【技术实现步骤摘要】
一种基于信息分离器和区域卷积网络的脑电信号识别方法
[0001]本专利技术涉及智慧生物医疗领域,尤其涉及一种基于信息分离器和区域卷积网络的脑电信号识别方法。
技术介绍
[0002]脑
‑
机接口技术(BCI)是一种能通过人脑实现直接与计算机或其它电子设备进行交流的人机交互技术。人脑包含数百亿个神经元,而脑电(EEG)信号就是这些神经元之间活动产生的电信号。脑电信号已被广泛应用于人造肢体、运动康复、大脑疾病诊断和疲劳检测等领域。当大脑进行思维活动时,会产生特定的电信号并映射到大脑皮层,如何根据这些电信号来解码人类的意图是脑
‑
机接口的关键。
[0003]当人们在运动或想象运动时,可以观察到有助于解码人类意图的事件相关去同步化(ERD)和事件相关同步化(ERS)的现象。所以运动想象是目前脑电信号领域的一个热门研究课题,越来越多的研究使运动想象脑电信号的解码变得可靠。脑电图信号具有生物电信号的大部分特性,如非线性、不稳定性、随机性,还含有其他生物电信号的伪迹和噪声。这些噪声的幅值是EEG信号的数倍甚至数十倍。因此,传统方法无法提取EEG信号的有效特征。近年来,由于深度学习的快速发展和深度学习对随机和非线性数据的强大处理能力,逐渐成为脑电研究的主流方法之一。
[0004]目前,基于深度学习的EEG信号意图解码方法主要是将原始EEG信号视为二维矩阵,两个维度分别为电极和采集的EEG时间序列。然后使用深度学习算法,如卷积神经网络(CNN)或长短期记忆(LSTM)进行特征提取和分类 ...
【技术保护点】
【技术特征摘要】
1.一种基于信息分离器和区域卷积网络的脑电信号识别方法,其特征在于,包括以下步骤:采集脑电数据,并对脑电数据进行滤波、小波包分解和数据标准化在内的预处理;根据电极安装位置构建拓扑图,再将经过预处理的脑电数据嵌入拓扑图中;根据所构建的拓扑图,创建能获取节点源信息的转换矩阵并称其为信息分离器,再使用信息分离器获取每个节点独立的源信息;然后使用聚焦区域特征并且关注的区域范围依次递增的区域卷积网络提取脑电信号特征,区域卷积网络包含三个卷积层,分别为提取节点自身特征的节点卷积层、提取以节点为中心的领域特征的领域卷积层和提取全局特征的全局卷积层;最后由全连接层完成分类识别。2.根据权利要求1所述的一种基于信息分离器和区域卷积网络的脑电信号识别方法,其特征在于,所述对脑电数据进行滤波、小波包分解和数据标准化在内的预处理,具体包括:对脑电数据进行0.5
‑
100Hz的带通滤波,使用一级小波包将滤波后的数据分解为近似部分和细节部分,近似部分为低频,和细节部分为高频,根据脑电的节律特性,将细节部分作为噪声舍弃,只保留近似部分;使用Z
‑
Score标准化方法对分解后的近似部分数据标准化,Z
‑
Score标准化公式为:其中,x为分解的近似部分数据,μ为近似部分数据的样本均值,是数据的标准差,N是样本数量,x
z
是经过标准化后的数据,x
z
的均值为0,标准差为1。3.根据权利要求1所述的一种基于信息分离器和区域卷积网络的脑电信号识别方法,其特征在于,所述根据电极安装位置构建特征拓扑图的步骤包括:以每个电极作为一个节点,将经过预处理的电极采集数据作为节点特征,则所有的节点构成了节点集N;设定距离阈值,选择与目标节点的距离小于阈值的节点作为该节点的邻居,由于在电场中,距离越近联系越大,于是相邻节点的边的权重设为距离的倒数,所有的边构成了边集V,则所构建的图为:G={N,V}。4.根据权利要求1所述的一种基于信息分离器和区域卷积网络的脑电信号识别方法,其特征在于,所述根据使用所构建的图创建信息分离器获取每个节点独立的源信息,具体包括:根据所构建的图得出此图的邻接矩阵A的元素为:其中,d
ij
是节点i和节点j的距离,则图的拉普拉斯矩阵为:L=D
‑
A,其中,是A的度矩阵;标量场的梯度的散度表示了场中源的强度,标量场的梯度的散度用拉普拉斯算子表示,拉普拉斯矩阵是拉普拉斯算子的离散形式,于是
用拉普拉斯矩阵获取节点独立的源信息;为了保持数据的量级,使用随机游走拉普拉斯矩阵进行对拉普拉斯矩阵标准化处理:L
rw
=L/D=I
‑
A/D,L
rw
的元素为:添加可训练的参数以充分获取节点源信息:其中,W是与A相同形状的权重矩阵,I是单位矩阵,“·”表示点乘操作。将命名为信息分离器。则节点的源信息可表示为5.根据权利要求1所述的一种基于信息分离器和区域卷积网络的脑电信号识别方法,其特征在于,所述区域卷积网络的节点卷积层步骤包括:首先通过一维卷积提取每个节点上不同时间段的信息,一维卷积的运算公式为:其中,表示节点c在第1层的第j个...
【专利技术属性】
技术研发人员:唐贤伦,王世飞,谢颖,杨才全,李星辰,徐梓辉,王乐君,王会明,邓欣,蔡军,
申请(专利权)人:重庆邮电大学,
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。