一种脑电信号分类方法技术

本发明专利技术属于数据挖掘技术领域，具体涉及一种脑电信号分类方法

【技术实现步骤摘要】
一种脑电信号分类方法


[0001]本专利技术属于数据挖掘
，具体涉及一种脑电信号分类方法
。

技术介绍

[0002]脑机接口
(brain
‑
computer interface,BCI)
可以实现人与外部设备的信息交互，通过脑电传感器采集大脑的电信号，脑电解码算法将人的思维活动转化为指令信号驱动外部设备，实现了人脑无需肢体活动即可对外部设备的控制
。
脑机接口技术的应用前景非常广阔：在康复方面，可以促进运动能力的恢复，控制轮椅
、
假肢等，增强人体的身体机能；在娱乐方面，可以结合虚拟现实技术，通过意念控制游戏中的角色，获得更身临其境的游戏体验；在军事上，它可以帮助人们更好地控制无人机
、
无人车
、
机器人等，代替人类执行各种危险任务，还可以在执行任务时实时反馈人员的心理状态
。
运动想象
[0003](motor imagery,MI)
是最常用的
BCI
方法之一
。
运动想象脑电
(Motor Imagery ElectronEncephalography,MI
‑
EEG)
信号是人们想象其身体不同部位移动时的脑电信号
。
使用信号分析和处理方法，人们的思考意图可以被解码
。
由于脑电信号具有非线性
、
非稳态
、
信号振幅弱
、<br/>信噪比低等特点，因此对其特征的有效提取和准确分类是关键
。
脑电信号主要有三个特征：时域
、
频域和空间
。
时域和频域特征的提取主要采用小波变换
、
功率谱密度
、
快速傅里叶变换等方法；空间特征的提取主要采用公共空间模式
(Common Spatial Pattern,CSP)、
滤波器组公共空间模式
(Filter Bank Common Spatial Pattern,FBCSP)
等方法
。
[0004](
以往方法不足点一：特征提取会损失信息
)
[0005]上述特征提取方法需要丰富的先验知识和大量的特征选择过程，例如在滤波器组公共空间模式算法中，首先使用滤波器组根据脑电信号的频率进行分类，分析其空间信息，并通过特征选择算法提取各个频率中的有用信息，但是特征选择算法不可避免地会丢失一些有用的特征信息，从而影响后续分类
。
[0006](
以往方法不足点二：以往手工特征进行分类的方法表征能力入端到端的深度学习方法
)
[0007]在特征提取后需要进行分类
。
常用的特征分类算法包括线性判别分析
、
支持向量机
、
贝叶斯分类器等
。1
上述分类算法相较端到端的深度学习方法的表征能力较差，在多分类任务中表现不佳，而且还需要丰富的先验知识
。
[0008](
以往方法不足点三：
EEG
信号信噪比较低，较难端到端进行深度学习
)
[0009]随着计算机技术的发展和近年来以卷积神经网络
(convolutional neural network
，
CNN)
为代表的深度学习算法在机器视觉中的成功应用，将
CNN
模型应用于运动图像分类是一个有前景的方向
。
与静态的二维图像数据不同，脑电信号是来自大脑皮层的一维动态时间序列，具有三维的特征
。
脑电信号中包含的与运动想象任务有关的信号往往比其他噪声信号弱
。2
这使得应用端到端模型来学习脑电图数据特征比图像更困难
。
这种类型的模型首先从原始输入中提取局部和低层次的特征，然后在更深的一层提取全局和高层次
的特征
。
采用深度学习算法的目的是减少预处理的难度，同时避免人工提取特征的环节，使用卷积作为关键组件来学习数据的局部特征，将数据处理
、
特征提取
、
特征分类结合到一起，提升了特征提取能力，在各类任务中普遍取得了很好的结果
。
[0010](
以往方法不足点四：直接采用端到端进行深度学习不能较好学习到脑电信号的个体差异性和时间差异性
(
设计神经网络，从多尺度的角度来解决
))
[0011]考虑到脑电信号的个体差异性和时间差异性，具有单尺度卷积滤波器和单分支的网络结构在特征提取过程中会丢失一些有用的特征，导致正确率下降
。
同时脑电信号数据较少，因此对脑电信号进行增强预处理，对后续脑电信号分类据有关键作用
。
[0012]因此，有必要提供一种新的脑电信号分类方法以解决上述技术问题
。

技术实现思路

[0013]本专利技术于针对上述现有技术中的不足，提供一种基于多尺度特征提取与时间序列预处理增强的脑电分类方法，来分别解决脑电信号的个体差异性和时间差异性；数据量不足，包含信息量较少的问题
。
[0014]本技术方案技术方案如下：
[0015]一种脑电信号分类方法，其特征在于，包括
[0016]S1
划分训练集与测试集；
[0017]S2
构建脑电信号分类的网络模型；
[0018]S3
对时间序列进行预处理增强；
[0019]S4
通过损失函数迭代更新权重值至损失函数收敛
。
[0020]进一步地
、
所述脑电信号分类网络模型包括：多尺度卷积块模块
、
并行残差融合模块以及通道注意力增强模块；
[0021]所述多尺度卷积块模块包括捕捉整体特征的大尺度卷积核，捕捉细节特征的小尺度卷积核，具体数学表达如下：
[0022]x1＝
ReLU(BN(conv1d1(x)))
[0023]x2＝
ReLU(BN(conv1d2(x)))
[0024]x3＝
ReLU(BN(conv1d3(x)))
[0025]x4＝
ReLU(BN(conv1d4(Maxpool(x))))
[0026]x
＝
Cat(x1,x2,x3,x4)
[0027]其中
x
表示输入脑电信号，
conv1d
表示一维卷积，
BN
表示批归一化，
ReLU
表示激活函数，
Cat
表示通道串联；
[0028]所述并行残差融合模块包括四个分支，包括学习分支
1、
学习分支
2、
学习分支3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种脑电信号分类方法，其特征在于，包括
S1
划分训练集与测试集；
S2
构建脑电信号分类的网络模型；
S3
对时间序列进行预处理增强；
S4
通过损失函数迭代更新权重值至损失函数收敛
。2.
根据权利要求1所述的脑电信号分类方法，其特征在于，所述脑电信号分类网络模型包括：多尺度卷积块模块
、
并行残差融合模块
、
通道注意力增强模块；所述多尺度卷积块模块包括捕捉整体特征的大尺度卷积核，捕捉细节特征的小尺度卷积核，具体数学表达如下：；其中表示输入脑电信号，表示一维卷积，表示批归一化，表示激活函数，表示通道串联；所述并行残差融合模块包括四个分支，包括学习分支
1、
学习分支
2、
学习分支3以及残差学习分支，并行学习分支采用集成学习同事内部添加信息融合操作；其数学表达如下：；对并行结果进行相加，并且添加残差链接加速训练收敛：；所述通道注意力增强模块，用于提高框架的信息表达能力，提高模型对有效特征的权重，同时去掉不重要和错误的特征信息；通道注意力增强模块由全局池化，全连接层，激活函数组成...

【专利技术属性】
技术研发人员：马骏，王晓磊，张伟，杨钰群，
申请(专利权)人：北京芯联心科技发展有限公司，
类型：发明
国别省市：