[發明專利]一種基于EMD和DCNN的運動想象腦電信號識別方法

在審

• 申請號: 202011410693.3
• 申請日: 2020-12-03
• 公開（公告）號: CN112528820A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 黃超;張毅;鄭凱
• 申請（專利權）人: 重慶郵智機器人研究院有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

本發明涉及一種基于EMD和DCNN的運動想象腦電信號識別方法，屬于人機交互領域。該方法包括步驟：S1，對腦電信號進行經驗模態分解得到固有模態函數(IMF)；S2，利用DCNN融合特征信息明顯的IMF分量自動提取腦電信號特征；S3，通過分類器對腦電信號特征進行識別，從而實現對腦電信號的識別。本發明在處理腦電信號時，能有效地提取腦電信號特征，能準確、有效地對腦電信號進行分類識別。

技術領域

本發明屬于人機交互領域，涉及一種基于EMD和DCNN的運動想象腦電信號識別方法。

背景技術

腦-機接口(Brain-Computer Interface，BCI)通過解析輸入的腦電信號，將用戶的意圖解碼為控制指令來控制輸出設備，實現人腦與外部設備的交互。腦-機接口技術的核心是腦電信號的識別，但腦電信號具有非線性和非平穩性等特點，如何有效地提取腦電信號特征成為識別腦電信號的關鍵。

當前，腦電信號特征提取主要采用時頻域特征分析方法。基于時頻域分析的腦電特征提取方法主要有STFT、WT和WPT，然而以上三種算法的本質都是傅里葉變換，都會受到測不準原理的影響，無法同時在時域和頻域獲得較高的分辨率。EMD算法能將一段原始的腦電信號自適應地分解成一系列的IMF，分解出來的各IMF都包含有原始腦電信號在不同時間尺度上的局部特征，并且能將非平穩的數據平穩化，是一種自適應的時頻域分析方法，被廣泛地應用于非線性和非平穩信號的分析中。然而僅采用EMD模式識別方法主要是基于“淺層學習”的算法，對信號采集和處理的要求較高，對復雜函數的表達能力有限，模型的泛化能力較差

本發明借鑒深度學習相關的研究，針對運動想象信號的非平穩特征，將EMD方法與DCNN結合，以EMD作為運動想象腦電信號的預處理器，根據各分量的ERD/ERS特征選擇信息明顯的IMF分量，然后通過DCNN自適應地融合IMF分量的信息并從中提取特征，完成對運動想象腦電信號的智能分類識別。與傳統EMD和DCNN方法相比，本發明的識別準確率更高，且識別結果穩定性更好。

發明內容

有鑒于此，本發明的目的在于提供一種基于EMD和DCNN的運動想象腦電信號識別方法。

為達到上述目的，本發明提供如下技術方案：

一種基于經驗模態分解EMD和深度卷積神經網絡李DCNN的運動想象腦電信號識別方法，該方法包括以下步驟：

S1：腦電信號采集與劃分；

S2：樣本腦電信號EMD分解；

S3：腦電信號數據集創建；

S4：DCNN設計與訓練；

S5：腦電信號識別。

可選的，所述步驟S1中，腦電信號采集與劃分為：使用Emotiv腦電儀對腦電信號進行采集，并使用相等長度的窗口進行劃分，獲取樣本腦電信號；當窗口移動長度步長小于單個信號的樣本長度時，樣本之間存在重疊部分，固定長度的信號能夠提取出更多的樣本，將長度為L的時域腦電信號劃分成N_Samples＝(L-N_in)/s個樣本，其中N_in為樣本長度，s為切片窗口的移動距離。

可選的，所述步驟S2中，樣本腦電信號EMD分解為：對腦電信號重疊切片的樣本信號進行EMD分解把非平穩信號X(t)分解為一系列具有不同特征尺度的平穩信號c₁(t)，c₂(t)，...，c_n(t)，具體過程為：

S21：對于信號X(t)，用三次樣條曲線擬合出極大值組成的上包絡線g(t)和極小值組成的下包絡線y(t)；

S22：計算出g(t)和y(t)的平均值：