[發(fā)明專利]一種結(jié)合DAE和CNN的腦電信號特征提取與分類方法

有效

• 申請?zhí)枺?/td>: 201710993587.4
• 申請日: 2017-10-23
• 公開（公告）號: CN107844755B
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 唐賢倫;劉雨微;林文星;昌泉;杜一銘;魏暢
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 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(chǎn)權(quán)代理有限公司 50102
• 代理人: 劉小紅

本發(fā)明請求保護(hù)一種結(jié)合降噪自動編碼機(jī)和卷積神經(jīng)網(wǎng)絡(luò)的腦電信號特征提取與分類方法，該方法包括步驟：通過腦電信號采集儀采集腦電數(shù)據(jù)；對采集到的數(shù)據(jù)進(jìn)行去除異樣樣本、去均值、信號濾波等預(yù)處理；使用加入噪聲系數(shù)的自動編碼機(jī)對腦電信號進(jìn)行訓(xùn)練；將降噪自動編碼機(jī)的隱含層作為特征數(shù)據(jù)輸出；再將所得特征數(shù)據(jù)轉(zhuǎn)化為類似圖像格式；利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類；最后利用測試數(shù)據(jù)集對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行性能測試。本發(fā)明相對其余傳統(tǒng)方法能夠獲得更高的分類準(zhǔn)確率，更強(qiáng)的魯棒性。

技術(shù)領(lǐng)域

本發(fā)明屬于一種腦電信號的特征提取及分類方法，尤其涉及一種結(jié)合降噪自動編碼機(jī)和卷積神經(jīng)網(wǎng)絡(luò)的腦電信號特征提取與分類方法。

背景技術(shù)

腦機(jī)接口(brain-computer interface，BCI)是獨(dú)立于外周神經(jīng)組織與外部設(shè)備間直接建立通信通道，自首次提出后成為腦科學(xué)與認(rèn)知科學(xué)領(lǐng)域研究熱點(diǎn)。在腦機(jī)接口系統(tǒng)中，信號識別通常包括預(yù)處理、特征提取和分類三部分。

傳統(tǒng)方法中，預(yù)處理方面：采用小波變換、ICA處理，空域?yàn)V波等方法，本發(fā)明參考其方法進(jìn)行了三個步驟的信號預(yù)處理。特征提取方面：采用共同空間模式(CSP)對運(yùn)動想象進(jìn)行特征提取，但時域分析開銷太大，對腦電通道數(shù)要求較高；利用自回歸模型法(AR)進(jìn)行預(yù)測，但AR模型適合單通道數(shù)據(jù)，對于復(fù)雜高維的腦電信號存在局限性，分類準(zhǔn)確率不高。分類方法方面：運(yùn)用線性判別分析(LDA)，但LDA適用于線性樣本，對本文提到的非線性腦電數(shù)據(jù)并不適用；運(yùn)用了支持向量機(jī)(SVM)，SVM可以較好解決復(fù)雜非線性數(shù)據(jù)，但作為有監(jiān)督網(wǎng)絡(luò)，訓(xùn)練、測試過程都需要標(biāo)簽，參數(shù)調(diào)整復(fù)雜。

降噪自動編碼機(jī)(Denoising Auto Encoder,DAE)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)都屬于深度學(xué)習(xí)理論。DAE首次提出后，應(yīng)用于文本、圖像等的降維，其效果優(yōu)于傳統(tǒng)的特征降維算法。CNN由Lecun提出后，被廣泛應(yīng)用于圖像識別、人臉檢測、文本處理等領(lǐng)域。

發(fā)明內(nèi)容

本發(fā)明旨在解決以上現(xiàn)有技術(shù)的問題。提出了一種減小未標(biāo)記樣本的浪費(fèi)和提高模型的泛化能力，提高準(zhǔn)確度的結(jié)合DAE和CNN的腦電信號特征提取與分類方法。本發(fā)明的技術(shù)方案如下：

一種結(jié)合DAE和CNN的腦電信號特征提取與分類方法，其包括以下步驟：

1)、通過腦電信號采集儀采集腦電數(shù)據(jù)；2)、對采集到的數(shù)據(jù)進(jìn)行包括去除異樣樣本、去均值、信號濾波在內(nèi)的預(yù)處理；3)、使用加入噪聲系數(shù)的降噪自動編碼機(jī)DAE對經(jīng)過步驟2)預(yù)處理后的腦電信號進(jìn)行無監(jiān)督訓(xùn)練；4)、將降噪自動編碼機(jī)DAE的隱含層的數(shù)據(jù)提取出來并加入步驟1)的原始腦電數(shù)據(jù)，形成新矩陣，將得到的新矩陣數(shù)據(jù)轉(zhuǎn)化為圖像數(shù)據(jù)格式作為卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)；5)、利用卷積神經(jīng)網(wǎng)絡(luò)CNN進(jìn)行訓(xùn)練分類；最后利用測試數(shù)據(jù)集對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行性能測試，輸入測試數(shù)據(jù)集，將輸出值與左右手標(biāo)簽對比，得到運(yùn)動想象腦電信號的分類準(zhǔn)確率。

進(jìn)一步的，，所述步驟1)通過腦電信號采集儀采集腦電數(shù)據(jù)具體包括步驟：

對被采集對象，采集設(shè)備采用Emotiv+采集儀，電極根據(jù)國際10-20標(biāo)準(zhǔn)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(wěn)定信號，選取中間平穩(wěn)的1秒信號，左右手想象任務(wù)各執(zhí)行120次，將采集到的信號組成數(shù)據(jù)集，將數(shù)據(jù)集按照數(shù)據(jù)量大小3:1劃分為訓(xùn)練集、測試集。

進(jìn)一步的，所述步驟2)進(jìn)行數(shù)據(jù)預(yù)處理包括步驟：首先進(jìn)行去除異樣樣本，以平均電位作為基準(zhǔn)值，每個樣本數(shù)據(jù)與其對比，篩除差異值較大的；再進(jìn)行信號數(shù)據(jù)去均值，將每個樣本幅值減去平均幅值；最后進(jìn)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(yùn)動想象重要頻帶8～30Hz進(jìn)行帶通濾波，空間濾波采用大拉普拉斯參考。