[發明專利]一種基于改進深度殘差分組卷積網絡的腦電信號分類方法

有效

• 申請號: 202110488070.6
• 申請日: 2021-05-06
• 公開（公告）號: CN113065526B
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 陳萬忠;于子航
• 申請（專利權）人: 吉林大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 長春吉大專利代理有限責任公司 22201
• 代理人: 朱世林;張晶

1.一種基于深度殘差分組卷積網絡ResNeXt的腦電信號分類方法，其特征在于：包括腦電信號采集、腦電信號預處理、特征提取、訓練ResNeXt分類網絡四部分；

所述訓練ResNeXt分類網絡是指：

1)劃分訓練集和測試集；

2)構建改進ResNeXt腦電信號分類網絡；

3)訓練改進后的ResNeXt腦電信號分類網絡；

所述腦電信號采集是指：

受試者佩戴腦電采集設備，在屏幕前根據實驗范式進行相應的腦電想象活動，產生對應想象類型的腦電信號；

所述腦電信號預處理是指：

1)對采集到的腦電信號進行多級放大處理；

2)對一級放大后的信號使用共平均參考對原始信號進行空間濾波；

3)通過陷波電路消除50Hz工頻干擾，通過高頻濾波去除直流電位影響，通過低通濾波消除高頻分量帶來的干擾；

4)對濾波后的腦電信號進行二次放大；

5)對濾波后的腦電信號進行單次窗口數據提取；

所述特征提取是指：

使用小波變換0.5～30Hz頻率段的腦電信號，將采集電極的腦電信號的1.5維譜組合成維數為4096維的特征向量，計算不同維特征向量間的皮爾遜相關系數，對皮爾遜相關系數大于0.8的相關通道進行剔除；使用主成分分析方法對特征向量進行降維，保留貢獻率為90％的N個成分，將這N個成分作為ResNeXt網絡的輸入；

所述構建改進ResNeXt腦電信號分類網絡是指：在ResNeXt-50基礎上進行改進，對分組卷積的每個block模塊的中間一層卷積層增加直連操作，增加直連操作進一步加快模型收斂的速度，并降低模型的測試集誤差，提升模型的泛化能力；每個block模塊通過一個1×1的卷積層對channel進行降維處理，然后連接group進行卷積操作，將group卷積操作后的輸出與降維處理后的輸出相加得到最終的輸出，最后通過1×1的卷積層對channel進行升維處理，將1×1的卷積層的輸出與輸入相加得到最終的輸出；

ResNeXt-50的架構中卷積層和全連接層總數為50層，包含一層7*7的卷積層，三個包含三層卷積層的卷積塊，四個包含三層卷積層的卷積塊，六個包含三層卷積層的卷積塊，三個包含三層卷積層的卷積塊和一層全連接層，其中每個卷積塊中所包含的三層卷積層的卷積核大小均為1×1、3×3和1×1；其中32*4d中32表示group數，4d代表每個group的輸入輸出channel數量；在block堆疊的最后，連接全局池化層、全連接層，以及Softmax輸出；每一個基數的每一條路徑的通道數設置為4；

所述訓練改進后的ResNeXt腦電信號分類網絡包括：不斷迭代隨機梯度下降優化器，判別測試集誤差是否達到了最大容許測試集誤差范圍內，若是，則輸出當前的一組模型參數，若不是，則重新開始訓練；選取達到了最大容許誤差范圍內中測試集誤差最小的一組模型參數作為最終腦電信號分類器的輸入模型參數。

2.根據權利要求1所述的一種基于深度殘差分組卷積網絡ResNeXt的腦電信號分類方法，其特征在于：

所述腦電信號采集被試者腦電信號，采樣頻率設置為250Hz；

對原始腦電信號進行一級放大處理，放大倍數為10倍；

對一級放大后的腦電信號使用共平均參考對原始信號進行空間濾波，減少容積傳導效應帶來的干擾；

通過陷波電路消除50Hz工頻干擾，再次通過高頻濾波去除直流電位影響，通過低通濾波消除高頻分量帶來的干擾；

對濾波后的腦電信號進行二次放大，放大倍數為10倍；

對濾波后的腦電信號進行單次窗口數據提取，數據集選取的時間窗為1s～3s，其中0s代表腦電想象任務開始的時間。

3.根據權利要求2所述的一種基于深度殘差分組卷積網絡ResNeXt的腦電信號分類方法，其特征在于：

所述腦電采集電極的腦電信號的1.5維譜組合成維數為4096維的特征向量，計算不同維特征向量間的皮爾遜相關系數，對皮爾遜相關系數大于0.8的相關通道進行剔除；皮爾遜相關系數計算公式如下：

其中：Cov(X,Y)＝E{[X-E(X)][Y-E(Y)]},E(X)和E(Y)為數學期望，Cov為兩個通道中隨機變量X，Y的協方差；D(X)為方差，D(X)開根號為標準差。