一种自适应不同采样频率的脑电分类方法与流程

本发明涉及信号分类方法，尤其是涉及自适应不同采样频率的脑电分类方法。

背景技术

癫痫以脑神经元异常放电引起反复痫性发作为特征，其反复发作往往给患者带身体和心理上的伤害。全世界现在大约有5000万癫痫患者，癫痫已经成为全球范围内危害人类健康的最常见的神经系统疾病之一^[1]。脑电波是大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的，它能够记录大脑活动时的电波变化，反映脑神经细胞大脑皮层或头皮表面的电生理活动^[2]。脑电波分析已经成为对癫痫疾病研究行之有效的重要手段。

20世纪80年代起到现在，学者们都在持续不断的基于脑电波开展针对癫痫疾病的研究工作，其中通过分析脑电波数据识别癫痫疾病是其中一项重要的研究内容^[3]。同时随着计算机科学技术的发展，大量的研究集中在利用计算机分类模型对从脑电信号中提取的特征进行分类研究^[4,5]。这样的研究通常都是遵循如下的思路:对脑电波数据获取和预处理，特征提取，分类模型训练，最后对数据进行预测。对脑电数据进行特征提取是其中一个很重要的步骤。针对eeg特征提取的方法很多，包括时域，频域，时频域和非线性动力学特征等^[6-8]。除此之外，在一些研究中，学者们通过对上述这些方法进行组合或重新设计得到新特征。基于以上这些特征提取方法都可以取得了良好的分类效果^[9-11]。

然而随着科学技术的发展，医用的脑电捕获设备精度不断提高，同时一些便携式的脑电捕获设备也陆续出现。比如emotive由于其轻便、便宜且性能接近于医疗设备，已经被市场接受并广泛的应用于脑机接口中^[12-14]。这些便携式的脑电采集设备的发展对癫痫疾病的识别和预测是非常有利的。然而各式各样的医学设备或是便携式的脑电采集设备在不断丰富我们可用于癫痫疾病研究的脑电数据的同时，也会造成数据的规格不统一，如采样频率不同、信号长度不同、采样通道不同等等。这种数据规格的不统一对传统的特征提取方法得到的特征往往会产生影响。如何提高它们适应新数据的能力需要进一步的研究，也就是说在保证方法能够较好对脑电数据进行检测识别的同时也要提高方法的普适性。

当前，深度学习技术是机器学习领域的一个热点研究方向，由于其能够从数据中自主的学习特征，直接跳过传统方法中的人工设计特征及提取过程，避开了传统方法中手工设计特征困难，手工调整大量参数等问题，能够完成许多传统方法难以完成的任务。已经有一些学者通过深度网络对脑电进行研究，tabar和halici^[16]将脑电波通过短时傅利页变换使一维的脑电转换成二维图像数据，然后接入深度网络进行分类，bashivanetal.^[17]通过能量谱将脑电波抽取的频转换成二维图像，然后将图像放入深度网络进行分类。hosseinietal.^[18]提出一个基于云平台，利用深度学习方法对癫痫进行防控的解决方案。xunetal.和mascietal.^[19]都提出一种基于深度网络的癫痫脑电信号的编码方法。然而这些研究多聚焦于规整的数据，如样本数据的频率一致，样本数据长度一致等。在特征设计方面也基于预先将一维脑电数据转换成二维图像数据后，再利用深度网络进行学习分类。在实际应用中，往往可能面对更加复杂的数据，手工特征往往设计困难，数据处理繁琐且结果难以控制。

参考文献：

[1]who,worldhealthorganization,epilepsy,2017,url:http://www.who.int/mediacentre/factsheets/fs999/en/.

[2]sheehyn.electroencephalography:basicprinciples,clinicalapplicationsandrelatedfields.[m].williams&williams,1982.

[3]gotmanj.automaticrecognitionofepilepticseizuresintheeeg☆[j].electroencephalography&clinicalneurophysiology,1982,54(5):530-540.

[4]boubchirl,daachib,pangraciousv.areviewoffeatureextractionforeegepilepticseizuredetectionandclassification[j].clinicalnursingresearch,2013:1-9.

[5]jenker,peera,bussm.featureextractionandselectionforemotionrecognitionfromeeg[j].ieeetransactionsonaffectivecomputing,2017,5(3):327-339.

[6]zandias,javidanm,dumontga,&tafreshir.automatedreal-timeepilepticseizuredetectioninscalpeegrecordingsusinganalgorithmbasedonwaveletpackettransform[j].ieeetransactionsonbio-medicalengineering,2010,57(7):1639-51.

[7]polatk,s.classificationofepileptiformeegusingahybridsystembasedondecisiontreeclassifierandfastfouriertransform[j].appliedmathematics&computation,2007,187(2):1017-1026.

[8]acharyaur,fujitah,sudarshanvk,bhat,s,&koh,jew.applicationofentropiesforautomateddiagnosisofepilepsyusingeegsignals:areview[j].knowledge-basedsystems,2015,88:85-96.

[9]went,zhangz.effectiveandextensiblefeatureextractionmethodusinggeneticalgorithm-basedfrequency-domainfeaturesearchforepilepticeegmulticlassification[j].medicine,2017,96(19):e6879.

[10]went,zhangz,qium,etal.atwo-dimensionalmatriximagebasedfeatureextractionmethodforclassificationofsemg:acomparativeanalysisbasedonsvm,knnandrbf-nn.[j].journalofx-rayscienceandtechnology,2017,25(2):287.

[11]sharmar,pachorirb.classificationofepilepticseizuresineegsignalsbasedonphasespacerepresentationofintrinsicmodefunctions[j].expertsystemswithapplications,2015,42(3):1106-1117.

[12]stytsenkok,jablonskise,prahmc.evaluationofconsumereegdeviceemotivepoc[j].stytsenko,2011.

[13]khahh,khava,hungdq.brainwave-controlledapplicationswiththeemotivepocusingsupportvectormachine[c]//internationalconferenceoninformationtechnology,computer,andelectricalengineering.ieee,2017:106-111.

[14]duvinagem,castermanst,dutoitt,etal.“ap300-basedquantitativecomparisonbetweentheemotivepocheadsetandamedicaleegdevice,”[c]//iastedbiomedicalengineering.2012.

[15]vargasr,mosavia,ruizl.deeplearning:areview[m]//advancesinintelligentsystemsandcomputing.2017.

[16]tabaryr,haliciu.anoveldeeplearningapproachforclassificationofeegmotorimagerysignals[j].journalofneuralengineering,2016,14(1):016003.

[17]bashivanp,rishi,yeasinm,etal.learningrepresentationsfromeegwithdeeprecurrent-convolutionalneuralnetworks[j].computerscience,2015.

[18]hosseinimp,soltanian-zadehh,elisevichk,etal.cloud-baseddeeplearningofbigeegdataforepilepticseizureprediction[c]//signalandinformationprocessing.ieee,2017.

[19]xung,jiax,zhanga.detectingepilepticseizureswithelectroencephalogramviaacontext-learningmodel[j].bmcmedicalinformaticsanddecisionmaking,2016,16(2):70.

技术实现要素：

本发明的目的在于提供有利于自适应不同采样频率的脑电信号，进行分类，基于深度卷积网络构建一个分类模型自主进行脑电波的特征学习且能够自适应于不同采样频率及不同长度脑电数据的一种自适应不同采样频率的脑电分类方法。

本发明包括网络模型和训练方式能够良好地识别不同形式的癫痫脑电数据。

本发明包括以下步骤：

1)基于卷积神经网络构建cnn-e分类模型；

在步骤1)中，所述卷积神经网络是一种通过后验概率提高模式的分类能力的前馈神经网络，卷积神经网络主要包含卷积层、池化层、全连接层和softmax层，其中卷积层通过不同的卷积核对输入信号数据进行卷积计算得到特征图，所述卷积核的数量等于特征图的数量；所述池化层是对上一层卷积操作得到的特征图进行下采样的过程；网络往往通过不断迭代卷积层及池化层增加网络深度，而全连接层则是将上层中得到的特征图全连接到一个普通神经网络的隐层上，最后通过softmax层输出分类结果；所述卷积神经网络采用三次迭代卷积层及池化层，一个全连接层及softmax层的多层网络，由于cnn-e分类模型是对脑电信号数据进行分类，简称为cnn-e。

所述cnn-e分类模型对单通道的一维脑电信号数据进行分类，令输入样本数据为x，卷积层相当于特征提取器，它利用多个卷积核对x进行卷积计算，得到多个能够保持输入信号的主要成分的特征图，卷积计算公式如下：

其中，表示第k层的特征图，为上一层的特征图，表示上一层第m个特征图到当前层第n个特征图的卷积核，为神经元偏置，gk(x)为激活函数。当k＝1时，即第一次对样本数据进行卷积操作，且m＝1，因为上一层只一个特征图就是x，而n则为卷积核的数量；由于输入数据x为一维，那么经卷积操作输出的特征图也为一维，而池化层为下采样操作。所述cnn-e分类模型中池化操作将长度为l的分成不重叠的等长的j个区域，每个区域有l/j个元素，从每个区域提取出最大值，从而使特征图的尺寸缩小达成下采样；这样选取每个区域中最强的特征，增强模型整体特征的区分能力，而经过池化操作后的由原长度l变为j，这里令最大池化操作为其中i＝l/j即为特征图缩小比例，则池化操作如下：

全连接层中的每个神经元与上一层中所有的神经元全部连接。操作中，将上一层的所有的神经元输出，输出通过reshape操作映射成一个维数组v，且v输入全连接层，那么全连接层可表示为：

c＝gc(v·wc+bc)(3)

其中，wc与bc分别为全连接层的权重和偏置，而c为全连接层的输出。而最后经由softmax输出最终结果，操作如下：

y＝softmax(c)(4)

从而得到分类结果y；

假定有n个训练样本，x⁽ⁱ⁾表示一个样本，样本x⁽ⁱ⁾经过式(1)～(4)计算得到y⁽ⁱ⁾，那么采用交叉熵作为模型的损失函数，公式如下：

loss(x)＝-∑il⁽ⁱ⁾log(y⁽ⁱ⁾)(5)

该网络模型损失函数采用sgd优化器进行优化。

2)针对不同长度样本数据的训练及测试方法。

在步骤2)中，所述针对不同长度样本数据的训练及测试方法可为：对短于cnn-e模型指定输入长度的样本进行长度补充，从样本头部开始截取一定长度的数据补充至尾部使样本数据长度达指定长度。

与现有技术相比，本发明具有以下突出优点：

在实际中，脑电信号类型是多样的。当前的针对脑电信号分类研究多注重于分类准确率，方法普适性却很少被讨论。面对这样一个新问题，本发明基于卷积神经网络构建了cnn-e分类模型。该模型能够应用于对不同采样频率的脑电信号进行学习和分类，又能自适应于不同长度的信号。该模型与传统基于特征提取的分类方法在不同采样频率的脑电信号分类中可能存的问题进行了分析。实验结果表明，传统方法极大依赖于特征提取方法的设计，存在特征设计与选择困难，同时在面对不同采样频率的脑电信号数据时，提取的特征发生了变化导致分类准确率波动性较大。同时在处理数据长度较短的样本时，许多特征提取方法存在约束问题。网络模型cnn-e能够通过自主学习样本数据的特征，同时简单而有效的补全法使模型能够适应于各种长度的数据。实验结果表明，网络模型cnn-e不管是在同采样频率下的脑电信号数据分类，还是不同采样频率下的脑电信号数据分类及不同样本长度的脑电信号数据分类，都表现很好的分类效果并具有较好的普适性。

附图说明

图1为cnn-e分类模型的基本结构。

图2为样本补充图。在图2中，a为原样本情况，b为样本补全后情况。

具体实施方式

以下实施例将结合附图对本发明作进一步的说明

本发明实施例包括以下步骤：

1)卷积神经网络是一种通过后验概率提高模式的分类能力的前馈神经网络。网络中主要包含卷积层，池化层，全连接层及softmax层，其中卷积层通过不同的卷积核对输入信号数据进行卷积计算得到特征图(卷积核的数量等于特征图的数量)。池化层是对上一层卷积操作得到的特征图进行下采样的过程。网络往往通过不断迭代卷积层及池化层增加网络深度，而全连接层则是将上层中得到的特征图全连接到一个普通神经网络的隐层上，最后通过softmax层输出分类结果。采用三次迭代卷积层及池化层，一个全连接层及softmax层的多层网络，由于该模型方法是对脑电信号数据进行分类，这里简称为cnn-e。

该模型对单通道的一维脑电信号数据进行分类，令输入样本数据为x，卷积层相当于特征提取器，它利用多个卷积核对x进行卷积计算，得到多个能够保持输入信号的主要成分的特征图，卷积计算公式如下：

其中，表示第k层的特征图，为上一层的特征图，表示上一层第m个特征图到当前层第n个特征图的卷积核，为神经元偏置，gk(x)为激活函数。当k＝1时，即第一次对样本数据进行卷积操作，且m＝1，因为上一层只一个特征图就是x，而n则为卷积核的数量。由于输入数据x为一维，那么经卷积操作输出的特征图也为一维，而池化层为下采样操作。模型中池化操作将长度为l的分成不重叠的等长的j个区域，每个区域有l/j个元素，从每个区域提取出最大值，从而使特征图的尺寸缩小达成下采样。这样选取每个区域中最强的特征，增强模型整体特征的区分能力。而经过池化操作后的由原长度l变为j，这里令最大池化操作为其中i＝l/j即为特征图缩小比例，则池化操作如下：

全连接层中的每个神经元与上一层中所有的神经元全部连接。操作中，将上一层的所有的神经元输出，输出通过reshape操作映射成一个维数组v，且v输入全连接层，那么全连接层可表示为：

c＝gc(v·wc+bc)(3)

其中，wc与bc分别为全连接层的权重和偏置，而c为全连接层的输出。而最后经由softmax输出最终结果，操作如下：

y＝softmax(c)(4)

从而得到分类结果y。

假定有n个训练样本，x⁽ⁱ⁾表示一个样本，样本x⁽ⁱ⁾经过式(1)～(4)计算得到y⁽ⁱ⁾，那么采用交叉熵作为模型的损失函数，公式如下：

loss(x)＝-∑il⁽ⁱ⁾log(y⁽ⁱ⁾)(5)

该网络模型损失函数采用sgd优化器进行优化。

图1为cnn-e模型框架图，因为一条样本信号是用一个数组存储，那么图中每个由多个小正方形构成的条形柱表示为一条样本信号，小正方形表示信号中的元素。模型输入样本信号的长度为4096，第一次卷积核为16个，第二次卷积核为32个，第三次为64个，每次下采样后信号长度变为原来长度的一半，全连接层中的神经元个数为64个。第一次卷积中激活函数采用sigmoid函数，而其它的激活函数都采用relu函数。

2)针对不同长度样本数据的训练及测试方法即使对短于cnn-e模型指定输入长度的样本进行长度补充。从样本头部开始截取一定长度的数据补充至尾部使样本数据长度达指定长度。如图2中b列的操作，将左边矩形中的数据复制补充至右边矩形中。这样可实现模型自适应到不同长度数据的识别处理。