System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于脑电信号分析,具体涉及到一种基于深度学习的运动想象脑电解码方法。
技术介绍
1、运动想象(motor imagery, mi)任务,是指在内心反复的模拟运动活动,而不伴有明显的身体运动,这种运动想象会引起相关神经元的激活,运动想象任务负责根据采集到的神经元信号推测所想象的运动。脑电信号是指,在神经元的集中发放促使头皮电位变化的过程中,通过电极和放大器可以采集到的头皮电压序列。
2、基于运动想象的脑机接口系统在医学上有着重要的应用,它克服了对外围神经和肌肉的依赖性,可以直接在大脑和外部设备之间建立连接通路,为探索大脑的认知机制提供了新的研究途径和方法。然而,运动想象脑电信号具有高度随机、难以直接分析的特点,特别是个体差异和非平稳性突出,导致运动想象脑电的解码准确率偏低且不稳定;为对脑电信号进行分析,需要对采集到的数据进行去噪,传统方法通过叠加去噪,对于脑电信息,叠加后基于平均值去噪的方法会丧失原信号的重要部分,从而导致信号失真,而深度学习方法直接提取数据的潜在特征,实现去噪。
3、现有技术中,在运行想象脑电解码相关的研究较多,例如:
4、在辨别模型方面,使用cnn提取脑电信号的高维特征进行分类;
5、基于改进的lstm,提取脑电信号中的时序信息,有效地使用脑电信号控制智能家电;
6、先利用cnn从mi-eeg信号中捕捉潜在的连接,然后利用弱分类器选择重要的特征进行最终的分类。
7、而在表征模型方面,dbn(deep belief network)
8、应用基于受限玻尔兹曼机组件的卷积dbn,结果表明,比手动提取的特征具有更好的特征表示;
9、利用离散小波变换对脑电信号进行处理,然后在去噪的基础上应用dbn-ae。
技术实现思路
1、针对上述问题,本专利技术的主要目的在于设计一种基于深度学习的运动想象脑电解码方法,解决现有技术中运动想象脑电信号具有高度随机、难以直接分析的问题,特别是个体差异和非平稳性突出,导致运动想象脑电的解码准确率偏低且不稳定的技术问题。
2、为了实现上述目的本专利技术采用如下技术方案:
3、一种基于深度学习的运动想象脑电解码方法,该方法包括数据处理和模型训练;所述的数据处理包括数据清洗、去除眼动、伪记排除;所述的模型训练包括特征提取、训练模型;
4、该方法的具体步骤包括:
5、步骤1:数据清洗,对于初始导入的脑电信号数据进行基本处理,滤除噪声及信号漂移;
6、步骤2:去除眼动,对数据清洗后的数据进行去除眼动;
7、步骤3:伪记排除,根据电压波动去掉有伪记残留的试次;
8、步骤4:特征提取,从脑电信号序列中,提取电压序列和时域信息、频域信息;
9、步骤5:训练模型,对于步骤4提取的时域信息和频域信息,分别使用stream进行处理,并通过s4序列模型提取出特征;
10、将时域信息和频域信息提取的特征通过融合,得出各自的注意力向量,并通过向量与特征点的乘积最终融合,得到预测的任务。
11、作为本专利技术进一步的描述,步骤1中,数据清洗为在脑电信号数据导入时滤除噪声及信号漂移,所述的噪声包括工频噪声、高频噪声,所述的信号漂移包括电压漂移、基线漂移。
12、作为本专利技术进一步的描述,步骤2中,去除眼动采用独立成分分析法进行去除,包括眨眼和眼跳。
13、作为本专利技术进一步的描述,步骤3中,伪记排除为去除电压波动较为强烈或者起伏不定的试次。
14、作为本专利技术进一步的描述,步骤4中,特征提取的方式为对任务器件的电压序列进行时频分析,捕捉神经振荡的快速变化信息。
15、作为本专利技术进一步的描述,步骤5中,s4序列模型采用状态空间模型的离散格式,使用高阶多项式投影算子作为状态转移矩阵的参数的初始化。
16、作为本专利技术进一步的描述,s4序列模型采用的状态空间模型,即:
17、,,
18、,
19、,
20、上述定义一个函数到函数的映射方程,其中,为可学习的参数,表示实数集,表示数据维度,为隐状态空间变量,为输入信号,为输出信号;
21、通过中心离散,得到的数值格式为:
22、,
23、,
24、上述数值格式定义了一个序列到序列的映射,通过迭代可知;
25、,
26、,
27、上述映射是一种长距离非局部的卷积算子,可以建模长距离的依赖关系。
28、作为本专利技术进一步的描述,s4序列模型使用的高阶多项式投影算子 a作为传递矩阵,即:
29、,
30、,
31、其中,,为参数矩阵。
32、相对于现有技术,本专利技术的技术效果为:
33、本专利技术提供了一种基于深度学习的运动想象脑电解码方法,通过两种代表不同信息的时域信息和频域信息输入数据,分别进行处理,分别提取特征后使用“多感官融合”对两种特征融合,改变各自需要被注意的地方,最后再进行最终的融合,输出分类标签,即预测的任务,利用深度学习克服运动想象脑电信号信噪比低、随机性高的特点,加强对脑电信号的分析和应用。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的运动想象脑电解码方法,其特征在于:该方法包括数据处理和模型训练;所述的数据处理包括数据清洗、去除眼动、伪记排除;所述的模型训练包括特征提取、训练模型;
2.根据权利要求1所述的一种基于深度学习的运动想象脑电解码方法,其特征在于:步骤1中,数据清洗为在脑电信号数据导入时滤除噪声及信号漂移,所述的噪声包括工频噪声、高频噪声,所述的信号漂移包括电压漂移、基线漂移。
3.根据权利要求1所述的一种基于深度学习的运动想象脑电解码方法,其特征在于:步骤2中,去除眼动采用独立成分分析法进行去除,包括眨眼和眼跳。
4.根据权利要求1所述的一种基于深度学习的运动想象脑电解码方法,其特征在于:步骤3中,伪记排除为去除电压波动较为强烈或者起伏不定的试次。
5.根据权利要求1所述的一种基于深度学习的运动想象脑电解码方法,其特征在于:步骤4中,特征提取的方式为对任务器件的电压序列进行时频分析,捕捉神经振荡的快速变化信息。
6.根据权利要求1所述的一种基于深度学习的运动想象脑电解码方法,其特征在于:步骤5中,S4序列模型采用状态
7.根据权利要求6所述的一种基于深度学习的运动想象脑电解码方法,其特征在于:S4序列模型采用的状态空间模型,即:
8.根据权利要求7所述的一种基于深度学习的运动想象脑电解码方法,其特征在于:S4序列模型使用的高阶多项式投影算子A作为传递矩阵,即:
...【技术特征摘要】
1.一种基于深度学习的运动想象脑电解码方法,其特征在于:该方法包括数据处理和模型训练;所述的数据处理包括数据清洗、去除眼动、伪记排除;所述的模型训练包括特征提取、训练模型;
2.根据权利要求1所述的一种基于深度学习的运动想象脑电解码方法,其特征在于:步骤1中,数据清洗为在脑电信号数据导入时滤除噪声及信号漂移,所述的噪声包括工频噪声、高频噪声,所述的信号漂移包括电压漂移、基线漂移。
3.根据权利要求1所述的一种基于深度学习的运动想象脑电解码方法,其特征在于:步骤2中,去除眼动采用独立成分分析法进行去除,包括眨眼和眼跳。
4.根据权利要求1所述的一种基于深度学习的运动想象脑电解码方法,其特征在于:步骤3中,伪记排除为去除电压波动较...
【专利技术属性】
技术研发人员:孙圣力,魏莹,李硕,吴琛,李青山,
申请(专利权)人:南京国信云服科技有限公司,
类型:发明
国别省市:
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。