一种实时检测脑电帽佩戴的深度学习方法技术

本发明专利技术公开了一种实时检测脑电帽佩戴的深度学习方法，包括以下各个步骤：(1)通过交换机，接收实时EEG信号；(2)训练DL网络用于检测脑电帽佩戴情况；(3)通过卷积提取大感受野的时间序列特征、融合通道特征并扩充EEG信号的高维特征；(4)使用滑动窗口技术增加样本的多样性；(5)通过频域分析模块学习频谱图的高维特征；(6)使用时间卷积模块从高感受野解码时间序列；(7)使用多任务学习策略，提升所述DL网络的泛化能力与对内类差异性的识别能力；(8)对实时EEG信号进行分析，得到检测佩戴脑电帽的预测结果；(9)对所述预测结果进行后处理，结合上一预测时间的结果得到检测结果；(10)将所述的检测结果发送给交换机，达到实时性检测的效果。

【技术实现步骤摘要】

本专利技术涉及脑机接口，具体地讲是一种利用脑机接口信号检测被试者是否佩戴脑电帽的基于时频特征融合的深度方法。

技术介绍

1、脑机接口(brain-computer interface,bci)是一种解释大脑活动，并其转化为能控制外接设备命令的技术，有广泛的应用场景。所述bci技术可由脑电帽采集脑电图(electroencephalogram,eeg)。在所述eeg的采集阶段，被试者会因故摘掉脑电帽进行休息，如果无法及时检测出脑电帽的佩戴情况，会影响到所涉及任务的流程进度，甚至在科研中，带来更多的噪声标签。此外，脑电采集过程中，被试者会执行多种任务，如讲话、走动等，所述任务都会影响eeg信号。基于此，被试者是否正确佩戴脑电帽影响所述eeg信号的质量。然而，目前基于阻抗传感器的方法稳定性差，检测需要的时间周期长，无法实时检测被试者的脑电帽佩戴情况，制约了eeg信号的可信度。在这一背景下，实时检测脑电帽佩戴的方法成为采集eeg的一大痛点。

2、有无佩戴脑电帽时脑eeg信号存在略微差距，因此基于所述eeg信号检测脑电帽佩戴情况的方法具有可行性。然而通过本文档来自技高网...

【技术保护点】

1.一种实时检测脑电帽佩戴的深度学习方法，其特征在于：通过以下各个步骤实现：

2.根据权利要求1所述的多维度卷积嵌入模块，其特征在于，使用二维时域卷积提取输入的时间序列特征，使用二维通道卷积整合不同通道之间的特征，最后使用卷积核尺寸为1×1的二维卷积扩充高维特征。

3.根据权利要求1所述的滑动窗口技术，其特征在于，并行获取以不同时间点开始的时间序列，增强模型的泛化性能，并使用平均算法或沿通道叠加技术融合所述并行提取到的特征，所述滑动窗口的尺寸不能大于被处理时域特征的时间点长度。

4.根据权利要求1所述的频域分析模块，其特征在于，由快速傅里叶变换得到EE...

【技术特征摘要】

1.一种实时检测脑电帽佩戴的深度学习方法，其特征在于：通过以下各个步骤实现：

2.根据权利要求1所述的多维度卷积嵌入模块，其特征在于，使用二维时域卷积提取输入的时间序列特征，使用二维通道卷积整合不同通道之间的特征，最后使用卷积核尺寸为1×1的二维卷积扩充高维特征。

3.根据权利要求1所述的滑动窗口技术，其特征在于，并行获取以不同时间点开始的时间序列，增强模型的泛化性能，并使用平均算法或沿通道叠加技术融合所述并行提取到的特征，所述滑动窗口的尺寸不能大于被处理时域特征的时间点长度。

4.根据权利要求1所述的频域分析模块，其特征在于，由快速傅里叶变换得到eeg信号的频谱图；将信号的实部与虚部沿通道连接后通过卷积提取频域特征。

5.根据权利要求1所述的脑电帽检测dl网络，其特征在于，利用预测结果与分类标签计算损失函数，基于梯度下降完成网络的反向传播，更新各个模块中的参数；利用验证集对更新后的网络参数进行测试，若测试准确率优于上一个迭代的准确率则保存该模型参数。完成30次迭代后，损失函数收敛，同时得到最优模型参数，所述...

【专利技术属性】
技术研发人员：张浩宇，王成，王涵宇，黄宣竣，娄红羽，史晟乐，
申请(专利权)人：深圳睿瀚医疗科技有限公司，
类型：发明
国别省市：