一种基于图-节点卷积神经网络的脑电信号分类方法技术

本发明专利技术公开了一种基于图

【技术实现步骤摘要】
一种基于图
‑
节点卷积神经网络的脑电信号分类方法


[0001]本专利技术属于医学信号处理领域，具体涉及一种基于图
‑
节点卷积神经网络(Graph
‑
Node
‑
Convolutional neural network,GNCNN)的脑电信号分类方法。

技术介绍

[0002]抑郁症是个人情绪调节上产生了障碍，临床表现为心境低落、行动迟缓、精神过度集中于自身，不仅造成精神痛苦，还会逐渐剥离个人与外界事物的联系，对患者的危害极大。在临床应用中，只有对抑郁症患者进行客观准确的识别，并及时采取治疗，才是抑郁症康复的前提。
[0003]目前，最常见的抑郁症分类方式，是医生问询搭配量表调查，然而，这种方式存在很多问题。首先，量表的设计准则需要分数达到一定阈值，这种方式往往会导致结果过度或者不足；其次，问询过程中无法避免被测试者的主观隐瞒等干扰因素；同时，精神卫生专业人员的极度缺乏、医生经验的差别、患者的不重视及隐私泄露担忧也使得对抑郁症的分类效果较差。因此，提高抑郁症分类的准确率与效率，具有十分重要的意义。
[0004]虽然脑电技术在上世纪下半叶出现了，但几十年前，只有临床医生和神经科学专家能够在严格控制的实验室条件下，用包含64个或更多通道的电极来采集和分析脑电图。这些高密度电极在人头皮上均匀分布，被用来帮助研究人员发现与动作、认知或情感加工有关的潜在神经机制。近些年来，随着计算机硬件和处理器技术的发展，人们对于大脑了解的逐步深入，对大脑的结构和活动规律有了更深刻的认识，基于脑电的产品也开始应用到各个生产生活领域。
[0005]脑电图(electroencephalograph,EEG)用于医学领域最常用的方法是基于人工特征提取配合各种分类器，如时域特征、频域特征、时频域特征及其他非线性特征、深度学习提取特征等。与传统的EEG信号处理方法相比，基于深度学习的方法在脑电信号处理中得到了广泛的应用，取得了良好的效果。近年来，基于EEG和深度学习的方法在医学信号处理领域方面也取得了良好的性能，但是在脑电信号的分类准确率仍然有待提高。

技术实现思路

[0006]为了提高抑郁症识别的准确率，以便更好地实现临床应用，本专利技术提出了一种基于图
‑
节点卷积神经网络的脑电信号分类方法。
[0007]本专利技术采用的技术方案如下：
[0008]一种基于图
‑
节点卷积神经网络的脑电信号分类方法，该方法首先手动提取脑电信号的微分熵特征，然后将提取的特征输入到并行的2D卷积与图卷积网络结构中，以图分类的方式进行深层次的特征提取，最后将提取的特征输入到图卷积网络中进行节点分类，具体步骤如下：
[0009](一)数据预处理：对原始的EEG信号，首先进行带通滤波，从而去除高频噪声、消除缓慢漂移、去除电源线噪声；其次，进行独立成分分析，去除眼电干扰；然后，进行重参考；最
后，对数据进行分段，根据数据中的事件信息将包含图片刺激的一段提取出来，作为后续用于处理的脑电信号；
[0010](二)特征提取：对步骤(一)中预处理后的脑电信号提取微分熵特征；
[0011](三)构建基于并行2D卷积与图卷积的深层次特征提取网络，进行时空角度的深层次特征提取：首先将连续实验的微分熵特征进行叠加增强，n个实验的特征矩阵得到m个增强实验的特征矩阵，对增强后的特征矩阵，每k个连续的增强实验的特征矩阵拼接在一起，构成上下文特征，然后将其分别输入到2D卷积网络中提取时间信息、图卷积网络中提取空间信息，其中，输入到图卷积网络中的数据构图方式为：将脑电通道作为图中的节点，每个实验对应一张图；将2D卷积网络和图卷积网络提取的特征进行拼接，通过全连接层进行特征提取融合，最终得到高度聚合的特征向量；
[0012](四)节点分类：每个被试的脑电信号最终提取出m个增强实验的特征向量，共同构成一张大图，每个实验作为图中一个节点，节点特征即为步骤(三)提取出来的特征向量，同一被试的所有节点之间进行全连接，不同被试之间的节点无连接，将大图送入图卷积网络中进行节点分类，得到分类结果。
[0013]本专利技术的有益效果是：设计2D卷积和图卷积并行提取特征的模式，实现时空角度的深层次特征提取；通过图分类的方式实现同一实验的特征的高度聚合，通过节点分类的方式实现同一被试的不同实验之间的信息传递，通过聚合邻居实验的信息，达到提高分类准确率的目的。
附图说明
[0014]图1是本专利技术实现脑电信号分类的整体流程图；
[0015]图2是本专利技术中预处理的流程图；
[0016]图3是本专利技术中基于GNCNN模型的脑电信号分类方法网络结构图。
具体实施方式
[0017]下面结合附图和实例对本专利技术做详细的说明。本专利技术的整体流程如图1所示。
[0018]第一，本专利技术首先对原始脑电信号进行预处理。如图2所示，具体流程如下：
[0019]1)首先对原始脑电信号进行1
‑
45Hz滤波。低通滤波，去除高频噪声；高通滤波，消除缓慢漂移；陷波滤波，去除电源线噪声；
[0020]2)其次对滤波后的信号进行独立成分分析，首先画出第一个被试的信号成分地形图，根据可视化结果，识别出在头皮地形图的前端分布且成分排序较为靠前的成分，即为需要剔除的眼电成分，然后将第一个被试中的眼电成分作为模板，根据模板找出其他被试的数据中的眼电成分，从而剔除所有被试中的眼电成分；
[0021]3)然后进行重参考步骤，常见的参考电极有：双极参考、REST参考和平均参考等，本专利技术中选取平均参考；
[0022]4)最后对数据进行分段，每一个试验中都包含了图片刺激，根据数据中的事件信息将包含图片刺激的一段提取出来，作为后续用于处理的脑电信号。本实施例中，根据每一个试验开始和结束的时间点，对数据进行分段，每段包含一个完整的试验，提取每一个实验中，对被试进行图片刺激的0.5s时间段的数据作为一段，每个被试共160个实验，所以最终
共提取出160段数据。
[0023]第二，本专利技术其次根据公式(1)对预处理后的脑电信号提取微分熵特征。
[0024][0025]特征提取时，对每段信号进行不同频段微分熵特征的提取，频段分为：1
‑
4Hz，2
‑
6Hz，4
‑
8Hz，6
‑
11Hz，8
‑
14Hz，11
‑
22Hz，14
‑
31Hz，22
‑
40Hz，31
‑
45Hz，共9个频段，因此，步骤(二)对每个实验提取9个微分熵特征。
[0026]第三，构建基于并行2D卷积与图卷积的深层次特征提取网络。如图3所示，本专利技术提出了2D卷积网络结合图卷积网络的特征提取模块，它相对于单一卷积神经网络和图神经网络主要有三点优势，其一是输入特征，采用了微分熵特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图
‑
节点卷积神经网络的脑电信号分类方法，该方法首先手动提取脑电信号的微分熵特征，然后将提取的特征输入到并行的2D卷积与图卷积网络结构中，以图分类的方式进行深层次的特征提取，最后将提取的特征输入到图卷积网络中进行节点分类，具体步骤如下：(一)数据预处理：对原始的EEG信号，首先进行带通滤波，从而去除高频噪声、消除缓慢漂移、去除电源线噪声；其次，进行独立成分分析，去除眼电干扰；然后，进行重参考；最后，对数据进行分段，根据数据中的事件信息将包含图片刺激的一段提取出来，作为后续用于处理的脑电信号；(二)特征提取：对步骤(一)中预处理后的脑电信号提取微分熵特征；(三)构建基于并行2D卷积与图卷积的深层次特征提取网络，进行时空角度的深层次特征提取：首先将连续...

【专利技术属性】
技术研发人员：吴强，李浩然，郑丽娜，刘建业，孙钊，田民君，
申请(专利权)人：众阳健康科技集团有限公司，
类型：发明
国别省市：