[發(fā)明專(zhuān)利]構(gòu)建CNN-GB模型的方法及系統(tǒng)、數(shù)據(jù)特征分類(lèi)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811257725.3
• 申請(qǐng)日: 2018-10-26
• 公開(kāi)（公告）號(hào): CN109359610A
• 公開(kāi)（公告）日: 2019-02-19
• 發(fā)明（設(shè)計(jì)）人: 徐舫舟;許曉燕;舒明雷;張迎春
• 申請(qǐng)（專(zhuān)利權(quán)）人: 齊魯工業(yè)大學(xué);山東省計(jì)算中心（國(guó)家超級(jí)計(jì)算濟(jì)南中心）
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/08
• 代理公司: 濟(jì)南信達(dá)專(zhuān)利事務(wù)所有限公司 37100
• 代理人: 孫園園

本發(fā)明公開(kāi)了構(gòu)建CNN?GB模型的方法及系統(tǒng)、數(shù)據(jù)特征分類(lèi)方法，屬于人工智能BCI技術(shù)領(lǐng)域，解決的問(wèn)題是如何結(jié)合CNN模型和GB算法對(duì)腦電信號(hào)進(jìn)行特征提取與分類(lèi)識(shí)別，得到效能高的最優(yōu)特征集，使其分類(lèi)精確度高。其方法包括采集腦電數(shù)據(jù)；基于Caffe深度學(xué)習(xí)框架構(gòu)建CNN網(wǎng)絡(luò)模型；訓(xùn)練CNN網(wǎng)絡(luò)模型；訓(xùn)練GB網(wǎng)絡(luò)模型。其系統(tǒng)包括腦電數(shù)據(jù)采集模塊、CNN網(wǎng)絡(luò)配置模塊和GB網(wǎng)絡(luò)配置模塊。其分類(lèi)方法包括采集腦電數(shù)據(jù)；獲得訓(xùn)練后的CNN網(wǎng)絡(luò)模型和訓(xùn)練后的GB網(wǎng)絡(luò)模型；由訓(xùn)練后的CNN網(wǎng)絡(luò)模型對(duì)腦電數(shù)據(jù)進(jìn)行特征提取，由訓(xùn)練后的GB網(wǎng)絡(luò)模型對(duì)提取的特征進(jìn)行分類(lèi)。結(jié)合CNN模型和GB算法提高了分類(lèi)精確度。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能BCI技術(shù)領(lǐng)域，具體地說(shuō)是構(gòu)建CNN-GB模型的方法及系統(tǒng)、數(shù)據(jù)特征分類(lèi)方法。

背景技術(shù)

對(duì)于大腦意識(shí)正常但是具有運(yùn)動(dòng)障礙的患者而言，大腦發(fā)出的指令不能得到執(zhí)行會(huì)給生活帶來(lái)極大的不便?；谶\(yùn)動(dòng)想象的BCI(英文全稱(chēng)為Brain Computer Interface，中文翻譯為腦機(jī)接口技術(shù))通信系統(tǒng)摒棄了傳統(tǒng)的神經(jīng)肌肉通信通路，建立了全新的大腦與外界信息交流的通道，通過(guò)人腦與外部設(shè)備直接“通話”進(jìn)而實(shí)現(xiàn)人類(lèi)想法的表達(dá)或者設(shè)備的操控。

對(duì)采集的腦電信號(hào)進(jìn)行特征提取與分類(lèi)識(shí)別是BIC通信系統(tǒng)的重要內(nèi)容之一，由于大腦活動(dòng)的復(fù)雜性，認(rèn)知狀態(tài)下的腦電信號(hào)并不是簡(jiǎn)單的腦認(rèn)知信號(hào)和干擾信號(hào)的疊加，而是一種非線性的、時(shí)變的信號(hào)，因此增加了腦電信號(hào)提取的難度。

鑒于深度學(xué)習(xí)的迅猛發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)CNN的出現(xiàn)為繁瑣的特征提取工程帶來(lái)了新的思路，借助CNN可在原始的腦電數(shù)據(jù)上進(jìn)行端到端的信息提取，并且可在多個(gè)層級(jí)之間完成這種提取任務(wù)。CNN模型包括輸入層、隱藏層和輸出層，具有清晰的權(quán)值共享概念，權(quán)重共享是指同層神經(jīng)網(wǎng)元之間連接的權(quán)值是共享的，這個(gè)重要的特點(diǎn)能夠極大減少模型的復(fù)雜度。

GB算法消除先驗(yàn)知識(shí)對(duì)弱分類(lèi)器影響的同時(shí)，不會(huì)降低分類(lèi)運(yùn)算效率，并且具有好的實(shí)際應(yīng)用性。

基于上述CNN模型以及GB算法的優(yōu)點(diǎn)，如何結(jié)合CNN模型和GB算法對(duì)腦電信號(hào)進(jìn)行特征提取與分類(lèi)識(shí)別，以得到效能高的最優(yōu)特征集，使其分類(lèi)精確度高，是需要解決的技術(shù)問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的技術(shù)任務(wù)是提供一種構(gòu)建CNN-GB模型的方法及系統(tǒng)、數(shù)據(jù)特征分類(lèi)方法，來(lái)解決如何結(jié)合CNN模型和GB算法對(duì)腦電信號(hào)進(jìn)行特征提取與分類(lèi)識(shí)別，以得到效能高的最優(yōu)特征集，使其分類(lèi)精確度高的問(wèn)題。

本發(fā)明的技術(shù)任務(wù)是按以下方式實(shí)現(xiàn)的：

構(gòu)建CNN-GB模型的方法，包括如下步驟：

S100、采集腦電數(shù)據(jù)，并對(duì)腦電數(shù)據(jù)進(jìn)行預(yù)處理；

S200、基于Caffe(英文全稱(chēng)為Convolutional Architecture for Fast FeatureEmbedding，中文翻譯為快速特征嵌入和卷積體系結(jié)構(gòu))深度學(xué)習(xí)框架構(gòu)建CNN網(wǎng)絡(luò)模型，CNN網(wǎng)絡(luò)模型包括但不限于卷積層、池化層、全連接層和損失層；

S300、選取一部分腦電數(shù)據(jù)作為訓(xùn)練集，通過(guò)訓(xùn)練集訓(xùn)練CNN網(wǎng)絡(luò)模型并更新CNN網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練后的CNN網(wǎng)絡(luò)模型，并輸出腦電數(shù)據(jù)的特征；

S400、通過(guò)腦電數(shù)據(jù)的特征訓(xùn)練GB網(wǎng)絡(luò)模型并更新GB網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練后的GB網(wǎng)絡(luò)模型；

上述訓(xùn)練后的CNN網(wǎng)絡(luò)模型用于對(duì)腦電數(shù)據(jù)進(jìn)行特征提取，上述訓(xùn)練后的GB網(wǎng)模型用于對(duì)提取的特征進(jìn)行分類(lèi)。

進(jìn)一步的，步驟S100中，采集腦電數(shù)據(jù)包括如下分步驟：