[發(fā)明專利]基于生成對抗網(wǎng)絡(luò)模型的腦電圖數(shù)據(jù)擴(kuò)增方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202211718404.5
• 申請日: 2022-12-29
• 公開（公告）號: CN116010848A
• 公開（公告）日: 2023-04-25
• 發(fā)明（設(shè)計）人: 齊鵬;任天辰
• 申請（專利權(quán)）人: 同濟(jì)大學(xué)
• 主分類號: G06F18/24
• 分類號: G06F18/24;A61B5/372;G06F18/10;G06F18/213;G06F18/241;G06N3/0464;G06N3/0475;G06N3/094;G06F3/01
• 代理公司: 上海諾衣知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31298
• 代理人: 衣然

1.一種基于生成對抗網(wǎng)絡(luò)模型的腦電圖數(shù)據(jù)擴(kuò)增方法，其特征在于，包括以下步驟：

步驟S1、對被試者進(jìn)行腦電圖數(shù)據(jù)采集，生成實驗數(shù)據(jù)集，并對所述實驗數(shù)據(jù)集進(jìn)行預(yù)處理，將所述實驗數(shù)據(jù)集按照標(biāo)準(zhǔn)數(shù)據(jù)集的比例劃分為訓(xùn)練集和測試集；

步驟S2、對所述實驗數(shù)據(jù)集和標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行小波變換，生成實驗數(shù)據(jù)集和標(biāo)準(zhǔn)數(shù)據(jù)集的時頻圖；

步驟S3、根據(jù)對腦電圖數(shù)據(jù)的擴(kuò)增要求，設(shè)計用于腦電圖數(shù)據(jù)擴(kuò)增的生成對抗網(wǎng)絡(luò)模型，并設(shè)計相應(yīng)的損失函數(shù)；

步驟S4、根據(jù)腦電圖數(shù)據(jù)的特點設(shè)計生成對抗網(wǎng)絡(luò)模型的生成器和判別器；

步驟S5、利用設(shè)計好的生成對抗網(wǎng)絡(luò)模型，對實驗數(shù)據(jù)集和標(biāo)準(zhǔn)數(shù)據(jù)集的特征進(jìn)行融合，生成新數(shù)據(jù)集；

步驟S6、利用標(biāo)準(zhǔn)數(shù)據(jù)集、實驗數(shù)據(jù)集以及生成對抗網(wǎng)絡(luò)模型生成的新數(shù)據(jù)集完成對用于運動想象分類的經(jīng)典深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練；

步驟S7、利用訓(xùn)練后的經(jīng)典深度神經(jīng)網(wǎng)絡(luò)模型完成運動想象的分類，分析新數(shù)據(jù)集是否提高了基于腦電圖的運動想象分類模型的準(zhǔn)確率；若準(zhǔn)確率未達(dá)到數(shù)據(jù)應(yīng)用要求，則返回步驟S3，繼續(xù)完善模型設(shè)計直至達(dá)到數(shù)據(jù)應(yīng)用要求。

2.根據(jù)權(quán)利要求1所述的腦電圖數(shù)據(jù)擴(kuò)增方法，其特征在于，所述步驟S3中，所述生成對抗網(wǎng)絡(luò)模型采用cycleGAN模型；所述損失函數(shù)包含三種損失：GAN損失L_GAN，cycle損失L_cyc和identify損失L_id，通過以下公式描述：

L_total(G,F,D_X,D_Y)＝-L_GAN(G,F,D_X,D_Y)+λ_cycL_cycle(G,F)+λ_idL_identify(G,F)；

其中，GAN損失L_GAN的公式如下：

cycle損失L_cyc的公式如下：

identify損失L_id的公式如下：

3.根據(jù)權(quán)利要求2所述的腦電圖數(shù)據(jù)擴(kuò)增方法，其特征在于，所述步驟S4中，所述生成器包括兩個生成器，其整體采用殘差結(jié)構(gòu)，提取特征部分采用解編碼器設(shè)計，并通過不同系數(shù)的擴(kuò)張卷積來提取更多的特征。

4.根據(jù)權(quán)利要求3所述的腦電圖數(shù)據(jù)擴(kuò)增方法，其特征在于，擴(kuò)張系數(shù)等于1的模塊在所述解編碼器的擴(kuò)張系數(shù)改變時隨之改變，擴(kuò)張系數(shù)等于0的模塊在所述解編碼器的擴(kuò)張系數(shù)改變時不隨之改變。

5.根據(jù)權(quán)利要求1或3所述的腦電圖數(shù)據(jù)擴(kuò)增方法，其特征在于，所述步驟S4中，所述判別器結(jié)構(gòu)包括二維卷積核、跨頻率通道的一維卷積核和跨時間的一維卷積核。

6.一種基于生成對抗網(wǎng)絡(luò)模型的腦電圖數(shù)據(jù)擴(kuò)增系統(tǒng)，其特征在于，用于實現(xiàn)如權(quán)利要求1至5任一項所述的腦電圖數(shù)據(jù)擴(kuò)增方法，包括：

獲取模塊，用于獲取腦電圖的實驗數(shù)據(jù)集；

數(shù)據(jù)擴(kuò)增模塊，用于利用設(shè)計好的生成對抗網(wǎng)絡(luò)模型對實驗數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)增，得到新數(shù)據(jù)集；

訓(xùn)練模塊，用于通過深度神經(jīng)網(wǎng)絡(luò)模型對所述新數(shù)據(jù)集進(jìn)行訓(xùn)練；

應(yīng)用模塊，利用訓(xùn)練后的深度神經(jīng)網(wǎng)絡(luò)模型完成運動想象的分類，分析所述新數(shù)據(jù)集是否提高了基于腦電圖的運動想象分類模型的準(zhǔn)確率。

7.一種計算機(jī)設(shè)備，包括存儲器和處理器，所述處理器和所述存儲器相互通信，所述存儲器存儲有可被所述處理器執(zhí)行的程序指令，其特征在于，所述處理器調(diào)用所述程序指令執(zhí)行如權(quán)利要求1至5任一項所述的腦電圖數(shù)據(jù)擴(kuò)增方法。

8.一種計算機(jī)可讀存儲介質(zhì)，其特征在于，其存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至5任一項所述的腦電圖數(shù)據(jù)擴(kuò)增方法。