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

本发明专利技术请求保护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，包括：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等预处理；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图中；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，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。本发明专利技术可显著降低电极之间的信息冗余度并有效提高脑电信号的识别准确率。效提高脑电信号的识别准确率。效提高脑电信号的识别准确率。

【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。这类方法都取得了较为良好的性能，但值得一提的是，这些方法使用由二维矩阵表示的原始EEG数据作为输入数据。然而，鉴于大脑可以被视为一个具有弱电信号的球体，而大脑皮层是一个连续的电位面，故采集到的每个电极的电信号都会有来自其它电极所处位置产生的信息，因此直接使用原始数据会造成信息冗余。独立分量分析(ICA)作为盲源分离的重要工具，可以有效减少这种信息冗余，但对于EEG数据来说，源的数量无法确定，ICA会破坏原本电极的排序顺序，使数据失去原有的空间信息。因而可以通过建立图有效的避免此类问题。
[0005]图卷积网络(GCN)是一种经典的图数据处理方法。它使用对称归一化邻接矩阵在每一层聚合邻居信息，然后使用每个节点共享的权重矩阵进行特征变换。它在半监督的节点分类和一些图分类任务中取得了良好的效果。简化的图卷积神经网络(SGCN)是一种基于GCN的改进方法。与GCN相比，它去掉了每一层的特征变换，但取得了几乎相同的效果。这说明了邻居信息的聚合在GCN中起着主要作用。以上两种方法提供了一种图中数据处理的思路，即利用节点之间的邻接关系来生成新的节点信息。另一方面，当大脑进行思维活动时，不同脑区的神经元的活动程度存在很大差异。然而，目前的方法大多关注所有电极的整体空间信息，忽视了在实际工作中应更多地关注每个局部区域的空间信息。
[0006]CN113128552A，一种基于深度可分离因果图卷积网络的脑电情绪识别方法。现有用于识别脑电情绪的神经网络缺乏通道间定向功能性关系的考虑。本专利技术如下：一、采集被
测者的脑电数据。二、构建邻接矩阵。三、计算脑电数据对应的正则化拉普拉斯矩阵。四、利用深度可分离因果图卷积模型进行特征提取和情绪分类。本专利技术采用格兰杰因果关系对EEG信号通道间的关系进行建模，构建出一个有向的非对称矩阵，充分考虑了通道间的因果关系，与真实的脑电信号产生情况一致，故能够有效提高情绪类型识别的准确率。此外，本专利技术采用深度可分离卷积充分提取了脑电数据中的局部特征，从而进一步提高了分类准确率。
[0007]该专利使用根据正则化拉普拉斯矩阵的切比雪芙多项式进行图卷积运算以完成脑电情绪识别。在该专利中，将直接采集的原始数据作为脑电特征，忽略了由于电信号的传导性，原始数据的电极之间会有较高的信息冗余，导致不能有效提取脑电的数据特征。同时基于正则化拉普拉斯矩阵的切比雪芙多项式进行的图卷积运算只在节点的领域中通过重复的聚合邻居信息生成新的节点特征，缺乏对不同大小的空间范围特征的关注并且基于切比雪芙多项式的图卷积运算的特征提取能力也较为有限。在本专利中，使用了信息分离器获取节点的独立源信息以降低节点之间的信息冗余度，再使用了关注的空间范围从节点
‑
领域
‑
全局依次递增的区域卷积网络充分的提取不同大小的空间范围特征。

技术实现思路

[0008]本专利技术旨在解决以上现有技术脑电信号识别率不高的问题。提出了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。本专利技术的技术方案如下：
[0009]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，其包括以下步骤：
[0010]步骤1：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；
[0011]步骤2：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；
[0012]步骤3：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呼其为信息分离器，再使用信息分离器获取每个节点独立的源信息；
[0013]步骤4：使用区域卷积网络的节点卷积层提取节点的自身特征；
[0014]步骤5：使用区域卷积网络的领域卷积层提取以节点中心的领域特征；
[0015]步骤6：使用图池化降低图的大小；
[0016]步骤7：使用区域卷积网络的全局卷积层提取所有功能区域块的全局特征并完成分类；
[0017]步骤8：设置损失函数交叉熵损失函数；
[0018]进一步的，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：
[0019]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。
[0020]进一步的，所述根据电极安装位置构建图的步骤包括：
[0021]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,则所构建的特征拓扑图为：G＝{N,V}。
[0022]进一步的，所述根据使用所构建的拓扑图创建信息分离器获取每个节点独立的源信息，具体包括：
[0023]根据所构建的图得出此图的邻接矩阵A的元素为：
[0024][0025]其本文档来自技高网...

【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：