[發(fā)明專利]基于數(shù)據(jù)增強(qiáng)的卷積神經(jīng)網(wǎng)絡(luò)運(yùn)動想象腦電分類方法

有效

• 申請?zhí)枺?/td>: 202010650831.9
• 申請日: 2020-07-08
• 公開（公告）號: CN111950366B
• 公開（公告）日: 2023-10-24
• 發(fā)明（設(shè)計）人: 劉越;杜斌;岳康;田閣良
• 申請（專利權(quán)）人: 北京理工大學(xué)
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06N3/0464;G06N3/08;G06F3/01
• 代理公司: 北京理工大學(xué)專利中心 11120
• 代理人: 李微微

本發(fā)明公開了一種基于數(shù)據(jù)增強(qiáng)的卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)動想象腦電信號分類方法，對所有受試者的64通道信號進(jìn)行五倍交叉驗(yàn)證得其二、三和四類分類任務(wù)的平均準(zhǔn)確性分別達(dá)到87.32％，76.26％，64.72％。利用遷移學(xué)習(xí)使全局分類器應(yīng)用到單個受試者腦電信號分類中，其平均準(zhǔn)確率達(dá)到了91.06％，82.76％，73.46％；與Dose的工作相比，本發(fā)明提出的架構(gòu)性能更好；在數(shù)據(jù)增強(qiáng)之后，對四類分類數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)。其平均準(zhǔn)確率分別從64.72％提高到66.73％(全局模型)，73.46％提高到76.78％(受試者模型)，這表明該數(shù)據(jù)增強(qiáng)方法可以有效地提高腦電信號分類準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及腦機(jī)接口與模式識別領(lǐng)域，具體涉及一種基于數(shù)據(jù)增強(qiáng)的卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)動想象腦電信號分類方法。

背景技術(shù)

腦機(jī)接口(Brain Computer Interface，BCI)技術(shù)是一項新興的技術(shù)，近年來受到了廣泛的關(guān)注。BCI創(chuàng)建了一個新的非肌肉交互通道，人類可以通過使用由腦部活動產(chǎn)生的信號，與周圍環(huán)境進(jìn)行交互，而不需要周圍神經(jīng)和肌肉的參與。通過對信號的模式識別，實(shí)現(xiàn)將人的意圖傳遞給外部設(shè)備，如計算機(jī)、語音合成器、輔助設(shè)備和神經(jīng)修復(fù)。腦機(jī)接口在醫(yī)學(xué)領(lǐng)域，神經(jīng)生物學(xué)領(lǐng)域和心理學(xué)領(lǐng)域都有重要的應(yīng)用。基于運(yùn)動想象(Motor imagery,MI)的腦電信號(Electroencephalogram,EEG)是一種內(nèi)源性自發(fā)腦電信號，具有操作簡單、范式靈活、成本較低、移植性好、風(fēng)險小等優(yōu)點(diǎn)，已經(jīng)得到了廣泛的研究，尤其在神經(jīng)康復(fù)、神經(jīng)修復(fù)和游戲等領(lǐng)域具有廣泛應(yīng)用潛力。不僅可以幫助中風(fēng)偏癱等有嚴(yán)重運(yùn)動障礙的患者進(jìn)行康復(fù)訓(xùn)練，控制設(shè)備實(shí)現(xiàn)自理，還可以娛樂普通大眾，如與虛擬現(xiàn)實(shí)技術(shù)相結(jié)合的各種腦記游戲。

腦機(jī)接口系統(tǒng)一般由信號采集部分、預(yù)處理或信號增強(qiáng)部分、特征提取部分、分類判別部分、控制接口部分五部分組成。提高腦電信號分類準(zhǔn)確率是整個系統(tǒng)的核心，即有效的信號特征提取與分類方法以將運(yùn)動想象的腦電信號轉(zhuǎn)化為設(shè)備或者應(yīng)用程序的控制。由于其信號具有個體差異大、信噪比低、信號不平穩(wěn)等特點(diǎn)，影響信號的分類性能和模型訓(xùn)練的準(zhǔn)確率。當(dāng)前基于運(yùn)動想象的腦電信號數(shù)據(jù)稀缺，腦電數(shù)據(jù)收集相對昂貴，同時又涉及隱私安全問題，基于運(yùn)動想象的腦電信號公開數(shù)據(jù)集較少且樣本數(shù)量也較少。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的是一方面提供一種基于卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeural Networks,CNN)的模型訓(xùn)練方法；另一方面，在此卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上進(jìn)一步提供了一種數(shù)據(jù)增強(qiáng)方法，通過該方法可彌補(bǔ)基于運(yùn)動想象的腦電數(shù)據(jù)匱乏，并提高了信號的分類準(zhǔn)確率。

一種運(yùn)動想象腦電信號分類方法，包括如下步驟：

在Physionet數(shù)據(jù)集中獲得至少兩類運(yùn)動想象任務(wù)的腦電信號數(shù)據(jù)；

將所述腦電信號數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，由此實(shí)現(xiàn)對腦電信號數(shù)據(jù)的分類；

其中，所述卷積神經(jīng)網(wǎng)絡(luò)的第一層為卷積層，對腦電信號數(shù)據(jù)沿時間軸執(zhí)行卷積操作，且輸出數(shù)據(jù)尺寸與輸入時一致；

第二層為卷積層，對腦電信號沿著EEG通道軸進(jìn)行卷積，輸出尺寸減為輸入的一半；

第三層為最大池化層，用于對腦電信號沿時間軸進(jìn)行池化，核的大小為30個樣本，步長為15；層后的結(jié)構(gòu)進(jìn)行扁平化處理，形成6300個單維神經(jīng)元；

最后三層為三個完全連接層，第一個全連接層將神經(jīng)元的個數(shù)從6300降到100，第二個全連接層將神經(jīng)元的個數(shù)從100降到32，最后一個全連接層為softmax層，將神經(jīng)元的個數(shù)從32降到要分類的數(shù)據(jù)中的神經(jīng)元數(shù)量。

進(jìn)一步的，對所述腦電信號數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)再進(jìn)行訓(xùn)練，具體為：

對于Physionet數(shù)據(jù)集中的原始腦電數(shù)據(jù)，對每次試驗(yàn)的每個通道的腦電數(shù)據(jù)進(jìn)行歸一化；