【技术实现步骤摘要】
一种基于图神经网络的运动想象脑电信号分类方法
[0001]本专利技术具体涉及一种基于图神经网络的运动想象分类方法,属于计算机软件领域
。
技术介绍
[0002]脑机接口
(brain
‑
computer interface
,
BCI)
是指在人脑和外界环境间以计算机软硬件为基础建立连接,实现人脑和外界环境的信息交互
。BCI
按照电极放置位置可分为侵入式和非侵入式
。
非侵入式通过附着在头皮上的穿戴设备测量大脑的电活动,脑电图
(electroencephalogram
,
EEG)
是非侵入式方法之一
。
无创伤脑电图有着容易获取
、
采集成本低
、
信号时间分辨率高等特点,在脑机接口系统中有着广泛应用
。
[0003]基于
EEG
的非侵入式脑机接口根据
EEG
的特性可分为主动式,反应式以及被动式
。
主动式
BCI
不需外界刺激,使用者可通过自主意识控制
。
反应式
BCI
是利用大脑对外界刺激的响应控制外部设备,大脑活动不受使用者控制
。
被动式
BCI
目的在于让外部设备适应大脑状态而不是利用包含使用者意图的脑活动控制外设
。
运动想象
(motor imagery />,
MI)
是
BCI
的重要范式之一,指人在心里感觉一个运动过程而实际上不执行实际运动的过程
。
运动想象脑电信号
(MI
‑
EEG)
的产生无需外界刺激,是自发脑电信号
。
基于运动想象的脑机接口在医疗
、
军事交通和娱乐等方面都有广阔应用
。
[0004]基于脑电信号的运动想象分类问题大致可以分为两方面:基于机器学习的方法和基于深度学习的方法
。
机器学习的方法主要分为特征提取和分类两个步骤
。
特征提取方面运动想象领域中代表算法是共空间模式
(common spatial pattern
,
CSP)
,该方法从多导脑电数据中提取每一类空间分布的分量并对其分类
。
后来,
Ang
等人提出了滤波器组共空间模式
(filter bank common spatial pattern
,
FBCSP)
,该方法在
CSP
的基础上增加了一种特征选择算法,提取不同频段的相应
CSP
特征
。
特征分类方法较为代表的是线性判别分析
(LDA)
,支持向量机
(SVM)
和
k
‑
最近邻算法
(KNN)
等
。
[0005]近年来,越来越多的研究人员将深度学习技术应用到运动想象分类
。
卷积神经网络在
EEG
‑
MI
领域也收到越来越多的关注,
Schirrmeister
等人提出的紧凑型的模型
ShallowConvNet
采用时域卷积和空间卷积进行特征提取,对处理后的特征进行分类,取得了不错的效果
。
考虑到传统卷积忽略了脑电电极分布并非天然的欧式空间的特点,有学者将图神经网络应用到运动想象分类当中
。Sun
等人利用电极的空间信息构建邻接矩阵,同时提出自适应邻接矩阵自学习脑电信号的空间特征,进一步提高了解码性能
。Zhang
等人提出构建空间邻接矩阵的三种方式,同时利用循环注意力网络在跨被试分类上取得了更高的分类精度
。Li
等人利用时空和频空双分支网络对运动想象进行分类,实现了多维特征的信息提取,在多个公共数据集上取得了不错的效果
。Sun
等人利用图卷积网络的自适应邻接矩阵修改不同脑电通道间的连接性构建通道主动推理模块,配合卷积神经网络对脑电数据进行分类
。
如何充分利用脑电电极非欧式空间的特性仍是当前的挑战
。
[0006]为应对以上挑战,本专利技术提出了一种基于图神经网络的运动想象分类方法,采用
自学习邻接矩阵实现脑电通道间的功能连接,同时利用脑电电极的空间位置构建距离连接,利用双视图进行空间图卷积,充分提取空间特征;然后对处理后的脑电信号按顺序进行时间卷积和空间卷积,最后进行分类
。
本专利技术的方法考虑了脑电通道间的联系,提高了多类运动想象脑电信号的识别准确率
。
技术实现思路
[0007]本专利技术提出了一种基于图神经网络的运动想象脑电信号分类方法,该方法可充分考虑脑电通道间的联系,提高运动想象脑电信号的分类准确率;针对大脑区域之间的联系被忽略的问题,利用自学习图和先验图相结合的方式利用空间图卷积进行特征提取,从而提高分类准确率;
[0008]本方法方案如下:
[0009]首先对原始脑电数据集进行预处理;然后将数据集划分为训练集
、
验证集和测试集三部分,用于训练和测试新的网络模型
——Multi View Graph Convolution Net
模型;最后得出模型分类结果,并对分类结果进行评估,验证模型的准确性和泛化能力;
[0010]本专利技术技术方案的具体步骤如下:
[0011]步骤
1.
数据预处理:使用巴特沃斯带通滤波器对原始脑电信号进行带通滤波处理,随后对滤波后的信号做指数移动均值标准化;将脑电信号数据集划分为训练集
、
验证集和测试集;
[0012]步骤
2.
构建
MVGCNet
:构造两个脑视图,采用自学习图和先验图分别进行图卷积,以更好地考虑脑电通道间的功能和空间关系,实现信息互补;后采用时间卷积层和空间卷积层进行特征提取,捕获脑电数据的时空特征;
[0013]步骤
3.
将步骤1中的训练集和验证集输入到
MVGCNet
模型中进行训练
,
优化模型参数,提高模型的分类准确度和泛化能力;
[0014]步骤
4.
将步骤1中的测试集输入到步骤3中已训练好的模型中进行分类,评价分类的准确度
。
[0015]本专利技术具有以下优点:
[0016]1.
利用自学习邻接矩阵进行空间图卷积操作,可以充分考虑大脑不同区域间的功能联系,充分提取脑电信号的空间特征;
[0017]2.
利用脑电电极的空间位置构建先验邻接矩阵,关注现实世界的脑电电极的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于图神经网络的运动想象脑电信号分类方法,其特征在于,包括以下步骤:步骤
1.
数据预处理:使用巴特沃斯带通滤波器对原始脑电信号进行带通滤波处理,随后对滤波后的信号做指数移动均值标准化;将脑电信号数据集划分为训练集
、
验证集和测试集;步骤
2.
构建网络模型:构造两个脑视图
——
自学习图和先验图分别进行图卷积,以更好地考虑脑电通道间的功能和空间关系,实现信息互补;后采用时间卷积层和空间卷积层进行特征提取,捕获脑电数据的时空特征;步骤
3.
将步骤1中的训练集和验证集输入到
MVGCNet
模型中进行训练
。2.
根据权利要求1所述的基于图神经网络的运动想象脑电信号分类方法,其特征在于:步骤1具体为:
(1)
对原始运动想象脑电信号
14
‑
40Hz
的巴特沃斯带通滤波器进行带通滤波,过滤出所需频段的信号;
(2)
对滤波后的信号做指数移动均值标准化,其中衰减因子设为
0.999
,减少数值差异对模型效果的影响;
(3)
开始训练之前,将经过预处理后的脑电数据集进行划分;将训练样本中
80
%的数据作为训练集,其余
20
%的数据作为验证集
。3.
根据权利要求1所述的基于图神经网络的运动想象脑电信号分类方法,其特征在于:步骤2具体为:网络模型的具体结构概括为四部分:模块1,模块2,模块3,全连接层;下面对每一部分进行详细说明:
(1)
模块1首先对图卷积知识进行介绍:一个无向图由
G
=
(V
,
E)
组成,
V
为节点集合,
E
为边的集合;假设该无向图的节点个数为
N
,则该无向图的邻接矩阵为为:
o
和
p
表示图中的节点,
A
o,p
表示邻接矩阵第
o
行和
p
列的值,
V
o
和
V
p
是集合
V
中的元素,表示实数集合,表示
N
行
N
列的实数矩阵;相应的图的拉普拉斯矩阵表示为
L
=
D
‑
A
,其中
A
是图的邻接矩阵,是由图的度矩阵,
D
ii
=
∑
j
A
ij
;采用归一化的拉普拉斯矩阵
L
sym
,公式为:,公式为:是单位矩阵,是
L
sym
的特征值对角矩阵,是矩阵
L
sym
各特征值对应的特征向量组成的矩阵,
U
T
表示
U
的转置;为图上的节点向量,则图节点向量的傅里叶变换为:
Ff(x)
=
U
T
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
其中
Ff(x)
表示对图节点向量做傅里叶变换;
傅里叶反变换为:
Ff
‑1(x)
=
Ux
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
其中
Ff
‑1(x)
表示对图节点向量做傅里叶反变换;则
x
与滤波器
g
的图卷积表示为:
x*g
=
U(U
T
x
⊙
U
T
g)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
其中
⊙
为对应元素乘积,
*
表示图卷积操作;
g
θ
=
U
T
g
为对角矩阵;
x
和
g
都是图上的向量,利用切比雪夫多项式的
K
阶截断展开式进行近似公式5中的对角矩阵
g
θ
=
U
T
g
,得到:其中其中是公式2中的
L
sym
的特征值对角矩阵,
I
N
是单位矩阵,
λ
max
是矩阵
L
sym
中的最大特征值,是切比雪夫系数向量,
K
表示取
K
阶近似展开式,
k
表示第
k
阶展开,表示的第
k
阶切比雪夫多项式展开;最后信号
x
与滤波器
g
的切比雪夫谱图卷积计算过程如下:其中
*
表示图卷积操作,是切比雪夫系数向量;
x
和
g
都是图上的向量,其中
K
表示取
K
阶近似展开式,
k
表示第
k
阶展开,表示的第
k
阶切比雪夫多项式展开;利用不同的
EEG
节点定位方法实现不同邻接矩阵的
EEG
图表示;其中包括功能连接的脑视图和基于距离连接的脑视图;图由节点和边组成,记为无向图
G
eeg
=
(V
eeg
,E
eeg
)
,其中节点集
V
eeg
=
{s
i
|i∈[1,N
e
]}
包含所有
EEG
节点,
N
e
为脑电通道个数也为图中节点个数;每个节点
s
i
为一个脑电通道;
E
eeg
为边的集合,表示不同脑电通道间的连接关系;构造基于功能连接的脑视图和基于距离连接的脑视图,利用基于谱图理论的图卷积提取脑电信号的空间特征;基于功能性连接的脑视图为自学习脑视图;该方法可以动态学习脑电的功能图结构;将输入的脑电信号定义为其中
N
e
为脑电电极数,
F
time
为时间采样点数,采样点数,表示实数集合,
T
为矩阵转置,
X
为输入信号矩阵;将不同的脑电通道视为图上节点,基于输入的脑电信号
X
,自学习邻接矩阵
A
function
定义为式8:其中为可学习的参数;表示节点
m
和节点
n
之间的连接关系,为矩阵
A
function
中第
m
行第
n
...
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。