一种脑电信号分类模型训练方法技术

本发明专利技术公开了一种脑电信号分类模型训练方法

【技术实现步骤摘要】
一种脑电信号分类模型训练方法、分类方法及相关装置


[0001]本专利技术涉及一种脑电信号分类模型训练方法
、
分类方法及相关装置，属于脑电信号分类领域
。

技术介绍

[0002]脑机接口的目的是对包含用户意图的脑信号进行测量和定量的特性分析，并把测量结果实时转化为设备意图指令，同时为用户提供反馈
。
此类脑信号特性称为信号特征
(
简称为特征
)
，特征提取是利用各种脑电信号处理技术，从中提取能够反映大脑思维意图的特征向量
。
在脑机接口研究中，脑电信号特征提取通常可以分为四个方面：时域分析
、
频域分析
、
时频分析和空域分析
。
脑电信号通常包含一些不连贯的伪迹，掩盖了波形中有价值的信息，所以消除伪迹将是预处理阶段的关键步骤
。
[0003]因此脑电信号分类第一步为信号调理或预处理，通过消除已知干扰
(
伪迹
)
或无关信号，以及增强与应用相关的信号的空间
、
频谱或施加特征来增强信号；第二步为通过训练好的分类模型进行分类；但是目前的分类模型的分类精度一般，制约脑机接口技术的发展
。

技术实现思路

[0004]本专利技术提供了一种脑电信号分类模型训练方法
、
分类方法及相关装置，解决了
技术介绍
中披露的问题
。
[0005]为了解决上述技术问题，本专利技术所采用的技术方案是：
[0006]一种脑电信号分类模型训练方法，包括：
[0007]对作为训练样本的脑电信号进行滤波；
[0008]采用预设的多种特征提取方法，提取滤波后的脑电信号的特征，并将多种特征提取方法提取的特征融合为一个整体特征；
[0009]采用鲸优化算法对整体特征进行优化，采用优化获得的特征对脑电信号分类模型进行训练；其中，在训练过程中，采用鲸优化算法对脑电信号分类模型的权重进行优化
。
[0010]多种特征提取方法包括离散余弦变换方法
、
离散小波变换方法和
Blackman
‑
窗短时傅立叶变换方法
。
[0011]脑电信号分类模型为
LSTM
模型
。
[0012]一种脑电信号分类模型训练装置，包括：
[0013]第一滤波模块，对作为训练样本的脑电信号进行滤波；
[0014]第一特征提取模块，采用预设的多种特征提取方法，提取滤波后的脑电信号的特征，并将多种特征提取方法提取的特征融合为一个整体特征；
[0015]优化训练模块，采用鲸优化算法对整体特征进行优化，采用优化获得的特征对脑电信号分类模型进行训练；其中，在训练过程中，采用鲸优化算法对脑电信号分类模型的权重进行优化
。
[0016]一种脑电信号分类方法，包括：
[0017]对待分类的脑电信号进行滤波；
[0018]采用预设的多种特征提取方法，提取滤波后的脑电信号的特征，并将多种特征提取方法提取的特征融合为一个整体特征；
[0019]将整体特征输入预先训练的脑电信号分类模型，获得脑电信号分类结果；其中，脑电信号分类模型采用上述脑电信号分类模型训练方法训练
。
[0020]多种特征提取方法包括离散余弦变换方法
、
离散小波变换方法和
Blackman
‑
窗短时傅立叶变换方法
。
[0021]脑电信号分类模型为
LSTM
模型
。
[0022]一种脑电信号分类装置，其特征在于，包括：
[0023]第二滤波模块，对待分类的脑电信号进行滤波；
[0024]第二特征提取模块，采用预设的多种特征提取方法，提取滤波后的脑电信号的特征，并将多种特征提取方法提取的特征融合为一个整体特征；
[0025]分类模块，将整体特征输入预先训练的脑电信号分类模型，获得脑电信号分类结果；其中，脑电信号分类模型采用上述脑电信号分类模型训练方法训练
。
[0026]一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行脑电信号分类模型训练或脑电信号分类方法
。
[0027]一种计算机设备，包括一个或多个处理器
、
以及一个或多个存储器，一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行脑电信号分类模型训练或脑电信号分类方法的指令
。
[0028]本专利技术所达到的有益效果：本专利技术采用多种特征提取方法提取作为训练样本的脑电信号的特征，采用鲸优化算法对融合后的特征进行优化，采用优化后的特征进行模型训练，并且在训练中采用鲸优化算法对脑电信号分类模型的权重进行优化，通过双重优化提升了分类模型的分类准确度
。
附图说明
[0029]图1为脑电信号分类模型训练方法的流程图；
[0030]图2为脑电信号分类方法的流程图
。
具体实施方式
[0031]下面结合附图对本专利技术作进一步描述
。
以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围
。
[0032]如图1所示，一种脑电信号分类模型训练方法，包括以下步骤：
[0033]步骤1，对作为训练样本的脑电信号进行滤波，
[0034]步骤2，采用预设的多种特征提取方法，提取滤波后的脑电信号的特征，并将多种特征提取方法提取的特征融合为一个整体特征，
[0035]步骤3，采用鲸优化算法对整体特征进行优化，采用优化获得的特征对脑电信号分类模型进行训练；其中，在训练过程中，采用鲸优化算法对脑电信号分类模型的权重进行优化
。
[0036]上述方法采用多种特征提取方法提取作为训练样本的脑电信号的特征，采用鲸优化算法对融合后的特征进行优化，采用优化后的特征进行模型训练，并且在训练中采用鲸优化算法对脑电信号分类模型的权重进行优化，通过双重优化提升了分类模型的分类准确度
。
[0037]上述步骤1和2均可定义为预处理过程，步骤1中的滤波采用
Wiener
滤波，
Wiener
滤波旨从失真噪声信号中估计出有用频段信号，通过不断减少目标信号与失真噪声信号之间的均方误差以逼近目标信号
。
[0038]滤波器传递函数
F(
ω
)
公式可以如下：
[0039][0040]式中，连续信号和噪声频谱
W
T
被视为不相关和稳态信号，
G
T
(
ω
)
为信号的功率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种脑电信号分类模型训练方法，其特征在于，包括：对作为训练样本的脑电信号进行滤波；采用预设的多种特征提取方法，提取滤波后的脑电信号的特征，并将多种特征提取方法提取的特征融合为一个整体特征；采用鲸优化算法对整体特征进行优化，采用优化获得的特征对脑电信号分类模型进行训练；其中，在训练过程中，采用鲸优化算法对脑电信号分类模型的权重进行优化
。2.
根据权利要求1所述的脑电信号分类模型训练方法，其特征在于，多种特征提取方法包括离散余弦变换方法
、
离散小波变换方法和
Blackman
‑
窗短时傅立叶变换方法
。3.
根据权利要求1所述的脑电信号分类模型训练方法，其特征在于，脑电信号分类模型为
LSTM
模型
。4.
一种脑电信号分类模型训练装置，其特征在于，包括：第一滤波模块，对作为训练样本的脑电信号进行滤波；第一特征提取模块，采用预设的多种特征提取方法，提取滤波后的脑电信号的特征，并将多种特征提取方法提取的特征融合为一个整体特征；优化训练模块，采用鲸优化算法对整体特征进行优化，采用优化获得的特征对脑电信号分类模型进行训练；其中，在训练过程中，采用鲸优化算法对脑电信号分类模型的权重进行优化
。5.
一种脑电信号分类方法，其特征在于，包括：对待分类的脑电信号进行滤波；采用预设的多种特征提取方法，提取滤波后的脑电信号的特征，并将多种特征提取方法提取的特征融合为一个整体特征；将整体特征输入预先训练的脑电信号分类模型，获得脑电信号分类结果；其中，脑电信号分类模型采用权...

【专利技术属性】
技术研发人员：尚宇哲，马士民，李孟窈，龙善丽，张紫乾，
申请(专利权)人：华东光电集成器件研究所，
类型：发明
国别省市：