[發(fā)明專利]一種基于深度學(xué)習(xí)的腦卒中康復(fù)系統(tǒng)腦機(jī)接口軟件關(guān)鍵技術(shù)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110376347.6
• 申請(qǐng)日: 2021-04-01
• 公開（公告）號(hào): CN113128384A
• 公開（公告）日: 2021-07-16
• 發(fā)明（設(shè)計(jì)）人: 王卓崢;宋霖濤;董雨萌;任博雯;丁熠輝
• 申請(qǐng)（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08;G16H50/20;A61B5/372
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 劉萍

1.一種基于深度學(xué)習(xí)的腦卒中康復(fù)系統(tǒng)腦機(jī)接口軟件關(guān)鍵技術(shù)方法，其特征在于包含以下階段：腦電信號(hào)采集和預(yù)處理階段，利用腦電信號(hào)采集系統(tǒng)進(jìn)行運(yùn)動(dòng)想象EEG信號(hào)采集，隨后將所采集的EEG信號(hào)利用EEGLAB進(jìn)行預(yù)處理，去除眼電、偽跡，并得到濾除噪聲后的腦電信號(hào)，通過主成分分析進(jìn)行降維；

腦電信號(hào)特征提取階段，分別利用自回歸模型和樣本熵進(jìn)行運(yùn)動(dòng)想象EEG信號(hào)特征提取，可分別從頻域和空域得到線性和非線性兩類信號(hào)特征，其中將AR模型參數(shù)作為特征向量；特征分類階段，基于CNN設(shè)計(jì)分類器對(duì)腦電信號(hào)進(jìn)行分類處理，將特征提取所獲得的兩類信號(hào)特征分別加入到CNN中進(jìn)行分類，得到不同的分類結(jié)果，將結(jié)果進(jìn)行整合，得到最終的分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于：

1).腦電信號(hào)采集階段

使用腦電信號(hào)采集儀進(jìn)行信號(hào)采集，選取采樣頻率為250Hz，電極按照國際10-20標(biāo)準(zhǔn)電極安放法安放，選取數(shù)名健康受試者，分別采集左手、右手運(yùn)動(dòng)想象腦電信號(hào)，使用帶阻濾波器進(jìn)行濾波，選取1Hz-50Hz的EEG信號(hào)；

2).腦電信號(hào)預(yù)處理階段

使用EEGLAB進(jìn)行預(yù)處理，采用FastICA對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行去噪，用主成分分析來對(duì)數(shù)據(jù)進(jìn)行降維；

3).特征提取階段

預(yù)處理后，將處理后的EEG信號(hào)分別利用自回歸模型和樣本熵進(jìn)行特征提取得到兩類信號(hào)特征；

3.1自回歸模型

自回歸模型利用前期若干時(shí)刻的隨機(jī)變量的線性組合來描述以后某時(shí)刻隨機(jī)變量的線性回歸模型；假設(shè)腦電信號(hào)序列為y₁，y₂，...，y_n，P階自回歸模型記為AR(P)表明序列中y_t是前P個(gè)序列的線性組合及誤差項(xiàng)的函數(shù)，數(shù)學(xué)模型為：

其中，是常數(shù)項(xiàng)，是模型參數(shù)，e_t是具備均值為0，方差為σ的白噪聲；將作為EEG信號(hào)特征向量；

3.2樣本熵

設(shè)腦電信號(hào)一維時(shí)間序列為{y(i)}，i＝1，2，...，n，其中y(i)表示第i秒的腦電信號(hào)序列，n表示總時(shí)間長度；其樣本熵通過如下計(jì)算得到：

(1)將序列{y(i)}按順序組成m維矢量，選取m＝2，即

Y_m(i)＝[y(i)y(i+1)...y(i+m-1)]

i＝1，2，...，n-m+1

(2)對(duì)每一個(gè)i時(shí)刻，計(jì)算矢量Y_m(i)與矢量Y_m(j)之間的距離，即

d[Y_m(i)，Y_m(j)]＝max|y(i+k)-y(j+k)|

k＝0，1，...，m-1；i＝1，2，...，n-m+1；i≠j

(3)給定閾值r，r＞0，中r為原始時(shí)間序列標(biāo)準(zhǔn)差的0.2倍，對(duì)每一個(gè)i時(shí)刻統(tǒng)計(jì)d[Y_m(i)，Y_m(j)]小于r的數(shù)目，記為并記此數(shù)目與總的距離數(shù)目n-m的比值為即

(4)求對(duì)所有i值的平均值，記為B^m(r)，即

(5)將序列{y(i)}按順序組成m+1維矢量，再重復(fù)(1)至(4)，得到和B^m+1(r)

(6)序列{y(i)}的樣本熵為

得到序列長度為n時(shí)的樣本熵估計(jì)值為

sampEn(m，r，n)＝-ln[B^m+1(r)/B^m(r)]}

利用樣本熵提取腦電信號(hào)的非線性特征的具體步驟為：首先對(duì)腦電信號(hào)加1s長度的滑動(dòng)時(shí)間窗，計(jì)算腦電信號(hào)的樣本熵，窗口每次移動(dòng)一個(gè)采樣點(diǎn)，并計(jì)算下1s時(shí)間窗的腦電信號(hào)樣本熵，直到計(jì)算出最后1s時(shí)間窗的腦電信號(hào)的樣本熵為止，從而獲得該組腦電信號(hào)樣本熵的時(shí)間序列，然后將這一組樣本熵序列疊加平均，即獲得一組樣本腦電信號(hào)數(shù)據(jù)的樣本熵；

4).特征分類階段

使用卷積神經(jīng)網(wǎng)絡(luò)CNN作為分類器對(duì)提取出的兩類特征向量進(jìn)行分別分類，隨后將兩類特征向量分別的分類結(jié)果進(jìn)行加權(quán)處理，最終得到分類結(jié)果；

4.1 CNN構(gòu)成及其原理

使用的CNN由六層卷積層、兩層池化層和兩層全連接層構(gòu)成，順序?yàn)椋喝龑泳矸e層、一層池化層、三層卷積層、一層池化層和兩層全連接層，全部使用Tensorflow實(shí)現(xiàn)；

數(shù)據(jù)集劃分為訓(xùn)練集與測試集，將由特征提取得到的兩類特征向量其中i∈[1，n]，n表示總時(shí)間長度；和SE_i＝{i∈[1，n]|sampEn(m，r，i)}作為輸入，輸出有三種預(yù)測可能，T0、T1、T2，分別表示靜息態(tài)、想象左手、想象右手；使用了Adam優(yōu)化器，學(xué)習(xí)速率為1*10^-5；

A.卷積層：卷積神經(jīng)網(wǎng)路中每層卷積層的每一個(gè)卷積核大小都是3*3，每個(gè)卷積單元的參數(shù)通過反向傳播算法優(yōu)化得到，其目的是提取輸入的不同特征；

B.池化層：在卷積層之后得到了維度為[28*20*64]的特征，將特征切成分別為[2，2]的區(qū)域，取其中的最大值，得到新的、維度大小為[14*10*64]的特征；

C.監(jiān)督學(xué)習(xí)

使用反向傳播算法計(jì)算每個(gè)卷積單元的參數(shù)；

采用歐氏距離計(jì)算損失函數(shù)

E＝(x-pred)²

其中，x為實(shí)際特征向量的值，pred為預(yù)測出的特征向量的值；

將損失函數(shù)從輸出層向隱藏層反向傳播，直至傳播到輸入層；在反向傳播的過程中，根據(jù)損失函數(shù)調(diào)整每個(gè)卷積單元的參數(shù)的值；不斷迭代上述過程，直至收斂；

4.2加權(quán)整合

在上一步中兩類特征向量進(jìn)行分類后的結(jié)果采用分別加權(quán)50％求和的方法，來得到最終預(yù)測結(jié)果；由上可知，和SE_pred分別為兩類特征向量的預(yù)測結(jié)果向量，形式為和其中pred_i(i＝T₀，T₁，T₂)表示在此模型中該組腦電信號(hào)為第i類的預(yù)測概率；最終預(yù)測結(jié)果向量為

由final為最終預(yù)測結(jié)果。