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】
本专利技术涉及脑电信号处理,尤其涉及一种基于fa-cnn的运动想象脑电信号处理方法及fa-cnn模型。
技术介绍
1、脑机接口(brain-computer interface,bci)作为一门新兴的多领域融合的交叉学科,融合了脑科学、神经科学、认知科学、信息科学、控制科学与康复医学等多种领域的研究成果。基于心理作业的运动想象脑机接口(mi-bci)作为bci三大范式之一,因为其主动性在脑卒中康复领域获得了典型的应用。mi-bci作为近年来脑卒中康复领域的新型康复疗法,在患者进行mi任务时,通过大脑的主动想象激活运动皮层的特定区域,在受损的区域建立新的神经回路,重塑大脑与肢体之间神经的连接,实现运动功能的改善与恢复,相较传统训练的被动参与更为有效。
2、然而目前在脑卒中康复应用领域,运动想象脑电信号的研究主要集中在上肢左右手的二分类,识别种类较少,难以满足脑卒中患者上下肢的康复需求。同时,现有的运动想象脑电识别算法仍然面临一些挑战,包括低准确率、复杂特征提取和计算复杂度高等问题。例如,传统算法通常需要手动设计和提取与运动想象相关的特征,这需要领域专家的知识和经验进行手工特征提取,过程繁琐且耗时,并且存在主观性和限制性。
3、综上所述,如何解决传统脑电信号处理方法存在着信号噪声干扰、特征提取困难、分类精度低等问题;是目前本领域技术人员亟待解决的问题。
技术实现思路
1、本专利技术实施例的主要目的在于提出一种基于fa-cnn的运动想象脑电信号处理方法及fa-cn
2、本专利技术解决上述技术问题的技术方案是,提供一种基于fa-cnn的运动想象脑电信号处理方法,包括以下步骤:
3、对脑电数据进行预处理,包括去除噪声、滤波处理、去除伪迹和基线漂移;
4、通过fa-cnn模型的深度卷积和可分离卷积的组合提取预处理后的脑电信号的时空特征,并通过全连通层进行分类;
5、由softmax函数激活后输出运动想象任务;
6、反向训练fa-cnn模型,用于优化fa-cnn模型的参数。
7、进一步地,所述通过fa-cnn模型的深度卷积和可分离卷积的组合提取预处理后的脑电信号的时空特征,并通过全连通层进行分类的步骤包括:
8、对预处理后的脑电信号沿时间维度进行二维卷积滤波;
9、通过深度卷积提取空间特征;
10、通过可分离卷积提取时空特征;
11、通过点卷积层融合时-频-空所有特征;
12、通过全连通层进行分类。
13、进一步地,所述通过深度卷积提取空间特征的步骤之后还包括:
14、通过selu激活函数提升计算效率;
15、通过平均池化层1降低输入的维数。
16、进一步地,所述通过可分离卷积提取时空特征的步骤之后还包括:
17、通过selu激活函数提升计算效率;
18、通过平均池化层2进行降采样;
19、其中,所述selu激活函数为:
20、
21、进一步地,所述反向训练fa-cnn模型的步骤包括:使用alr策略训练fa-cnn模型;
22、所述alr策略包括:
23、初始化累积梯度平方的变量;
24、网络前向传播;
25、计算梯度;
26、更新累积梯度平方变量;
27、计算参数的更新量;
28、更新参数。
29、进一步地,所述fa-cnn模型的网络采用fl作为损失函数,所述fl的表达式为:
30、
31、
32、其中,pi=[p0,...,pc-1]是一个概率分布,每个pi元素代表样本属于第i类的概率;yi=[y0,...,yc-1]是样本标签,onehot表示当样本属于第i类时,yi=1,否则yi=0;pt反映与类别yi的接近程度,yi越大,越接近类别yi,分类越准确;c为任务类型,γ>0为调节因子,γ的增大可以增强调节因子的影响,当γ=0时,fl变为传统的交叉熵损失(crossentropyloss,celoss):
33、
34、进一步地,所述反向训练fa-cnn模型的步骤还包括:采用十倍交叉验证进行训练、验证和测试fa-cnn模型;所述采用十倍交叉验证进行训练、验证和测试fa-cnn模型的步骤包括:
35、对于单个被试,将其数据随机分为10份,轮流将其中9份作为训练和验证集,1份作为测试集进行测试;
36、在9份的训练和验证集中,轮流将其中的8份作为训练数据,1份作为验证数据,用fl来评估其损失,并保存验证准确率最好的模型权重;
37、在训练和验证过程中,当模型即将过拟合或训练效果比较差时,使用早停策略来停止训练;
38、测试时,加载具有最佳验证准确率的模型权重,并在测试数据集上评估fa-cnn模型。
39、进一步地,所述对脑电数据进行预处理的步骤包括:
40、通道选择,选择eog、heor、heol、veou和veol五个通道数据;
41、重参考,以pz电极为参考电极进行重参考(消除参考电极对脑电数据的影响);
42、带通滤波,进行0.5-40hz的带通滤波(既保留与运动想象有关的频带信号,又去除了工频干扰);
43、去坏道,以±200μv为阈值剔除明显的非脑电数据成分;
44、去基线漂移,运动想象任务之前200ms的数据均值作为基线进行校正(消除数据漂移);
45、去眼肌心电伪迹,利用工具箱内置算法ica去除脑电数据中的去眼肌心电伪迹;
46、数据截取,根据三类任务的对应标签“1”、“2”和“3”进行数据截取,从标签开始时间点截取后4s运动想象的数据,和对应标签一起进行存储;
47、采用滑窗的数据增强方法,在时间维度上,以固定步长(可选0.25s、0.5s等)和窗口长度(可选2s、3s等)对脑电数据进行滑动窗口分割,生成多个子样本(增加数据的样本数量的同时,引入更多时序信息。对于每个滑窗子样本,可以作为独立的样本进行特征提取和分类,从而增加模型对不同时间段的敏感性)。
48、进一步地,所述采用滑窗的数据增强方法的步骤之后还包括:
49、加入高斯噪声,向子样本中随机加入服从高斯分布的噪声(提升模型的泛化能力跟鲁棒性)。
50、为解决上述技术问题,本申请还提出一种fa-cnn模型,包括:
51、输入层,每次训练的批处理大小为16,输入为c和t分别是脑电数据的通道和时间点;对于单个trial:即输入为c=58(通道数),t=1000(每个trial的数据点)的二维数据;
52、二维卷积层:输入i首先由8个核大小为(1,125)的二维卷积滤波器进行拟合,滤波器长度为数据采样率(降采后本文档来自技高网...
【技术保护点】
1.一种基于FA-CNN的运动想象脑电信号处理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于FA-CNN的运动想象脑电信号处理方法,其特征在于,所述通过FA-CNN模型的深度卷积和可分离卷积的组合提取预处理后的脑电信号的时空特征,并通过全连通层进行分类的步骤包括:
3.根据权利要求2所述的基于FA-CNN的运动想象脑电信号处理方法,其特征在于,所述通过深度卷积提取空间特征的步骤之后还包括:
4.根据权利要求3所述的基于FA-CNN的运动想象脑电信号处理方法,其特征在于,所述通过可分离卷积提取时空特征的步骤之后还包括:
5.根据权利要求1所述的基于FA-CNN的运动想象脑电信号处理方法,其特征在于,所述反向训练FA-CNN模型的步骤包括:使用ALR策略训练FA-CNN模型;所述ALR策略包括:
6.根据权利要求5所述的基于FA-CNN的运动想象脑电信号处理方法,其特征在于,所述FA-CNN模型的网络采用FL作为损失函数,所述FL的表达式为:
7.根据权利要求6所述的基于FA-CNN的运动想象脑电
8.根据权利要求1所述的基于FA-CNN的运动想象脑电信号处理方法,其特征在于,所述对脑电数据进行预处理的步骤包括:
9.根据权利要求8所述的基于FA-CNN的运动想象脑电信号处理方法,其特征在于,所述采用滑窗的数据增强方法的步骤之后还包括:
10.一种FA-CNN模型,其特征在于,包括:
...【技术特征摘要】
1.一种基于fa-cnn的运动想象脑电信号处理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于fa-cnn的运动想象脑电信号处理方法,其特征在于,所述通过fa-cnn模型的深度卷积和可分离卷积的组合提取预处理后的脑电信号的时空特征,并通过全连通层进行分类的步骤包括:
3.根据权利要求2所述的基于fa-cnn的运动想象脑电信号处理方法,其特征在于,所述通过深度卷积提取空间特征的步骤之后还包括:
4.根据权利要求3所述的基于fa-cnn的运动想象脑电信号处理方法,其特征在于,所述通过可分离卷积提取时空特征的步骤之后还包括:
5.根据权利要求1所述的基于fa-cnn的运动想象脑电信号处理方法,其特征在于,所述反向训练fa-cnn模型的步骤包括:使用alr策略训练fa-cnn模型;所述alr策...
【专利技术属性】
技术研发人员:杨帮华,李东泽,秦溢阳,柯思雄,张佳杨,张永怀,夏新星,高守玮,梁晋涛,
申请(专利权)人:上海韶脑传感技术有限公司,
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。