[發明專利]一種結合DAE和CNN的腦電信號特征提取與分類方法

有效

• 申請號: 201710993587.4
• 申請日: 2017-10-23
• 公開（公告）號: CN107844755B
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 唐賢倫;劉雨微;林文星;昌泉;杜一銘;魏暢
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/62;G06N3/04;G06N3/08;A61B5/369
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 劉小紅

1.一種結合DAE和CNN的腦電信號特征提取與分類方法，其特征在于，包括以下步驟：

1)、通過腦電信號采集儀采集腦電數據；2)、對采集到的數據進行包括去除異樣樣本、去均值、信號濾波在內的預處理；3)、使用加入噪聲系數的降噪自動編碼機DAE對經過步驟2)預處理后的腦電信號進行無監督訓練；4)、將降噪自動編碼機DAE的隱含層的數據提取出來并加入步驟1)的原始腦電數據，形成新矩陣，將得到的新矩陣數據轉化為圖像數據格式作為卷積神經網絡的輸入數據；5)、利用卷積神經網絡CNN進行訓練分類；最后利用測試數據集對訓練好的網絡進行性能測試，輸入測試數據集，將輸出值與左右手標簽對比，得到運動想象腦電信號的分類準確率；

所述步驟4)將訓練好的降噪自動編碼機的隱含層數據y提取出來，并加入原始輸入數據，形成新矩陣，再將腦電信號數據轉化為圖像數據格式，作為卷積神經網絡的輸入數據；訓練過程中初始化卷積神經網絡各參數后，按照前向傳播公式得到輸出數據；按誤差反向傳播更新下采樣層、卷積層、全連接層的參數；當誤差滿足一定的精度要求，保存權值和閾值，網絡訓練完成，反之繼續迭代調整權值和閾值量，直至達到誤差精度要求。

2.根據權利要求1所述的腦電信號特征提取與分類方法，其特征在于，所述步驟1)通過腦電信號采集儀采集腦電數據具體包括步驟：

對被采集對象，采集設備采用Emotiv+采集儀，電極根據國際10-20標準安放，采樣頻率為256Hz，采樣通道選取14個即去除兩個參考電極，采樣時間為2-4s，去掉前期及后期不穩定信號，選取中間平穩的1秒信號，左右手想象任務各執行120次，將采集到的信號組成數據集，將數據集按照數據量大小3:1劃分為訓練集、測試集。

3.根據權利要求1或2所述的腦電信號特征提取與分類方法，其特征在于，所述步驟2)進行數據預處理包括步驟：首先進行去除異樣樣本，以平均電位作為基準值，每個樣本數據與其對比，篩除差異值較大的；再進行信號數據去均值，將每個樣本幅值減去平均幅值；最后進行信號濾波，采用兩種濾波形式，頻率濾波和空間濾波，即選擇運動想象重要頻帶8～30Hz進行帶通濾波，空間濾波采用大拉普拉斯參考。

4.根據權利要求3所述的腦電信號特征提取與分類方法，其特征在于，所述步驟3)將經過步驟2)預處理的腦電數據作為降噪自動編碼機的輸入，初始化自動降噪編碼機的網絡結構，構造含有兩層隱含層的自動降噪編碼機，并確定節點數[m,n,o]；再設置加噪a系數，原始數據數據向量x乘以a得到x′，按照編碼公式y＝f_θ(x′)＝s(Wx′+b)得到第一層隱含層的輸出，再將第一層隱含層的輸出重復此步驟，得到隱含層的輸出；再按解碼公式z＝g_θ(y)＝s(W′y+b′)得到網絡輸出，網絡多次迭代訓練，最小化損失函數來取得最佳參數，此時參數{w,b}按梯度下降法更新。

5.根據權利要求4所述的腦電信號特征提取與分類方法，其特征在于，利用最小化損失函數來獲得最佳參數，具體包括以下步驟：

A1、令權值參數θ＝{W,b}，θ′＝{W′,b′}，DAE的損失函數如公式1：

采用損失函數最小化來優化參數，即優化函數如公式2：

f_θ(x_i)表示編碼函數，g_θ′表示解碼函數求導，x_i表示輸入矩陣，θ^*′表示加噪后權值參數，θ^*表示原權值參數；

A2、訓練過程中參數{w,b}按梯度下降法更新，流程如下：求出Δw＝Δw+▽_wL(x,z)Δb＝Δb+▽_bL(x,z)設置學習率ε大小，參數{w,b}按公式3、4更新；

b表示偏置。