一种基于节律特征融合卷积神经网络的脑电分类模型制造技术

本发明专利技术公开了一种基于节律特征融合卷积神经网络对脑电信号进行分类的模型。目的是解决目前关于脑电信号的研究中忽视信号的节律特征的，以及脑电信号在不同个体间的差异导致在迁移学习中神经网络表现差的问题。针对现有的问题，本发明专利技术设计了一种提取特定频段特征的网络结构，实现了从各个脑电节律提取不同的特征，并使用与一致性相关的自定义函数作为评价指标进行网络训练，并将各个节律的特征融合的分类方法。大大提高了脑电信号分类的迁移学习准确率。准确率。准确率。

【技术实现步骤摘要】
一种基于节律特征融合卷积神经网络的脑电分类模型


[0001]本专利技术属于脑电信号分类领域，具体为一种基于节律特征融合卷积神经网络的脑电分类模型。

技术介绍

[0002]脑电图(Electroencephalography，EEG)是一种记录脑电波的电生理监测方法。EEG测量采用非侵入式方法，通过电极对腩电信号进行测量，反应神经元电活动的兴奋性突触后电位和抑制性突触后电位在头皮的整合。EEG凭借其方便使用的特性，广泛应用于神经工程，神经科学，生物医学等研究领域。目前常见的EEG研究包含情绪识别，运动想象，精神负载，癫痫发作监测和睡眠监测等方面。
[0003]脑电信号的成分比较复杂，按照频率的不同分为多种节律，可以通过对脑电波的观测来反映人体的不同状态。最常见的有五种不同的节律：δ节律为小于4Hz的脑电波，在人体深度睡眠且没有做梦时出现；θ节律为4～8Hz，常出现于有情绪压力时；α节律为8～13Hz，在放松平静，闭眼清醒时出现；β节律为13～30Hz的脑电波，主要反映人的专注情况；γ节律为高于30Hz的脑电波，体现对声音和视觉方面的感知；此外还有μ节律与神经元的感觉运动状态相关。目前对于脑电信号的研究，通常直接使用原始信号作为特征，没有对具体的节律进行具体分析。
[0004]同时，每个人的具体情况会有所不同，每个人个体间存在差异，神经网络在脑电信号的迁移学习中表现效果较差，这也是脑电研究方面存在的一个挑战。
[0005]针对上述脑电成分复杂，脑电信号特征因人而异，迁移学习效果差的问题，本专利技术提出了一种基于节律特征融合卷积神经网络的脑电分类模型，并使用自定义的评价指标来训练。通过计算各个节律的特征并进行融合的方法，来解决上述问题。

技术实现思路

[0006]本专利技术的目的在于提供一种基于节律特征融合卷积神经网络对脑电信号进行分类的模型，该方法的步骤包括：
[0007]步骤1，搭建5个并行的节律特征提取网络模块，每个节律特征提取网络包含5个串行的功能块(block)，在其中的block1，block2中，通过时域卷积和降采样来得到特定频率范围的时域特征，之后提取其他时空信息，得到目标频率范围的特征。本设计对于每个模块提取的频率范围a
‑
b Hz，其中a为最低频率，b为最高频率。在block1中，按照目标节律的不同，进行不同的时域卷积，卷积核长记为Sk，在模块1进行3层时域卷积，卷积核参数为(1，S
k11
，depth1)，(1，S
k12
，depth1)，(1，S
k13
，depth1)，在模块2进行3层时域卷积，卷积核参数为(1，S
k21
，depth1)，(1，S
k22
，depth1)，(1，S
k23
，depth1)，在模块3进行2层时域卷积，卷积核参数为(1，S
k31
，depth1)，(1，S
k32
，depth1)，在模块4进行1层时域卷积，卷积核参数为(1，S
k41
，depth1)，在模块5进行1层时域卷积，卷积核参数为(1，S
k51
，depth1)，不使用padding，卷积的步长设置为(max代表取两数中的最大值)。参数depth1选取8，设置
卷积的核长S
k
时，使得在每个并行模块中，其功能块1(block1)中的所有时域卷积的核长的乘积逼近于sample/a，即∏
j
S
kij
＝sample/a，其参数i为并行模块编号，j为biock1中卷积核编号，sample为采样率，a为目标频率范围的最低频率；在block2中，进行时域的最大池化，设置池化尺寸为(1，S
p
)，不使用padding，步长为其参数S
p
＝sample/(b
×
strides)，其中sample为脑电信号采样率，b为目标频率范围的最高频率，strides为该并行模块block1中所有卷积的步长的乘积。
[0008]步骤2，对于步骤1搭建的网络模型，使用自定义的基于一致性kappa值的Metrics函数作为评价指标函数进行网络的训练，将5个节律特征提取模块中block4的输出提取出来作为节律特征。将节律特征进行合并，将合并后的节律特征放入融合网络中训练。同时在合并的节律特征中，增加脑电信号数据的标准差来修正，最后放入全连接网络，得到分类结果。
[0009]与现有技术相比，本专利技术的有益效果如下：本专利技术综合各个节律的特征，能够有效地对脑电信号分类。本方法中专利技术了一种通过设置卷积层数与卷积核尺寸以及时域池化的尺寸来提取指定频率范围的特征的方法，能够有效的结合各个节律的不同特征。降低脑电信号个体差异的影响，提高了准确率，在迁移学习中效果尤为明显。此外，本方法自定义了一种基于一致性kappa值的metrics用于训练网络模型，提高了网络在脑电分类的迁移学习中的稳定性。
附图说明
[0010]图1是本专利技术的节律特征提取网络模型
[0011]图2是本专利技术的结构流程图
具体实施方式
[0012]下面将对本专利技术实施例中的方案，以使用脑电信号分析注意力集中与否的二分类实例进行描述。
[0013]设计注意力集中实验，根据实验内容让受试者执行点击操作。采集脑电信号，并对腕电信号的进行预处理。以为1000Hz采集脑电信号，电极的摆放采用，标准的10
‑
20电极摆放方法。对脑电信号进行预处理，对采集到的脑电信号进行1
‑
80Hz带通滤波去除噪声，以及50Hz的陷波滤波来消除市电的干扰；根据脑电实验的试次进行切片；使用ICA主成分分析剔除眼动和肌电等噪声；对预处理后的数据进行归一化处理，使用实验单个试次内数据的局部最大，最小值来放缩数据，使用局部归一化处理，规避了部分信号由于设备结合处不良或故障等原因产生的异常值的影响，同时也降低了振幅对模型训练的影响，使模型根据关注波形和频率。其表达式为：x^_i＝(x_i
‑
x_min)/(x_max
‑
x_min)i＝1，2，3...；
[0014]请参阅图1所示节律特征提取网络模型，本实施为基于脑电信号节律提取特征的网络结构。EEG信号主要集中于50Hz以内，且在EEG信号的各种节律中，θ节律常出现于情绪压力时，α节律在放松平静时出现，β节律反应专注情况，γ节律与声音和视觉的感知相关。将采集到的信号进行降采样到250Hz来训练网络。网络包含5个并行的节律特征提取网络，每个节律特征提取网络包含5个串行的block。在block1中根据目标节律的不同，进行不同
的时域卷积，模块1包含三层卷积，卷积核大小分别为(1，3，8)，(1，3，8)，(1，7，8)；模块2包含三层卷积，卷积核大小分别为(1，3，8)，(1，3，8)，(1，4，8)；模块3包含两层卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于节律特征融合卷积神经网络的脑电分类模型，其特征在于：该模型由一个节律特征提取网络和一个特征融合网络构成。2.根据权利要求1所描述的一种基于节律特征融合卷积神经网络的脑电分类模型，其特征在于：其节律特征提取网络包含五个用于不同节律特征提取的并行模块，每个模块包含互个用于逐步提取特征的串行功能块(block)。3.根据权利要求2所描述的一种基于节律特征融合卷积神经网络的脑电分类模型，其特征在于：在功能块1(block1)中，按照目标节律的不同，进行不同的时域卷积，在卷积的过程中，不使用padding，核长记为S
k
，时域卷积步长选取为(其中max代表取两数中的最大值，代表向下取整)；模块1的功能块1(block1)为三个串联的时域卷积，卷积核尺寸分别为(1，S
k11
，depth1)，(1，S
k12
，depth1)，(1，S
k13
，depth1)；模块2的功能块1(block1)为三个串联的时域卷积，卷积核尺寸分别为(1，S
k21
，depth1)，(1，S
k22
，depth1)，(1，S
k23
，depth1)；模块3的block1为两个串联的时域卷积，卷积核尺寸分别为(1，S
k31
，depth1)，(1，S
k32
，depth1)；模块4的block1为一个时域卷积，卷积核尺寸为(1，S
k41
，depth1)；模块5的block1为一个时域卷积，卷积核尺寸...

【专利技术属性】
技术研发人员：黄晓林，顾鹏程，曹阳，葛云，陈颖，
申请(专利权)人：南京大学，
类型：发明
国别省市：