的大脑意图用一个一维向量表示，表达形式为x1，x2，...，xi，y，其中i为脑电信号采集器的通道数。如下式所示，以64通道脑电采集器采集到的脑电信号为例，x1，x2，x3，x4，...，x64表示的是64个通道所对应的脑电信号特征取值，而y表示的是该时刻所对应的大脑真实意图，y通常是固定数量类别中的某一类，用一个整型数字来表示。由于脑电采集器每时每刻都在采集脑电信号，假设以160Hz的采样率进行采集，每秒钟就会采集到160条这样的数据，每一条数据是一个拥有65个数据的一维向量，前64个数据对应着64个通道的特征取值，第65个数据对应着信号分类的结果，即深度学习中训练数据的标签值，通常用某一个整型数字来表示。
[0013]x1，x2，x3，x4，...，x64，y
[0014]本专利技术将一段时间内所采集到的脑电信号整理成[N，y]的矩阵数据格式，其中N表示输入脑电信号特征取值行数，y表示列数；脑电信号采集器采集的时间越长，采集到的脑电数据就越多，整理后N就越多；y的取值包括通道数和大脑意图取值类别。本专利技术将采集到的脑电信号整理成N行、y列的数据形式后，就完成了数据准备。
[0015](2)数据预处理
[0016]本专利技术对准备好的脑电信号数据集进行训练集与测试集分割，将部分数据用于GRU模型的训练，将另外数据用于GRU训练模型的测试。为了能够使训练得到的GRU模型精度更高，以及对GRU模型进行充分的测试验证，将脑电信号数据集中75％的数据用于GRU模型的训练，25％的数据用于GRU模型的测试。
[0017]本专利技术对训练数据和测试数据都进行归一化。在深度学习中，需要对特征取值进行归一化，使得所有特征的取值区域相近，这主要是为了避免特征取值相差太大影响模型训练，如一个特征的取值在100左右，另一个特征的取值在1左右，那么深度学习模型就会侧重于第一个特征而忽略第二个特征，这会明显不利于模型的训练。
[0018]由于脑电信号是多通道在同时采集，不同时刻都会同时采集到多个通道的数据，因此脑电信号经过数据准备后的矩阵数据格式中每一行表示某一时刻每一个通道上的特
征取值，而每一列则表示某一通道在不同时刻的特征取值，最后一列表示某一时刻大脑真实意图(通常用整数来表示)。因为脑电信号具有较高的时间分辨率，本专利技术从时间维度上对脑电信号进行数据归一化，也就是将每一列特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于门控循环单元网络的脑电信号分类方法，其特征在于：将脑电信号的分类通过门控循环单元网络(GRU)来完成，主要包括数据准备、数据预处理、模型训练设置、模型训练四个步骤，在已经采集的脑电信号数据基础上通过四个步骤得到一个高准确率的脑电信号分类模型，能够用于对脑电信号进行分类，提升脑
‑
机接口系统的实用性。2.根据权利要求1所述的基于门控循环单元网络的脑电信号分类方法，其特征在于，所述数据准备步骤将一段时间内所采集到的脑电信号整理成[N，y]的矩阵数据格式，所述N表示输入脑电信号特征取值行数，所述y表示列数；脑电信号采集器采集的时间越长，采集到的脑电数据就越多，整理后N就越多；y的取值包括通道数和大脑意图取值类别。3.根据权利要求1所述的基于门控循环单元网络的脑电信号分类方法，其特征在于，所述数据预处理步骤对准备好的脑电信号数据集进行训练集与测试集分割，将脑电信号数据集中75％的数据用作GRU模型的训练集，25％的数据用作GRU模型的测试集，并对训练集与测试集中的数据都进行正态归一化，具体对每一列脑电信号的特征取值进行正态归一化，使得...

【专利技术属性】
技术研发人员：吴振东，张毅，王立成，
申请(专利权)人：中芯未来北京科技有限公司，
类型：发明
国别省市：