[發明專利]一種基于卷積神經網絡的EEG信號特征檢索方法、裝置

有效

• 申請號: 202211276168.6
• 申請日: 2022-10-19
• 公開（公告）號: CN115337026B
• 公開（公告）日: 2023-03-10
• 發明（設計）人: 馮琳清;田琪;魏伊娜;唐弢;朱琴;姜思逸;周津潤
• 申請（專利權）人: 之江實驗室
• 主分類號: A61B5/369
• 分類號: A61B5/369;A61B5/00;G06F16/901;G06F16/903;G06F16/906;G06F18/22;G06F18/23213;G06N3/0464
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

1.一種基于卷積神經網絡的EEG信號特征檢索方法，其特征在于，所述方法包括以下步驟：

（1）采集EEG信號得到待檢索的EEG信號數據集，并對EEG信號數據集中的每個EEG信號進行包括濾波、截取特征片段在內的預處理；

（2）基于卷積神經網絡構建特征提取模型并訓練；

（3）使用特征提取模型對EEG信號進行特征提取，并對提取到的特征樣本進行聚類，得到K個聚類中心，并計算每個聚類中心的坐標；

（4）計算EEG信號數據集中的所有樣本與K個聚類中心的歐式距離并排序；自定義排序閾值，取前排序閾值的聚類中心作為某一樣本的第一標簽；取后排序閾值的聚類中心作為某一樣本的第二標簽，將第一標簽和第二標簽作為樣本構建的索引；對EEG信號數據集中的所有樣本構建索引得到索引庫；

（5）通過特征提取模型對待查詢的目標樣本進行特征提取，并基于特征進行聚類，得到目標樣本對應的第一標簽及第二標簽；以第一標簽及第二標簽作為索引在索引庫中查詢待檢索的EEG信號數據集中與目標樣本相似的檢索結果信號；

（6）計算檢索結果信號與目標樣本的相似度并排序，得到EEG信號特征檢索結果；

計算步驟（6）中所得到的檢索結果信號與目標樣本的相似度的過程包括：

基于目標樣本到每個聚類中心的歐氏距離，將目標樣本表達為一個K維的表征向量V，目標樣本i所對應的表征向量為：

其中，表示目標樣本i到聚類中心C_k的歐式距離；

計算每個檢索結果信號與目標樣本的中心表征向量的相似度，目標樣本i與EEG信號數據集中某一樣本信號j的相似度S計算公式為：

其中，T為聚類中心中自定義排序閾值對應的數量，Ts為目標樣本i、EEG信號數據集中某一樣本信號j這兩樣本在索引中能夠相互匹配的標簽個數，則為i、j兩樣本表征向量之間的歐氏距離。

2.根據權利要求1所述的基于卷積神經網絡的EEG信號特征檢索方法，其特征在于，所述步驟（1）中對EEG信號數據集中的每個EEG信號進行包括濾波、截取特征片段在內的預處理具體為：選取濾波器以及濾波參數，以濾除EEG信號中的干擾噪音；針對每個EEG信號，根據刺激時間，截取刺激后長度為1024的EEG信號作為特征片段。

3.根據權利要求1所述的基于卷積神經網絡的EEG信號特征檢索方法，其特征在于，所述步驟（2）中的特征提取模型包括編碼器模塊和解碼器模塊，所述編碼器模塊經若干次卷積和池化操作后，降低EEG信號的特征維度，得到特征矩陣；所述解碼器模塊將特征矩陣經反卷積和反池化操作進行重建還原EEG信號。

4.根據權利要求3所述的基于卷積神經網絡的EEG信號特征檢索方法，其特征在于，所述編碼器模塊包括依次連接的第一卷積層，第一池化層，第二卷積層，第二池化層，第三卷積層，第三池化層和第四卷積層；所述解碼器模塊包括依次連接的第一反卷積層，第一反池化層，第二反卷積層，第二反池化層，第三反卷積層，第三反池化層和第五卷積層。

5.根據權利要求1所述的基于卷積神經網絡的EEG信號特征檢索方法，其特征在于，所述步驟（2）中訓練特征提取模型包括：選取步驟（1）采集的待檢索的EEG信號數據集中的部分數據作為訓練數據，并對訓練數據進行標準化處理，訓練過程中的優化器選用Adagrad，損失函數選用binary_crossentropy。