[發明專利]基于深度特征學習的多受試者運動想象腦電信號識別方法

有效

• 申請號: 201911099530.5
• 申請日: 2019-11-12
• 公開（公告）號: CN111062250B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 羅靖;劉光明;徐蓉;弓一婧;任宇昆;張夢馨
• 申請（專利權）人: 西安理工大學
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06N3/0455;G06N3/0464;G06N3/084
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 燕肇琪

1.基于深度特征學習的多受試者運動想象腦電信號識別方法，其特征在于，具體步驟如下：

步驟1：通過腦電采集設備采集運動想象時受試者的腦電信號；

步驟2：構造一種基于卷積自編碼器的運動想象腦電信號特征學習模型；

步驟2構造腦電信號特征學習模型方法如下：

步驟2.1：基于小波包分解技術將腦電信號轉化為小波包時頻譜圖，再將不同通道的腦電信號堆疊，形成三維腦電信號的時頻空域表示；

步驟2.2：將步驟2.1的三維腦電信號時頻空域表示輸入以兩個空間濾波器原型組成的空間濾波器層，空間濾波器層的輸出合并原三維腦電信號時頻空域表示輸入卷積自編碼器，卷積自編碼器結構由編碼層與解碼層組成，編碼層包含多個卷積層與池化層的堆疊，經過編碼層得到輸入信號的隱含表示，解碼層包括多個上采樣層與卷積層的堆疊，經過解碼層得到輸入信號的重建；

步驟2.3：利用腦電信號數據增廣技術擴充腦電信號訓練集，基于反向傳播算法與梯度下降算法，訓練基于卷積自編碼器的運動想象腦電信號特征學習模型，得到運動想象腦電信號的特征學習模型；

所述腦電信號數據增廣技術包括：

①腦兩側信號互換

對于單側肢體運動想象，對側腦電信號與同側腦電信號差異是識別的主要依據，因此將兩側腦電信號互換并改變樣本類別，可被視為對側肢體運動想象；而對于非單側肢體運動想象，將兩側腦電信號互換并不改變類別，可被視為同類運動想象；

②多通道腦電信號取通道子集

采用左、右兩側大腦感覺運動區單通道加上大腦中央單通道組成三通道腦電信號用于左右上肢二分類運動想象識別模型訓練，因此可從多通道數據中隨機選取滿足位置要求的三通道腦電信號，作為擴充訓練新樣本；

③同類數據平均

同一受試者相同類別腦電信號時頻譜隨機選取并平均作為新樣本；

④適度裁剪與平移

對腦電信號時頻譜在保留主要時頻分量的基礎上進行適度裁剪與平移，得到擴充訓練新樣本；

⑤強度變化

對時頻譜中信號幅值進行適度變化，得到擴充訓練新樣本；

⑥疊加多個數據增廣方法

對上述①-⑤腦電信號數據增廣方法進行隨機選取疊加，得到擴充腦電信號樣本集；

步驟3：基于深度特征的不變性評價方法與判別性評價方法選擇出多主體腦電信號的不變性特征，在不變性特征所在網絡層后加全連接層與Softmax分類層構成了多主體運動想象腦電信號識別模型；

步驟4：利用同源腦電信號與經過樣本遷移的異源腦電信號組成擴展同源數據集訓練腦電信號識別模型，充分訓練的模型用于多主體運動想象腦電信號識別。

2.根據權利要求1所述的基于深度特征學習的多受試者運動想象腦電信號識別方法，其特征在于，步驟3所述特征的不變性評價方法具體如下：

首先，腦電信號通過卷積運算得到特征圖；

其次，計算特征圖激活值的直方圖，并將其歸一化為相對頻率分布形式；

再次，兩個頻率分布函數的相對熵用于度量兩個特征圖的差異度，相對熵計算如下：

其中，p(x)，q(x)是兩個不同特征圖的激活值直方圖頻率分布函數，K是卷積算子，由于相對熵不具備對稱性，采用兩種相對熵的和作為兩個特征圖的差異度量如式(5)：

KL′(p,q)＝KL(p,q)+KL(q,p)??????(5)

多個特征圖的差異度由所有特征圖二元組的差異度之和度量，如式(6)

P是所有特征圖的激活值直方圖頻率分布函數的集合，p與q是其中元素；

某一卷積算子K的不變性I(K)由其在多受試者同類腦電信號生成特征圖間的差異性之和決定,如式(7)：

其中，是卷積算子K在多受試者訓練集第i類腦電信號上生成的特征圖的激活值直方圖頻率分布函數集合，c為訓練集中數據類別數；I(K)越小，說明卷積算子K的不變性越好。