[發(fā)明專利]一種基于信道混合卷積神經(jīng)網(wǎng)絡的運動腦電信號分類方法

有效

• 申請?zhí)枺?/td>: 202110294395.0
• 申請日: 2021-03-19
• 公開（公告）號: CN113057653B
• 公開（公告）日: 2022-11-04
• 發(fā)明（設計）人: 馬偉鋒;龔一飛;周龔雪;張蕾
• 申請（專利權(quán)）人: 浙江科技學院
• 主分類號: A61B5/369
• 分類號: A61B5/369;A61B5/372
• 代理公司: 杭州萬合知識產(chǎn)權(quán)代理事務所(特殊普通合伙) 33294
• 代理人: 丁海華;萬珠明

1.一種基于信道混合卷積神經(jīng)網(wǎng)絡的運動腦電信號分類方法，其特征在于：具體包括以下步驟；

a、信道混合卷積層輸出：對EEG信號的信道特征進行提取，將EEG信號從原先的整體性單通道輸入拆解為對應各個信道的多通道輸入，每個卷積核橫跨所有信道，并對各個信道中的EEG信號進行橫向卷積，得到信道特征；

b、混合信道加工層輸出：對信道混合卷積層提取的信道特征進行加工得到特征圖；

c、聚合：用于對信道混合加工層加工得到的特征圖進行聚合；

d、分類：用于承接聚合的輸出并完成最終解碼分類；

步驟a中，將EEG信號從原先的整體性單通道輸入拆解為對應各個信道的多通道輸入，是將EEG信號的輸入張量為(通道＝1、高度＝C、寬度＝T)，轉(zhuǎn)換成輸入形式為(通道＝C、高度＝1、寬度＝T)；

所述信道混合卷積層包含了32個由2D卷積方式實現(xiàn)的濾波器，其中卷積核的數(shù)目K₁為32，卷積核的尺寸F₁為(1，16)，卷積核操作時的步長S₁為(1，1)，填充大小P₁為(0,0),接收形式為(通道＝C、高度＝1、寬度＝T)的張量，激活函數(shù)為Linear；所述卷積核輸入的通道數(shù)與EEG信號的信道數(shù)相等；卷積結(jié)束后，EEG信號不再具備原始的信道形態(tài)，信道數(shù)從C變?yōu)?；

步驟b中，所述混合信道加工層采用深度可分離卷積層，所述深度可分離卷積層的每個卷積核的尺寸F₂為(1，22)，深度可分離卷積層中的乘數(shù)D₂為2，共有K₂＝K₁×D₂個卷積核參與對EEG信號的信道特征的加工，每個卷積核都采用了kernel maximum norm constraint規(guī)則約束。

2.根據(jù)權(quán)利要求1所述的基于信道混合卷積神經(jīng)網(wǎng)絡的運動腦電信號分類方法，其特征在于：步驟c中，所述聚合依次包括以下網(wǎng)絡層輸出：

BatchNorm層：所述BatchNorm層用于對輸入進行優(yōu)化；

激活函數(shù)層：所述激活函數(shù)層采用ELU激活函數(shù)，用于提高抗噪聲能力以及加快訓練收斂；

平均池化層：所述平均池化層的尺寸大小F_P為(1,180)，用于沿著特征圖的時間維度進行降采樣，所述平均池化層的步長S_P為(1,30)；

Dropout層：所述Dropout層中神經(jīng)元節(jié)點被關閉的概率p設為0.5，用于降低過擬合風險。

3.根據(jù)權(quán)利要求1所述的基于信道混合卷積神經(jīng)網(wǎng)絡的運動腦電信號分類方法，其特征在于：所述分類步驟具體如下：利用Fallten層將聚合的輸出鋪平展開至一維，然后放入N_C＝4個神經(jīng)元組成的全連接層中，從全連接層得到的N_C個輸出被Activation層中的激活函數(shù)softmax進行激活，構(gòu)建了對給定輸入X_i屬于第k類標簽的概率大小的映射關系函數(shù)，即其中θ為整個網(wǎng)絡中的待訓練參數(shù)集合；S為第s個被試者；

因此對于單個X_i，會給出N_C個概率數(shù)值，然后將對應概率數(shù)值最高的類別標簽作為X_i最終的分類結(jié)果，即同時最小化對應的損失函數(shù)總和其中最終使得信道混合卷積神經(jīng)網(wǎng)絡將最高概率數(shù)值分配給正確的標簽。