[發(fā)明專利]一種聯(lián)合遞歸圖和CNN的腦電信號(hào)識(shí)別方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910753679.4
• 申請(qǐng)日: 2019-08-15
• 公開（公告）號(hào): CN110555468A
• 公開（公告）日: 2019-12-10
• 發(fā)明（設(shè)計(jì)）人: 王文波;辜權(quán);狄奇;喻敏;陳貴詞;錢龍
• 申請(qǐng)（專利權(quán)）人: 武漢科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;A61B5/00;A61B5/04;A61B5/0476
• 代理公司: 11401 北京金智普華知識(shí)產(chǎn)權(quán)代理有限公司
• 代理人: 楊采良

1.一種聯(lián)合遞歸圖和CNN的腦電信號(hào)識(shí)別方法，其特征在于，所述聯(lián)合遞歸圖和CNN的腦電信號(hào)識(shí)別方法包括：

將運(yùn)動(dòng)想象腦電信號(hào)分解為不同尺度的固有模態(tài)函數(shù)，并計(jì)算各個(gè)尺度的固有模態(tài)分量的多尺度遞歸圖，得到第1級(jí)特征；

將重構(gòu)后的多尺度遞歸圖作為EEG信號(hào)的圖像特征，并將多尺度遞歸圖特征作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)遞歸圖進(jìn)行分類識(shí)別，從第1級(jí)特征中提取表述運(yùn)動(dòng)想象腦電信號(hào)的第2級(jí)特征。

2.如權(quán)利要求1所述聯(lián)合遞歸圖和CNN的腦電信號(hào)識(shí)別方法，其特征在于，所述聯(lián)合遞歸圖和CNN的腦電信號(hào)識(shí)別方法具體包括以下步驟：

步驟一，將采集到的數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)，并分別對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；

步驟二，對(duì)兩類運(yùn)動(dòng)想象腦電信號(hào)即訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)分別進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到不同尺度的固有模態(tài)分量；同時(shí)利用互信息分析法和Cao-Liangyue法計(jì)算每個(gè)固有模態(tài)分量的合適的嵌入維數(shù)和延遲時(shí)間進(jìn)行空間重構(gòu)，得到每個(gè)固有模態(tài)分量的遞歸圖，利用遞歸圖分析法，進(jìn)行特征提取，得到第1級(jí)特征；

步驟三，將訓(xùn)練數(shù)據(jù)集的第1級(jí)遞歸圖特征作為卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練，并調(diào)試卷積神經(jīng)網(wǎng)絡(luò)的各個(gè)參數(shù)；

步驟四，將訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于測試數(shù)據(jù)，進(jìn)行分類識(shí)別；利用遞歸圖法對(duì)測試腦電信號(hào)數(shù)據(jù)進(jìn)行特征提取，利用訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)對(duì)其遞歸圖進(jìn)行再一次的特征提取，得出分類識(shí)別結(jié)果。

3.如權(quán)利要求2所述聯(lián)合遞歸圖和CNN的腦電信號(hào)識(shí)別方法，其特征在于，步驟一中，所述數(shù)據(jù)預(yù)處理具體包括：

訓(xùn)練數(shù)據(jù)：對(duì)訓(xùn)練腦電數(shù)據(jù)進(jìn)行下采樣截取，并利用互信息法選擇合適的參數(shù)，使用AR-CSP針對(duì)頻域和空間域進(jìn)行濾波處理，隨后將處理完成的EEG信號(hào)進(jìn)行分類；

測試數(shù)據(jù)：對(duì)測試腦電數(shù)據(jù)進(jìn)行下采樣截取，并利用互信息法選擇合適的參數(shù)，使用AR-CSP針對(duì)頻域和空間域進(jìn)行濾波處理，將處理完成的EEG信號(hào)進(jìn)行分類；使用訓(xùn)練完成的分類器對(duì)測試用數(shù)據(jù)進(jìn)行分類并記錄結(jié)果。

4.如權(quán)利要求2所述聯(lián)合遞歸圖和CNN的腦電信號(hào)識(shí)別方法，其特征在于，步驟二中，所述經(jīng)驗(yàn)?zāi)B(tài)分解具體包括：

(1)在原始信號(hào)x(t)上添加白噪聲序列n(t)，得到帶噪信號(hào)s(t)，即：

s(t)＝x(t)+n(t)；

其中，n(t)為服從N(0，σ²)的高斯白噪聲；

(2)帶噪信號(hào)s(t)經(jīng)經(jīng)驗(yàn)?zāi)B(tài)分解成一組固有模態(tài)分量IMF以及殘量r_c(t)，即：

其中，c為IMF分量個(gè)數(shù)；

(3)步驟(1)和步驟(2)重復(fù)m次，且每次填充的白噪聲序列幅值都不一樣，即：

(4)將m次EMD處理生成的IMF按層分類后求平均，即為最終IMF：

經(jīng)驗(yàn)?zāi)B(tài)分解中加入的高斯白噪聲公式應(yīng)為：

式中，ε為高斯白噪聲的幅值；N為添加高斯白噪聲的次數(shù)；ε_n表示各階的固有模態(tài)分量相加后與原始信號(hào)的誤差。