[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

本發明請求保護一種結合降噪自動編碼機和卷積神經網絡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據；對采集到的數據進行去除異樣樣本、去均值、信號濾波等預處理；使用加入噪聲系數的自動編碼機對腦電信號進行訓練；將降噪自動編碼機的隱含層作為特征數據輸出；再將所得特征數據轉化為類似圖像格式；利用卷積神經網絡進行分類；最后利用測試數據集對訓練好的網絡進行性能測試。本發明相對其余傳統方法能夠獲得更高的分類準確率，更強的魯棒性。

技術領域

本發明屬于一種腦電信號的特征提取及分類方法，尤其涉及一種結合降噪自動編碼機和卷積神經網絡的腦電信號特征提取與分類方法。

背景技術

腦機接口(brain-computer interface，BCI)是獨立于外周神經組織與外部設備間直接建立通信通道，自首次提出后成為腦科學與認知科學領域研究熱點。在腦機接口系統中，信號識別通常包括預處理、特征提取和分類三部分。

傳統方法中，預處理方面：采用小波變換、ICA處理，空域濾波等方法，本發明參考其方法進行了三個步驟的信號預處理。特征提取方面：采用共同空間模式(CSP)對運動想象進行特征提取，但時域分析開銷太大，對腦電通道數要求較高；利用自回歸模型法(AR)進行預測，但AR模型適合單通道數據，對于復雜高維的腦電信號存在局限性，分類準確率不高。分類方法方面：運用線性判別分析(LDA)，但LDA適用于線性樣本，對本文提到的非線性腦電數據并不適用；運用了支持向量機(SVM)，SVM可以較好解決復雜非線性數據，但作為有監督網絡，訓練、測試過程都需要標簽，參數調整復雜。

降噪自動編碼機(Denoising Auto Encoder,DAE)和卷積神經網絡(Convolutional Neural Network，CNN)都屬于深度學習理論。DAE首次提出后，應用于文本、圖像等的降維，其效果優于傳統的特征降維算法。CNN由Lecun提出后，被廣泛應用于圖像識別、人臉檢測、文本處理等領域。

發明內容

本發明旨在解決以上現有技術的問題。提出了一種減小未標記樣本的浪費和提高模型的泛化能力，提高準確度的結合DAE和CNN的腦電信號特征提取與分類方法。本發明的技術方案如下：

一種結合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。

進一步的，，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。

進一步的，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。