一种基于深度卷积神经网络的特征分级脑电波识别分析方法与流程

本发明涉及人工智能领域，尤其涉及一种基于深度卷积神经网络的特征分级脑波识别分析领域。

背景技术：

随着科技水平的提高和人工智能的快速发展，现阶段我们已经能够通过智能手机对家中的各项智能的、非智能的设备进行远程控制。更进一步，我们要通过脑电波对智能家居以及医疗设备实现控制。大脑是人类最神秘的部位。即便是现代医学发展至今，即便是已经拥有超级计算机，人类对大脑的认识依然相当肤浅，对大脑与神经的具体工作机制尚未查明。但从古至今，人类都有着意念控制的梦想，期望脑子一想就可以控制身边的物体和场景。举个简单例子，早上醒来带上头环想一下，兼容连接的咖啡机就开始自动煮咖啡，吐司机也自动烤好面包。为此，为了提升脑波识别的准确性和高效性，设计一种基于深度卷积神经网络的特征分级脑波识别分析方法是非常必要的。

技术实现要素：

本发明设计开发了一种基于深度卷积神经网络的特征分级脑波识别分析方法，通过采样点幅值对应的影响权重分类特征标签，根据分类类别分别通过卷积神经网络模型进行训练，进而形成特征库，能够正确识别测试人的脑波，有效的提升了脑波识别的准确性。

本发明提供的技术方案为：

一种基于深度卷积神经网络的特征分级脑电波识别分析方法，包括：

步骤一、采集测试者的原始脑波信号；

步骤二、检测脑波信号的波峰点，并以其为基准点向前后各截取一定数量采样点作为一个采样块，并将整个脑波信号分隔成多个采样块；

步骤三、对所述采样块幅值进行预处理，并采用独立成分分析方法进行去噪处理；

步骤四、计算采样块中每个采样点幅值对应的影响权重，计算采样块的特征贡献值，根据所述特征贡献值对脑波信号进行模式分类；

步骤五、对于经过模式分类后的脑波信号，建立深度卷积神经网络模型，对训练样本中的特征参数进行分类训练；

步骤六、利用模板匹配法对于测试样本进行识别，得到识别分析结果。

优选的是，所述步骤二的采样块幅值预处理过程采用下式实现：

其中，z为脑波信号预处理后的脑波矩阵，x是观测向量，x＝(x1,x2,…xn)，x1,x2,…xn为由n个独立信号源线性混合组成的n维随机脑电波检测信号，d、e分别是x协方差矩阵的特征值和特征向量。

优选的是，所述步骤二的独立成分分析方法包括：

步骤a、选择独立成分的个数；确定目标函数f(w)＝e[g(w^tz)]+c(||w||²-1)；

步骤b、以单位方差向量初始化w，随机选取初始向量w(0)，其中||w(0)||＝1为初始值；

步骤c、求解w，wn+1＝e{zg[w^t(n)z]}-e{g′[w^t(n)z]}w；

步骤d、归一化，wn+1←wn+1/||wn+1||；

步骤e、若|wn+1-wn|≥ε，判定尚未收敛，则返回步骤d，直到|wn+1-wn|＜ε；

其中，wp代表分离系统矩阵w的一行，g为非二次函数，其形式的选取与源信号的种类有关，c为常数，z为脑波信号预处理后的脑波矩阵。

优选的是，所述截取采样点的数量的计算公式为：

ηn＝[fn(i-ith)+fncith]·tn/ith

其中，fn为采样频率，i为波峰点峰值，ith为平均峰值，tn为采样时间，c为常数。

优选的是，所述每个采样点幅值对应的影响权重计算公式为：

其中，qi为采样点幅值对应的影响权重，ii为采样点对应波形幅值，c为常数，ith为平均峰值，ω0为权重系数，k1为配比系数，ηn为截取采样点的数量，k0为平均系数。

优选的是，所述采样块的特征贡献值计算公式为：

其中，qs为采样块的特征贡献值，qi为采样点幅值对应的影响权重，a为多项式系数。

优选的是，所述步骤五包括：

建立卷积神经网络模型，包括分为输入层、卷积层、池化层和输出层；

其中，输入层为分类后的采样块内采样点幅值矩阵；输出为脑波信号模式的分类标签；所述神经网络模型训练过程包括：

给定训练集n＝{(xi,ti)|xi∈z,ti∈z,i＝1,2,3…n}，激励函数隐层节点数为l个，随机设定输入层和隐层连接权值或者中心ai隐层神经元偏差或者影响因子bi，i＝1,2,3…n的值，使得：

hβ＝t

计算隐层输出矩阵h；

其中,

计算为输出权值矩阵β，

其中，t为目标矩阵：

优选的是，还包括对神经网络训练阶段进行优化，采用如下公式，

本发明所述的有益效果

本发明的目的旨在提出一种基于深度卷积神经网络的特征分级脑波识别分析方法，包括采集脑波信号，脑波信号预处理，特征提取，模式识别和学习并建立特征库，通过采样点幅值对应的影响权重分类特征标签，根据分类类别分别通过卷积神经网络模型进行训练，进而形成特征库，能够正确识别测试人的脑波，有效的提升了脑波识别的准确性和效率。

附图说明

图1为本发明所述的基于深度卷积神经网络的特征分级脑电波识别分析方法的流程图。

图2为本发明所述的独立成分分析方法的流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1-2所示，本发明提供的基于深度卷积神经网络的特征分级脑电波识别分析方法，包括：

步骤s110、采集测试者的原始脑波信号；

步骤s120、检测脑波信号的波峰点，并以其为基准点向前后各截取一定数量采样点作为一个采样块，并将整个脑波信号分隔成多个采样块；

截取采样点的数量的计算公式为：

ηn＝[fn(i-ith)+fncith]·tn/ith

其中，fn为采样频率，i为波峰点峰值，ith为平均峰值，tn为整个脑波信号的采样时间，c为常数，其数值为0.895。

步骤s130、对所述采样块幅值进行预处理:

采样块幅值预处理过程采用下式实现：

其中，z为脑波信号预处理后的脑波矩阵，x是观测向量，x＝(x1,x2,…xn)，x1,x2,…xn为由n个独立信号源线性混合组成的n维随机脑电波检测信号，d、e分别是x协方差矩阵的特征值和特征向量。

并采用独立成分分析方法进行去噪处理；

独立成分分析方法包括：

步骤s131、选择独立成分的个数；作为一种优选独立成分个数选取为10-15，确定目标函数f(w)＝e[g(w^tz)]+c(||w||²-1)；

步骤s132、以单位方差向量初始化w，随机选取初始向量w(0)，其中||w(0)||＝1为初始值；

步骤s133、求解w，wn+1＝e{zg[w^t(n)z]}-e{g′[w^t(n)z]}w；

步骤s134、归一化，wn+1←wn+1/||wn+1||；

步骤s135、若|wn+1-wn|≥ε，判定尚未收敛，则返回步骤s134，直到|wn+1-wn|＜ε；

其中，wp代表分离系统矩阵w的一行，g为非二次函数，其形式的选取与源信号的种类有关，c为常数，z为脑波信号预处理后的脑波矩阵

步骤s140、计算采样块中每个采样点幅值对应的影响权重，计算采样块的特征贡献值，根据所述特征贡献值对脑波信号进行模式分类；

计算每个采样点幅值对应的影响权重计算公式为：

其中，qi为采样点幅值对应的影响权重，ii为采样点对应波形幅值，c为常数，ith为平均峰值，ω0为权重系数，k1为配比系数，ηn为截取采样点的数量，k0为平均系数。

计算采样块的特征贡献值计算公式为：

其中，qs为采样块的特征贡献值，qi为采样点幅值对应的影响权重，a为多项式系数，根据采样块的特征贡献值对采样块进行分类，具体类别根据采样块的特征贡献值数值确定。

步骤s150、对于经过模式分类后的脑波信号，建立深度卷积神经网络模型，对训练样本中的特征参数进行分类训练；

建立卷积神经网络模型，包括分为输入层、卷积层、池化层和输出层；

其中，输入层为分类后的采样块内采样点幅值矩阵；输出为脑波信号模式的分类标签；所述神经网络模型训练过程包括：

给定训练集n＝{(xi,ti)|xi∈z,ti∈z,i＝1,2,3…n}，激励函数隐层节点数为l个，随机设定输入层和隐层连接权值或者中心ai隐层神经元偏差或者影响因子bi，i＝1,2,3…n的值，使得：

hβ＝t

计算隐层输出矩阵h；

其中,

计算为输出权值矩阵β，

其中，t为目标矩阵：

优选的是，还包括对神经网络训练阶段进行优化，采用如下公式，

elm用于多类别分类时，具有多个输出神经元。如elm用于m类分类时，具有m个输出神经元。p为l×m维矩阵，t和y都为n×m维矩阵，仍然采用上述算法。

步骤s160、利用模板匹配法对于测试样本进行识别，得到识别分析结果。

当获取某一个控制动作的脑电波信号时，需要多次对该想象信号的脑电波进行采集、分析、提取，将所获的波形进行比对，若数次想象控制输出相同波形，则将该波形命名并输入到特征库中。

本发明的目的旨在提出一种基于深度卷积神经网络的特征分级脑波识别分析方法，包括采集脑波信号，脑波信号预处理，特征提取，模式识别和学习并建立特征库，通过采样点幅值对应的影响权重分类特征标签，根据分类类别分别通过卷积神经网络模型进行训练，进而形成特征库，能够正确识别测试人的脑波，有效的提升了脑波识别的准确性和效率。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。