本发明专利技术为一种基于非周期指数流形的脑电解码方法，包括以下内容：获取脑电信号的非周期指数流形序列及对应的时间序列；构建封闭形式时变循环神经网络：封闭形式时变循环神经网络包括输入层、隐藏层和输出层，隐藏层内包括若干数量的封闭形式时变循环单元；输入规则：r维非周期指数流形信号同时输入到每一个封闭形式时变循环单元中；内联规则：将封闭形式时变循环神经网络划分为输入层、隐藏层和输出层，采用稀疏神经网络连接方式；输出规则：将隐藏层神经元的最后一个时刻的所有的状态输出经过输出层获得解码指令概率分布；封闭形式时变循环单元包括主干网络和共享同一个主干网络的三个神经网络。显著提高利用EEG非周期信号解码的速度及精度。
【技术实现步骤摘要】
：本专利技术涉及一种基于非周期指数流形的脑电解码方法。
技术介绍
0、
技术介绍
：
1、脑电图(electroencephalogram，简称eeg)是一种记录脑电活动的非侵入性方法，反映了大脑神经元的电活动，可以用于研究认知功能、脑功能状态和神经疾病等。eeg解码是指将eeg信号转化为对应的神经信息或脑功能状态的过程，可以用于识别运动意图、情绪状态、专注度等，为神经科学研究、脑机接口和临床诊断等领域提供重要支持。
2、非周期成分是eeg信号重要的组成部分，其功率随频率增加呈指数下降，通常用洛伦兹函数1/fχ建模，χ即为非周期指数。最新研究表明非周期指数会随着年龄、任务要求和认知状态动态变化，具有重要的生理意义。然而，传统eeg信号分析方法通常将非周期成分作为噪声或无关变量直接忽略，这一定程度上降低了脑电信号的解码准确率。功率谱密度作为一种常见的频域特征，可以参数化为周期性分量和非周期性分量，进而用于非周期特征的提取。因此，有必要开发一种基于非周期指数流形的脑电解码方法，利用非周期指数流形的概念，准确提取eeg信号的非周期特征，构建封闭形式时变循环单元并搭建封闭形式时变循环神经网络，以提高解码eeg信号的准确度。
技术实现思路
0、
技术实现思路
：
1、本专利技术的目的是，提供一种基于非周期指数流形的脑电解码方法，该方法提取eeg信号的非周期指数流形，构建封闭形式时变循环单元并搭建封闭形式时变循环神经网络，训练网络对非周期指数流形时间序列进行解码。</p>2、为了实现上述目的，本专利技术的技术方案是：
3、一种基于非周期指数流形的脑电解码方法，所述方法包括以下内容：
4、获取脑电信号的非周期指数流形序列及对应的时间序列，维度为r；
5、构建封闭形式时变循环神经网络：
6、所述封闭形式时变循环神经网络包括输入层、隐藏层和输出层，隐藏层内包括若干数量的封闭形式时变循环单元；
7、输入规则：r维非周期指数流形信号同时输入到每一个封闭形式时变循环单元中；
8、内联规则：将封闭形式时变循环神经网络划分为输入层、隐藏层和输出层，采用稀疏神经网络连接方式；
9、输出规则：将隐藏层神经元的最后一个时刻的所有的状态输出经过输出层获得解码指令概率分布；
10、所述封闭形式时变循环单元的输入为非周期指数流形序列i＝[i1,i2,…,ir]及对应的时间序列t，所述封闭形式时变循环单元包括主干网络和共享同一个主干网络的三个神经网络，
11、封闭形式时变循环单元的模型为：
12、x(t+1)＝σ(-f(x(t),o(t)；θf)t)⊙g(x(t),o(t)；θg)+[1-σ(-[f(x(t),o(t)；θf)]t]⊙h(x(t),o(t)；θh)
13、其中，x(t+1)是封闭形式时变循环单元的输出；f、g和h表示共享同一个主干网络的三个神经网络，θf、θg和θh分别是三个神经网络f、g和h的网络参数；f控制时变循环神经网络的时变特性，g和h共同控制时变循环神经网络的非线性特性，使网络不会发生梯度消失或者爆炸，⊙为对应矩阵元素相乘操作，σ(·)为sigmoid激活函数；x(t)为上一时刻的封闭形式时变循环单元的输出。
14、所述封闭形式时变循环神经网络的数学模型为：
15、
16、其中f(·)、g(·)和h(·)是共享同一个主干网络的神经网络，θf、θg和θh分别是三个神经网络的网络参数，xi(t)是t时刻第i个封闭形式时变循环单元的隐藏状态，xi(t+1)是t+1时刻第i个封闭形式时变循环单元的隐藏状态，也就是封闭形式时变循环单元的输出；oi(t)是t时刻第i个封闭形式时变循环单元的输入，这个输入为前一时刻隐藏状态与这一时刻的非周期指数流形之和；wi是封闭形式时变循环单元之间的状态连接权重，wl是输入连接权重，l＝r是非周期指数流形维数，q＝5l，表示封闭形式时变循环神经网络中封闭形式时变循环单元的个数为输入非周期指数流形维数的5倍；il为非周期指数流形第l个维度的非周期信号；是第d个解码指令的概率权重；wid是隐藏层到输出层的连接权重，bid是隐藏层到输出层的连接偏置。
17、与现有技术相比，本专利技术的有益效果是：
18、(1)本专利技术采用封闭形式时变循环单元作为最基本的神经网络单元，使用稀疏连接方式搭建封闭形式时变循环神经网络，能够直接进行求解，显著提高利用eeg非周期信号解码的速度及精度。
19、(2)本专利技术使用滑动窗得到n个psd进而得到非周期指数序列进而得到流形，提取了eeg信号的非周期特征，比传统eeg信号分析方法更加全面，能够更好的揭示eeg信号的生理特性。
本文档来自技高网...
【技术保护点】
1.一种基于非周期指数流形的脑电解码方法，其特征在于，所述方法包括以下内容：获取脑电信号的非周期指数流形序列及对应的时间序列，维度为r；
2.根据权利要求1所述的基于非周期指数流形的脑电解码方法，其特征在于，所述封闭形式时变循环神经网络的数学模型为：
3.根据权利要求1所述的基于非周期指数流形的脑电解码方法，其特征在于，训练封闭形式时变循环神经网络时的损失函数为：其中，Loss表示损失，ns为样本个数，yd是第d个类别的目标概率，是第d个解码指令的概率权重；
4.根据权利要求1所述的基于非周期指数流形的脑电解码方法，其特征在于，所述非周期指数流形序列的提取过程是：
【技术特征摘要】
1.一种基于非周期指数流形的脑电解码方法，其特征在于，所述方法包括以下内容：获取脑电信号的非周期指数流形序列及对应的时间序列，维度为r；
2.根据权利要求1所述的基于非周期指数流形的脑电解码方法，其特征在于，所述封闭形式时变循环神经网络的数学模型为：
3.根据权利要求1所述的基于...
【专利技术属性】
技术研发人员：武玲云，钱庆强，刘静，于海涛，朱致华，李帆，刘晓堃，
申请(专利权)人：唐山市工人医院，
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。