一种多尺度Inception网络的脑电图解码方法技术

本发明专利技术公开了一种多尺度Inception网络的脑电图解码方法，具体包括以下步骤：S1、选取数据集来训练和评估，然后采集到训练时的各项数据集进行统计；S2、在通道选择过程中，将运动想象脑电信号数据的子集划分为对应于位于感觉运动皮层中的不同通道，这些EEG电极提供了最突出的MI功能，从而降低了设备成本、计算时间和系统复杂性，在调查通道选择对MI分类准确性的影响；本发明专利技术涉及脑电图技术领域。该多尺度Inception网络的脑电图解码方法，验证了跨被试微调场景下取得最佳分类性能结果；另外，实验设计一个端到端的多尺度Inception CNN模型，学习来自不同卷积尺度的EEG信号特征，模型的分类准确度和泛化能力达到了优越的水平。的分类准确度和泛化能力达到了优越的水平。的分类准确度和泛化能力达到了优越的水平。

【技术实现步骤摘要】
一种多尺度Inception网络的脑电图解码方法


[0001]本专利技术涉及脑电图
，具体为一种多尺度Inception网络的脑电图解码方法。

技术介绍

[0002]脑电图是通过电极记录下来的脑细胞群的自发性、节律性电活动。EEG是癫痫诊断和治疗中最重要的一项检查工具，尽管高分辨率的解剖和功能影像学在不断的发展，但在癫痫的诊治中EEG始终是其他检测方法所不可替代的，现有的脑电图解码方法形式多样，但还是存在这一些缺陷。
[0003]尽管基于CNN的模型在MI
‑
EEG分类中取得了较好的结果，但仍然存在各种问题阻碍了分类器的性能。首先，目前大多数深度学习模型通常只关注单尺度卷积核中的脑电信号特征，而忽略了其他卷积尺度中脑电信号的有用信息。其次，一些研究旨在解决脑机接口系统中不同被试间的差异性问题，因此有必要建立有效的跨被试模型，无需获取训练数据集即可应用于新被试的MI模型。然而，这需要在目标被试者MI分类过程中对模型进行微调。在实践中，选择较少的EEG通道可以减少电极帽采集时间和所需的内存，并降低设备成本和系统复杂性。此外，这可以防止在模型训练中选择不相关通道时的过度拟合。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种多尺度Inception网络的脑电图解码方法，解决了传统脑电图解码方法效果不是很好的问题。
[0005]为实现以上目的，本专利技术通过以下技术方案予以实现：一种多尺度Inception网络的脑电图解码方法，具体包括以下步骤：/>[0006]S1、选取数据集来训练和评估，然后采集到训练时的各项数据集进行统计；
[0007]S2、在通道选择过程中，将运动想象脑电信号数据的子集划分为对应于位于感觉运动皮层中的不同通道，这些EEG电极提供了最突出的MI功能，从而降低了设备成本、计算时间和系统复杂性，在调查通道选择对MI分类准确性的影响，根据之前的研究，将包含来自原始数据集的22个通道的区域分割为六个感兴趣区域；
[0008]S3、将原始数据并行输入到Inception模块中，将不同尺度提取的特征通过Max pooling、Batch Normalization、Dropout、Flatten和全连接层，然后将拼接后的数据输入Dense层进行分类；
[0009]S4、对MSICNN的性能在三种不同的场景下进行了评估，分别对应被试内、跨被试和跨被试微调来分析被试个体间的可变性。
[0010]优选的，所述S4中，被试内在本研究中，将EEG数据随机分为训练集、验证集和测试集，每个子数据集都使用最小
‑
最大归一化进行缩放，三个子集的大小比例设置为8:1:1，在子数据集划分过程中，确保模型在使用训练集训练或使用验证集搜索超参数时不包含来自测试集的任何信息。
[0011]优选的，所述S4中，对于跨被试实验，使用除测试被试之外的所有其他被试的训练集来学习网络参数，这种方法确保所提出的系统从未见过来自测试集的任何数据，同样，在这种情况下，为每个单独的被试获得了独特的网络参数。
[0012]优选的，所述S4中，跨被试微调在最后一个场景中，使用该被试训练集的标记脑电图数据微调了为第二个场景中的每个目标被试开发的系统参数。
[0013]有益效果
[0014]本专利技术提供了一种多尺度Inception网络的脑电图解码方法。与现有技术相比具备以下有益效果：
[0015]该多尺度Inception网络的脑电图解码方法，通过将脑电信号的通道区域根据通道位置和数量划分为6种组合，探讨通道选择对脑电信号的性能影响，得到最佳的通道选择区域；由于被试间存在生理差异性以及采集的EEG信号天然地容易受到外部环境的影响，实验提出跨被试者和跨被试者微调两种实验场景，对比分析了两种性能效果，验证了跨被试微调场景下取得最佳分类性能结果；另外，实验设计一个端到端的多尺度Inception CNN模型，学习来自不同卷积尺度的EEG信号特征，模型的分类准确度和泛化能力达到了优越的水平。
附图说明
[0016]图1为本专利技术六个感兴趣区域的示意图；
[0017]图2为本专利技术并行多尺度Inception网络的系统框架图；
[0018]图3为本专利技术电极系统中的22个脑电电极位置示意图；
[0019]图4为本专利技术6种ROI模型的混淆矩阵图；
[0020]图5为本专利技术三种评估场景下的分类性能图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]请参阅图1
‑
5，本专利技术提供一种技术方案：一种多尺度Inception网络的脑电图解码方法，本实验选取格拉茨工业大学提供的BCI竞赛IV数据集2a来训练和评估本文的研究，BCI IV 2a数据集是一个四类运动想象任务(左手、右手、脚和舌)，记录了9名健康被试22个EEG通道采集的数据，采样频率为250Hz，如图3所示，该数据集包含每个被试在两个不同日期记录的两个会话。每个会话有6次run，每次run有48次trial(12次左手、12次右手、12次双脚和12次舌头)，在每个会话中，每个trial都在t＝0s时开始，此时固定交叉十字架出现和短喇叭发声，然后当t＝2s时，出现1.25秒的箭头提示，提示被试进行相应的运动想象任务：左手、右手、双脚、舌。被试执行运动想象任务3
‑
6秒，直到交叉十字架在t＝6秒时消失时停止运动想象任务，如图4所示，每个被试在试验中执行3秒的运动想象任务。
[0023]在通道选择过程中，本文将运动想象脑电信号数据的子集划分为对应于位于感觉运动皮层中的不同通道。这些EEG电极提供了最突出的MI功能，从而降低了设备成本、计算
时间和系统复杂性，研究旨在调查通道选择对MI分类准确性的影响，根据之前的研究，将包含来自原始数据集的22个通道的区域分割为六个感兴趣区域，如图1所示，ROI A包含周围区域的三对通道，ROI B在ROI A的基础上扩展两对通道，ROI C包括位于中央区域的三对通道。ROI D涉及位于中心和周围区域的六对通道，ROI E由感兴趣区域内的所有八对通道组成，最后，ROI F包括区域中间的六对通道。
[0024]并行多尺度Inception网络的系统框架如图2所示，将原始数据并行输入到Inception模块中，将不同尺度提取的特征通过Max pooling、Batch Normalization、Dropout、Flatten和全连接层，然后将拼接后的数据输入Dense层进行分类。
[0025]MSICNN的性能在三种不同的场景下进行了评估，分别对应被试内、跨被试和跨被试微调来分析被试个体间的可变性。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度Inception网络的脑电图解码方法，其特征在于：具体包括以下步骤：S1、选取数据集来训练和评估，然后采集到训练时的各项数据集进行统计；S2、在通道选择过程中，将运动想象脑电信号数据的子集划分为对应于位于感觉运动皮层中的不同通道，这些EEG电极提供了最突出的MI功能，从而降低了设备成本、计算时间和系统复杂性，在调查通道选择对MI分类准确性的影响，根据之前的研究，将包含来自原始数据集的22个通道的区域分割为六个感兴趣区域；S3、将原始数据并行输入到Inception模块中，将不同尺度提取的特征通过Max pooling、Batch Normalization、Dropout、Flatten和全连接层，然后将拼接后的数据输入Dense层进行分类；S4、对MSICNN的性能在三种不同的场景下进行了评估，分别对应被试内、跨被试和跨被试微调来分析被试个体间的可变性。2.根据权利要求1所述的一种多尺度Incep...

【专利技术属性】
技术研发人员：刘培，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：