【技术实现步骤摘要】
本专利技术涉及一种多信号分类检测方法，尤其涉及脑机接口领域以及人机交互领域。
技术介绍
1、脑机接口与人工智能的结合：将脑机接口与人工智能相结合，可以实现更高级别的脑机交互。例如，解码脑电信号，实现更准确的意图识别和控制。脑磁是一种用于记录和测量大脑神经活动的非侵入性技术。它利用磁传感器来检测和测量大脑产生的微弱磁场，可以更全面地了解大脑活动的特征和动态。现有的信号分类流程为：信号先由磁力仪采集，采集到的数字化数据，经过机械学习训练神经网络模型，再用训练好的神经网络模型对新的数据进行分类。现如今，机械学习是一种重要的识别分类方法，结合脑机接口应用，有利于更精准的达到分类信号的目的。
2、目前，脑机接口在康复和治疗领域有着广泛的应用潜力。可以通过使用脑机接口来恢复运动功能，帮助患者通过运动想象的信号控制轮椅，或者用于控制无人机。军事领域和民事领域都对脑机接口有一定期待，信号的调制以及分类的需求将上升一个台阶，难度也在不断上升。
3、现有技术的bci系统通常依赖于脑电波信号，但这些信号往往强度低、信噪比差。这意味着信号容易受到外界干扰，如电磁干扰或生理噪声(如眨眼或头部移动)，影响信号的质量和稳定性。现有系统在信息提取上也有难度。脑电信号在大脑皮层活跃，但我们是要隔着一层头颅骨采集信息由于头骨具有电阻，采集到的数据把很多信息都屏蔽了，此时的信号就非常微弱了。而且，现有的脑磁系统，信号分类的准确率也有限。
技术实现思路
1、本专利技术要克服现有技术的上述缺点，为了
2、本专利技术通过磁力仪探头测量数据，采用了非侵入式的探头，克服了采集数据困难的缺点，因为人体的磁场是一个常数，即使不涂抹电极膏，不采用侵入式探头，也可以采集到相对噪声较小的数据，有利于提升信号的分类准确率。通过将脑磁信号准确分类，解决
技术介绍
中提出的可能存在的问题，提升信号分类的准确率。
3、本专利技术是通过如下技术方案实现的：
4、一种基于serf磁力仪的多信号分类检测方法，有效的提升了分类的效率，包括如下步骤：
5、s1：通过头盔列阵磁力仪在磁屏蔽室内对局部脑信号进行接收；
6、s2：将带有特征通道的数字信号进行接收之后用切比雪夫滤波器进行滤波，切比雪夫滤波器可以有效地抑制信号的高频成分，而提高信号的低频成分；
7、s3：对步骤s2中得到的信号进行特征提取，进行机械学习，训练一个可用于分类信号的神经网络模型；
8、s4：利用训练出的神经网络模型结合s3步骤中得到的信号，对接受到的信号进行分析分类；本专利技术提出的检测方法对脑磁信号进行分类处理，提升了信号的分类性能，从而可以提升了运动想象的识别准确率。可以通过使用脑机接口来恢复运动功能，帮助患者通过运动想象的信号控制轮椅，或者用于控制无人机。
9、其中，步骤s1的具体过程为：
10、s11在步骤s1中，采用无磁屏蔽室，它采用磁屏蔽材料进行覆盖，可以有效去除大部分外界磁场的干扰。
11、s12在步骤s1中，采用特质的头盔，设置磁力仪探头矩阵，可以接收头部指定位置的数字信号，有效对人体脑磁信号活跃区域进行定位测量。
12、其中，步骤s2的具体过程为：
13、s21在步骤二中，切比雪夫滤波器针对的目标是从磁力仪探头接收到的数字信号的频域。
14、s22 n阶第一类切比雪夫滤波器的幅度与频率的关系可用下列公式表示:
15、其中|∈|＜1。而是滤波器在截止频率w0放大率。
16、s23放大信号后，信号强度大的低频信号部分被考虑去更多的应用。
17、其中，步骤s3具体包括：
18、s31对步骤s2中处理好的信号数据集进行读取，数据集包括不同通道的信号，把信号分为训练集和测试集，按0.8：0.2的比例将数据集分为训练集和测试集，百分之80的数据被归为训练集，剩余的百分之20的部分归为测试集，用这种方式去降低过拟合。
19、s32在数据集中，每次根据提示进行想象的数据打上x group的标签，提示的结果的打上y group的标签，进行对应，每个xgroup标签对应一个y group，想象左手运动ygroup对应的数值为0，想象右手运动对应的数值为0。
20、s33模型的优化器选取为adam优化器，adam优化器可以自适应学习率，可以根据参数的不同梯度情况来动态调整学习率，从而适应不同的参数更新情况，适合大规模数据，更高效地优化模型，并且不容易陷入局部最优点。
21、s34设计神经网络训练模型，其包含：一个输入层、五个卷积层1x1的卷积核、relu激活函数、三个全连接层、一个输入层，网络由多个层组成，每一层都执行不同的运算，并输出数据到下一层。
22、输入层：这是网络的第一层，接收输入数据。输入层的输出维度是4*4608。
23、卷积层：有五个卷积层，每一层使用一组过滤器从输入数据中提取特征。每个卷积层的输出维度逐渐减少，这通常是通过在卷积操作中使用步幅和池化层来实现的。维度分别是：
24、·第一个卷积层：20*2304
25、·第二个卷积层：10*1152
26、·第三个卷积层：30*576
27、·第四个卷积层：10*288
28、·第五个卷积层：20*144
29、·全连接层/selu(fc/selu)：后几层是全连接层，使用selu(缩放指数线性单元)作为激活函数。这些层是神经网络的核心部分，用于处理特征并进行决策。这里的全连接层输出维度分别是：
30、·第一个全连接层：150
31、·第二个全连接层：100
32、·第三个全连接层：100
33、·第四个全连接层：30
34、softmax层：最后是一个全连接层，使用softmax激活函数，通常用于多分类任务的概率分布输出，网络被设计来解决一个分类问题。
35、s35借鉴图片分类的思想，一张图片的维度一般是width*height*channel，对应到数字信号就是4608*360*4，即将我们滤波调制好的数据定义为四个通道的360*4608大小的“图片”，作为网络模型的输入。
36、s36确定待优化的超参数，即是网络模型的学习率和dropout rate。
37、s37当总迭代次数达到设置的epoch值即epoch＝300时候，网络训练模型停止训练，并保存训练模型。
38、s38网络模型训练在识别分类的过程中，根据网络模型预测每个待识别分类的信号对比y group中读取到的标签是否一致，来判断该信号预测是否准确。
39、s39网络训练模型自动计算并输出真阳率和假阳率，其中真阳率tp是把正的判断为正的数目，假阳率tn是把负的判断为负的数目。...
【技术保护点】
1.一种基于serf磁力仪的多信号分类检测方法，包括如下步骤：
2.如权利要求1所述的一种基于serf磁力仪的多信号分类检测方法，其特征在于，步骤S1的具体过程为：
3.如权利要求1所述的一种基于serf磁力仪的多信号分类检测方法，其特征在于，步骤S2的具体过程为：
4.如权利要求1所述的一种基于serf磁力仪的多信号分类检测方法，其特征在于，步骤S3具体包括：
5.如权利要求1所述的一种基于serf磁力仪的多信号分类检测方法，其特征在于，步骤S4具体包括：
【技术特征摘要】
1.一种基于serf磁力仪的多信号分类检测方法，包括如下步骤：
2.如权利要求1所述的一种基于serf磁力仪的多信号分类检测方法，其特征在于，步骤s1的具体过程为：
3.如权利要求1所述的一种基于serf磁力仪的多信号分类检测方法，...
【专利技术属性】
技术研发人员：盖津铭，胡正珲，林强，谈高波，李飞，
申请(专利权)人：浙江工业大学，
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。