[發(fā)明專(zhuān)利]一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的腦認(rèn)知過(guò)程模擬方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010514718.8
• 申請(qǐng)日: 2020-06-08
• 公開(kāi)（公告）號(hào): CN111783942B
• 公開(kāi)（公告）日: 2023-08-01
• 發(fā)明（設(shè)計(jì)）人: 徐頌;王麗娜;劉晶晶;王清華;蔣彭龍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京航天自動(dòng)控制研究所
• 主分類(lèi)號(hào): G06N3/0464
• 分類(lèi)號(hào): G06N3/0464;G06N3/044;G06N3/09;G06F18/25;G06F18/2135
• 代理公司: 中國(guó)航天科技專(zhuān)利中心 11009
• 代理人: 龐靜

1.一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的腦認(rèn)知過(guò)程模擬方法，其特征在于包括下列步驟：

（1）令被試人員按照預(yù)設(shè)的實(shí)驗(yàn)范式流程進(jìn)行操作，同步采集被試人員在實(shí)驗(yàn)范式中相關(guān)刺激下的多通道原始腦電信號(hào)數(shù)據(jù)，并對(duì)采集的原始腦電信號(hào)進(jìn)行有效成分提取；

（2）對(duì)提取的有效腦電信號(hào)進(jìn)行關(guān)鍵特征提取以及特征選擇，確定被試人員相關(guān)刺激下的腦電高效特征；

（3）構(gòu)建基于VGG網(wǎng)絡(luò)低層特征的邊緣信息通道網(wǎng)絡(luò)，利用該通道提取來(lái)自VGG網(wǎng)絡(luò)中conv1-2和conv2-2的低層特征，獲得相關(guān)刺激中的目標(biāo)邊界，進(jìn)而得到邊緣信息特征圖；

（4）構(gòu)建基于VGG網(wǎng)絡(luò)高層特征的語(yǔ)義信息通道網(wǎng)絡(luò)，利用該通道提取來(lái)自VGG網(wǎng)絡(luò)中conv3-3，conv4-3和conv5-3的高層特征，獲得相關(guān)刺激中的語(yǔ)義信息，進(jìn)而得到語(yǔ)義信息特征圖；

（5）將所述的邊緣信息通道網(wǎng)絡(luò)和語(yǔ)義信息通道網(wǎng)絡(luò)進(jìn)行拼接融合，得到雙通道檢測(cè)模型，同時(shí)，將對(duì)應(yīng)的邊緣信息特征圖與語(yǔ)義信息特征圖進(jìn)行拼接得到融合特征圖；

（6）構(gòu)建區(qū)域推薦網(wǎng)絡(luò)，以所述融合特征圖作為輸入，得到目標(biāo)推薦區(qū)域；

（7）構(gòu)建回歸網(wǎng)絡(luò)，以目標(biāo)推薦區(qū)域連同所述的融合特征圖以區(qū)域下采樣的方式一起作為輸入，獲取腦電高效特征；

（8）將上述構(gòu)建的雙通道檢測(cè)模型以及區(qū)域推薦網(wǎng)絡(luò)與回歸網(wǎng)絡(luò)作為腦認(rèn)知模型，將步驟（1）中所述的相關(guān)刺激以及步驟（2）確定的腦電高效特征組成訓(xùn)練數(shù)據(jù)集，對(duì)腦認(rèn)知模型進(jìn)行訓(xùn)練，獲取腦認(rèn)知過(guò)程模擬方法。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于：通過(guò)下述步驟對(duì)原始腦電信號(hào)進(jìn)行有效成分提取：

（1.1）采用截止頻率為0.1Hz-0.3Hz的高通FIR數(shù)字濾波器和截止頻率為30Hz-35Hz的低通FIR數(shù)字濾波器，濾除低頻、高頻噪聲；

（1.2）利用主成分分析算法PCA，將濾波處理后的腦電信號(hào)白化處理；

（1.3）利用獨(dú)立成分分析算法ICA，分解PCA處理后的腦電信號(hào)獲得獨(dú)立分量，從而找到干擾成分并去除，從而獲得腦電信息有效成分。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于：所述的關(guān)鍵特征包括腦電信號(hào)的時(shí)域特征、頻域特征與熵值特征。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于：時(shí)域特征提取通過(guò)如下執(zhí)行分析方法實(shí)現(xiàn)，分析方法包括多通道腦電信號(hào)的方差計(jì)算、直方圖表征、峰值檢測(cè)和過(guò)零點(diǎn)分析。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于：頻域特征提取通過(guò)如下執(zhí)行分析方法實(shí)現(xiàn)，分析方法包括多通道腦電信號(hào)的幅度譜、相位譜、功率譜及能量譜分析。

6.根據(jù)權(quán)利要求3所述的方法，其特征在于：熵值特征提取通過(guò)如下執(zhí)行分析方法實(shí)現(xiàn)，分析方法包括多通道腦電信號(hào)的多尺度近似熵、樣本熵和排列熵分析。

7.根據(jù)權(quán)利要求1或3所述的方法，其特征在于：所述的腦電高效特征選擇方法通過(guò)定量評(píng)定各項(xiàng)單類(lèi)特征下的分類(lèi)準(zhǔn)確率指標(biāo)。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于：通過(guò)下述步驟得到邊緣信息特征圖：

（1.1）將實(shí)驗(yàn)范式中相關(guān)刺激輸入VGG網(wǎng)路，提取來(lái)自VGG網(wǎng)絡(luò)中conv1-2和conv2-2的低層特征，并將每部分低層特征上采樣到conv1-2特征圖大小；

（1.2）構(gòu)建卷積層，將（1.1）中上采樣得到低層特征輸入到該卷積層，卷積層的輸出記為低層局部特征A；

（1.3）構(gòu)建空間注意力網(wǎng)絡(luò)模塊，利用該模塊將（1.2）中得到的低層局部特征A進(jìn)行處理，得到邊緣信息特征圖。

9.根據(jù)權(quán)利要求8所述的方法，其特征在于：卷積層的結(jié)構(gòu)為3×3×64。