基于机器学习的脑电信号识别方法与流程

本发明涉及脑电信号识别技术领域，尤其涉及一种基于机器学习的脑电信号识别方法。

背景技术：

研究表明脑电信号的节律性在介观和宏观尺度上都有明显的表现。不同节律的脑电在脑功能中被认为具有不同的作用。越来越多的研究表明，由于大脑的极端复杂性和内部系统间的相互作用，即使是在最简单的脑功能作用时，不同节律也存在复杂的变化。每一种脑电波都有其相对应的不同的大脑意识状态，也就是说在不同意识状态下需要不同的脑电波，才能最好地完成大脑的工作。如果大脑在某个具体情况下不能出现相应的脑波，人们就有麻烦了，例如，如果在想睡眠时大脑不出现δ波和θ波，就会产生失眠症。

经研究发现不同智商人群、不同心理压力人群以及不同脑疾病患者在脑电信号α、β、θ、δ波节律和功率谱等参数中存在着不同的特征。通过提取这些特征参数，并将脑电信号根据不同成分进行识别、分类、相似度估计等，有助于解决各种相关问题。

公开号为cn110558977a的专利提供了一种基于机器学习模糊特征选择的癫痫发作脑电信号分类方法。该方法虽然通过svm可以获得较高的癫痫脑电信号分类准确率，但是其在分类目标上具有局限性，对解决其他脑电信号的识别检测问题工作不足。因此该方法不能够广泛的解决脑电信号识别检测问题。机器学习统属于人工智能领域，包含有监督学习、无监督学习以及半监督学习三种。近年来，深度学习逐渐成为机器学习研究中的一个新的领域，深度学习从基本结构看等同于深度神经网络。深度神经网络通过多层次特征学习方法，网络层数越多，越能够实现复杂函数的逼近，进而使其可以表达浅层神经网络所不具有的特征表达能力。

综上所述，基于目前脑电信号成分及其相关联事件和人群数量较大的现状，利用深度学习的方法提取样本的脑电信号特征有助于对脑电信号进行广义化的识别检测。然而上述脑电信号的识别方案存在局限性，容易影响识别结果的准确性。

技术实现要素：

针对以上问题，本发明提出一种基于机器学习的脑电信号识别方法。

为实现本发明的目的，提供一种基于机器学习的脑电信号识别方法，包括如下步骤：

s10，构建包括多个脑电信号的样本数据，在对所述样本数据进行去噪和规范化处理后，提取出样本数据中各个脑电信号的α波节律，将α波节律整合入脑电信号深度学习框架进行训练，得到初始模型；

s20，采用初始模型对目标脑电信号的节律进行判别，若判别结果与目标脑电信号的参考节律一致，则将目标脑电信号的α波节律输入所述初始模型进行再训练，得到脑电信号深度学习模型；

s30，采用特征向量法功率谱估计提取样本数据中各个脑电信号的特征参数，将特征参数构成的数据集划分为第一基准区间、第二基准区间、第三基准区间和第四基准区间；

s40，获取待测脑电信号，提取待测脑电信号的特征参数，得到待测参数，识别所述待测参数所处的基准区间。

在一个实施例中，构建包括多个脑电信号的样本数据之后，还包括：

使用截止频率为0.5hz和40hz的滤波器对样本数据的各个脑电信号进行去噪处理；

依次在单个电极对应的所有采样点上使用z-score标准化对去噪处理后的样本数据做数据规范化处理，将每个电极对应的采样点转化成均值为0，标准差为1的数据分布，以实现对样本数据的规范化处理。

在一个实施例中，提取出样本数据中各个脑电信号的α波节律包括：

构造频率为8.5hz、9.5hz、10.5hz、11.5hz、12.5hz的正弦信号和频率为8.5hz、9.5hz、10.5hz、11.5hz、12.5hz的余弦信号各一组,将这两组信号作为α波的参考信号，将这两组信号与样本数据构成独立分量分析法的输入端，用fastica算法对输入端的输入信号进行分离,以将样本数据中各个脑电信号的α波分离掉,得到不含α波的脑电信号d，依据样本数据中各个脑电信号与相应的脑电信号d之差确定各个脑电信号的α波节律。

在一个实施例中，将α波节律整合入脑电信号深度学习框架进行训练，得到初始模型包括：

将α波节律整合入脑电信号深度学习框架，在脑电信号深度学习框架将α波节律转化为相应的图片，得到α波节律图片，使脑电信号α波节律图片数据被计算机识别为按像素排列的数组，通过添加权重系数在脑电信号深度学习框架的卷积层对数据图片每一个可能位置对特征进行过滤，得到过滤后的数组，经过激活函数添加非线性因素，采用非线性因素把卷积层输出结果作非线性映射，对非线性映射后的矩阵在池化层进行池化处理，得到池化矩阵，通过全连接层对得到的池化矩阵进行加权求和，对得到的结果进行识别分类，在识别分类的精度达到设定精度时，根据脑电信号深度学习框架的运行参数确定初始模型。

在一个实施例中，采用特征向量法功率谱估计提取样本数据中各个脑电信号的特征参数包括：

采用music谱估计法对各个脑电信号进行谱估计计算，得到功率谱幅度的最大值、最小值、平均值和标准偏差作为各个脑电信号的特征参数。

在一个实施例中，样本数据的各个脑电信号的长度均为10分钟。

上述基于机器学习的脑电信号识别方法，通过构建包括多个脑电信号的样本数据，在对所述样本数据进行去噪和规范化处理后，提取出样本数据中各个脑电信号的α波节律，将α波节律整合入脑电信号深度学习框架进行训练，得到初始模型，采用初始模型对目标脑电信号的节律进行判别，若判别结果与目标脑电信号的参考节律一致，则将目标脑电信号的α波节律输入所述初始模型进行再训练，得到脑电信号深度学习模型，采用特征向量法功率谱估计提取样本数据中各个脑电信号的特征参数，将特征参数构成的数据集划分为第一基准区间、第二基准区间、第三基准区间和第四基准区间。获取待测脑电信号，提取待测脑电信号的特征参数，得到待测参数，识别待测参数所处的基准区间，以依据待测参数所处的基准区间对相应待测脑电信号所表征的用户状态进行检测，所识别的待测参数所处的基准区间具有较高的准确性，进而提高了所检测的用户状态的准确性。

附图说明

图1是一个实施例的基于机器学习的脑电信号识别方法流程示意图；

图2是一个实施例的深度学习神经网络传播示意图；

图3是另一个实施例的基于机器学习的脑电信号识别方法流程示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

参考图1所示，图1为一个实施例的基于机器学习的脑电信号识别方法流程示意图，包括如下步骤：

s10，构建包括多个脑电信号的样本数据，在对所述样本数据进行去噪和规范化处理后，提取出样本数据中各个脑电信号的α波节律，将α波节律整合入脑电信号深度学习框架进行训练，得到初始模型。

在一个实施例中，样本数据的各个脑电信号的长度均为10分钟。

具体地，样本数据可以包括100个脑电信号，各个脑电信号的长度为10分钟。样本数据中各个脑电信号具有相同或相似的特征。对样本数据中各个脑电信号进行去噪和规范化处理，可以选取中间300秒数据使用独立分量分析法提取出α波节律，将得到的节律整合入脑电信号深度学习框架进行训练，得到脑电信号深度学习模型(初始模型)。

s20，采用初始模型对目标脑电信号的节律进行判别，若判别结果与目标脑电信号的参考节律一致，则将目标脑电信号的α波节律输入所述初始模型进行再训练，得到脑电信号深度学习模型。

上述目标脑电信号为已知节律(已知节律为相应参考节律)的脑电信号。目标脑电信号与样本数据中的脑电信号具有相同或相似的特征。

上述步骤基于建立的脑电信号深度学习模型(初始模型)对识别目标(目标脑电信号)的10分钟脑电信号节律进行判别。若判别结果为与样本脑电信号一致，则将识别目标的α波节律送到脑电信号深度学习框架进行再训练，以进一步完善模型，提高模型的正确率。若结果为与样本信号不同，则舍弃不用。

s30，采用特征向量法功率谱估计提取样本数据中各个脑电信号的特征参数，将特征参数构成的数据集划分为第一基准区间、第二基准区间、第三基准区间和第四基准区间。

上述步骤使用特征向量法功率谱估计提取样本数据中脑电信号特征参数，确定特征参数范围作为目标脑电信号进一步分类的依据。将特征参数构成的数据集划分为四个基准区间：第一基准区间、第二基准区间、第三基准区间和第四基准区间。可利用四个基准区间对相关目标脑电信号(如待测脑电信号)特征参数进行判别，得到判别结果。

具体地，在特征参数向量所处的空间中，第一基准区间处于中心位置。向外依次为第二基准区间、第三基准区间、第四基准区间。其中前一个基准区间的外侧为下个基准区间的内侧。

s40，获取待测脑电信号，提取待测脑电信号的特征参数，得到待测参数，识别所述待测参数所处的基准区间。

上述待测脑电信号与样本数据中各个脑电信号具有相同或相似的特征。待测脑电信号可以通过用户佩戴的相关采集装置进行获取。

识别所述待测参数所处的基准区间包括：

将待测参数与第一基准区间、第二基准区间、第三基准区间和第四基准区间进行对比，将与待测参数相似度最高的基准区间确定为待测参数所处的基准区间。

可选地，上述待测脑电信号可以与目标脑电信号为同样的脑电信号。此时上述步骤对s20中与结果样本一致的识别目标进行更多时长的脑电信号采集，将采集到的数据传送到计算机中。对其按10分钟时长分段，每段采用特征向量法功率谱估计提取脑电信号特征参数。使用支持向量机根据提取到的特征参数与第一基准区间、第二基准区间、第三基准区间和第四基准区间进行对比，根据特征参数所处区间判断识别目标与样本相似程度。

在一个实施例中，第一基准区间、第二基准区间、第三基准区间和第四基准区间可以分别对待测脑电信号对应的用户的抑郁程度进行表征，比如第一基准区间表征情绪正常，第二基准区间表征轻度抑郁，第三基准区间表征中度抑郁，第四基准区间表征重度抑郁。此时可利用四个基准区间对患者(相应用户)的脑电信号特征参数所处范围进行判别，得到健康、轻度抑郁症、中度抑郁症和重度抑郁症四个判别结果。将四个基准存储于相应计算机中。

在实际应用过程中，确诊患者佩戴具有无线数据传输功能的脑电信号采集装置，将采集到的实时数据传送到计算机中。对其按10分钟时长分段，每段采用特征向量法功率谱估计提取脑电信号特征参数。使用支持向量机将提取到的特征参数与第一基准区间、第二基准区间、第三基准区间和第四基准区间进行对比，根据特征参数所处范围判断抑郁症的发病程度。若为轻度，则不发出预警。若为中度，则向其家属发出低级预警信号。若为重度，则向其家属和提前指定的医疗机构发出高级预警信号。

在一个示例中，将提取到的特征参数(待测脑电信号的特征参数)与第一基准区间、第二基准区间、第三基准区间和第四基准区间进行对比，根据待测参数所处区间判断识别相应目标与样本相似程度，具体为：将处于总数据集中部的区间划分为第一基准区间，第一基准区间中的样本数不超过30％；将处于数据集第一基准区间以外，样本数量达到剩余样本数量50％的区间划分为第二基准区间；剩余部分的80％划分为第三基准区间；最后的部分划分为第四基准区间。根据患者脑电信号特征参数的所在区间判别目标信号与样本信号的相似程度。若处于第三基准区间则输出结果为基本特征相似；若处于第二基准区间则输出结果为大部分特征相似；若处于第一基准区间则输出结果为几乎所有特征相似。

上述基于机器学习的脑电信号识别方法，通过构建包括多个脑电信号的样本数据，在对所述样本数据进行去噪和规范化处理后，提取出样本数据中各个脑电信号的α波节律，将α波节律整合入脑电信号深度学习框架进行训练，得到初始模型，采用初始模型对目标脑电信号的节律进行判别，若判别结果与目标脑电信号的参考节律一致，则将目标脑电信号的α波节律输入所述初始模型进行再训练，得到脑电信号深度学习模型，采用特征向量法功率谱估计提取样本数据中各个脑电信号的特征参数，将特征参数构成的数据集划分为第一基准区间、第二基准区间、第三基准区间和第四基准区间。获取待测脑电信号，提取待测脑电信号的特征参数，得到待测参数，识别待测参数所处的基准区间，以依据待测参数所处的基准区间对相应待测脑电信号所表征的用户状态进行检测，所识别的待测参数所处的基准区间具有较高的准确性，进而提高了所检测的用户状态的准确性。

在一个实施例中，构建包括多个脑电信号的样本数据之后，还包括：

使用截止频率为0.5hz和40hz的滤波器对样本数据的各个脑电信号进行去噪处理；

依次在单个电极对应的所有采样点上使用z-score标准化对去噪处理后的样本数据做数据规范化处理，将每个电极对应的采样点转化成均值为0，标准差为1的数据分布，以实现对样本数据的规范化处理。

在样本数据进行去噪和规范化处理具体可以包括:基于fastica方法，使用截止频率为0.5hz和40hz的滤波器对脑电信号进行去噪处理。基于matlabr2018a，依次在单个电极对应的所有采样点上使用z-score标准化做数据规范化处理，将每个电极对应的采样点转化成均值为0，标准差为1的数据分布。

在一个实施例中，提取出样本数据中各个脑电信号的α波节律包括：

构造频率为8.5hz(赫兹)、9.5hz、10.5hz、11.5hz、12.5hz的正弦信号和频率为8.5hz、9.5hz、10.5hz、11.5hz、12.5hz的余弦信号各一组,将这两组信号作为α波的参考信号，将这两组信号与样本数据构成独立分量分析法的输入端，用fastica算法对输入端的输入信号进行分离,以将样本数据中各个脑电信号的α波分离掉,得到不含α波的脑电信号d，依据样本数据中各个脑电信号与相应的脑电信号d之差确定各个脑电信号的α波节律。

本实施例构造频率为8.5hz、9.5hz、10.5hz、11.5hz、12.5hz的正弦信号和余弦信号各一组,一共两组10个信号作为α波的参考信号。将这10个信号与原始脑电信号构成独立分量分析法的输入端，然后用fastica算法对11个输入信号进行分离,以把原始脑电信号(样本数据中各个脑电信号)中的α波分离掉,得到不含α波的脑电信号d。d信号与原始静息态脑电信号之差得到α波分量，以保证所确定的α波节律的准确性。

在一个实施例中，将α波节律整合入脑电信号深度学习框架进行训练，得到初始模型包括：

将α波节律整合入脑电信号深度学习框架，在脑电信号深度学习框架将α波节律转化为相应的图片，得到α波节律图片，使脑电信号α波节律图片数据被计算机识别为按像素排列的数组，通过添加权重系数在脑电信号深度学习框架的卷积层对数据图片每一个可能位置对特征进行过滤，得到过滤后的数组，经过激活函数添加非线性因素，采用非线性因素把卷积层输出结果作非线性映射，对非线性映射后的矩阵在池化层进行池化处理，得到池化矩阵，通过全连接层对得到的池化矩阵进行加权求和，对得到的结果进行识别分类，在识别分类的精度达到设定精度时，根据脑电信号深度学习框架的运行参数确定初始模型。

具体地，本实施例将得到的α波节律整合入抑郁症脑电信号深度学习框架进行训练，深度学习框架采用apachemxnet，具体包括：

1)数据样本转化格式：将经独立分量分析法得到的100份α波节律数据转化为图片，每个图片大小为128*128，再使用线性插值法将每个样本数据扩大两倍。

2)选择模型：根据样本情况，选用单输入单输出的序贯模型。

3)构建网络层：包括输入层、输出层和隐藏层。每层都包括常用层、卷积层、池化层、全连接层和激活函数。其中第一、第二、第四和第六层为卷积层，第三、第五、第七、第八和第九层为池化层，第十和十一层为全连接层。

4)训练：脑电信号α波节律图片数据被计算机识别为按像素排列的数组，通过添加权重系数在卷积层对数据图片每一个可能位置对特征进行过滤，得到过滤后的数组。经过激活函数添加非线性因素，把卷积层输出结果作非线性映射。对非线性映射后的矩阵在池化层进行池化处理，得到池化矩阵。通过全连接层对得到的池化矩阵进行加权求和，对得到的结果进行识别分类。分类结果为：小于0的数据不输出，大于0的数据输出原值。

进一步地，构建网络层包括：

1)将处理后的脑电信号α波节律图片样本数据储存于计算机中；

2)正向传播：正向传播是指数据从x传入到神经网络，经过各个隐藏层得到最终损失的过程。第二层的输入值为第一层的输出值，正向传播的流程为先计算z^[1]，然后计算a^[1]，然后计算z^[2]，然后计算a^[2]，......a^[l]。

3)反向传播：反向传播主要是针对神经网络优化的过程中进行，在l端计算总的损失函数，然后根据梯度递减公式，逐层的向前反馈，形成反向传播机制。

首先计算最后一层，即第二隐层的参数和对应的数值：dz^[l]、dw^[l]、db^[l]，即神经网络中常用的链式求导法则，根据总的损失l，逐层的向前计算每一层的数值。

4)模型优化：使用adam算法，其一阶动量和二阶动量初试设为0，衰减率为0.99和0.999。使用l2正则化引入惩罚系数来惩罚模型中所有可训练参数，减小过拟合对模型的影响。

5)得到训练完成的脑电信号深度学习模型(初始模型)，作为目标脑电信号识别判断的依据，存储于计算机中。

上述脑电信号深度学习模型(初始模型)对识别目标脑电信号的判别，其结果一为识别信号与样本信号属于相似信号，结果二为识别信号与样本信号不是相似信号。

在一个实施例中，采用特征向量法功率谱估计提取样本数据中各个脑电信号的特征参数包括：

采用music谱估计法对各个脑电信号进行谱估计计算，得到功率谱幅度的最大值、最小值、平均值和标准偏差作为各个脑电信号的特征参数。

本实施例使用特征向量法功率谱估计提取脑电信号特征参数，具体为使用特征向量法功率谱中的music谱估计法对采集到的脑电信号进行谱估计计算，得到功率谱幅度的最大值、最小值、平均值和标准偏差作为分类信号的特征参数，其构成的特征向量作为支持向量机的输入。

进一步地，上述music谱估计法具体为：

1)阵列矩阵的协方差矩阵为r＝e[xx^h]＝ae[ss^h]a^h+δ²i＝arsa^h+δ²i；arsa^h为信号部分；

2)对r进行特征分解有r＝usvsus^h+unvnun^h；公式前项us为大特征值对应特征矢量长成的信号子空间，后项un为噪声小特征值对应特征矢量张成的噪声子空间；

3)music算法的谱估计公式为为噪声子空间特征矢量矩阵，a^h(θ)为信号子空间中的导向矢量。

进一步地，上述支持向量机具体可以使用matlabtoolbox。将特征参数作为分类器的输入向量，选择适当核函数及参数构造高纬空间，得到最优分类面，使得输入的特征向量线性可分。其输出结果为：结果一为有相似成分信号，结果二为基本相似信号，结果三为同类信号，结果四为同种信号。

在一个实施例中，深度学习神经网络传播示意图可以参考图2所示，上述基于机器学习的脑电信号识别方法流程图也可以参考图3所示；其对应的基于机器学习的脑电信号识别监测系统，包括脑电信号深度学习模型、基于某种成分的识别、对识别后的目标信号进一步分类等。

具体实施步骤包括：

步骤一：以某种成分是脑电信号α波节律为例(实际操作过程可选用任意可转化为信号图像的脑电信号成分)：选取样本脑电信号作为识别检测的样本(样本数据)，样本数量为100，长度为10分钟。每个样本具有相同或相似的特征。对样本数据中脑电信号进行去噪和规范化处理，选取中间300秒数据使用独立分量分析法提取出α波节律，将得到的节律整合入脑电信号深度学习框架进行训练，得到脑电信号深度学习模型。

步骤二:基于建立的脑电信号深度学习模型对识别目标的10分钟脑电信号节律进行判别。若判别结果为与样本脑电信号节律一致，则将识别目标的α波节律送到脑电信号深度学习框架进行再训练，以进一步完善模型，提高模型的正确率。若结果为与样本信号节律不同，则舍弃不用。实际操作过程中可不断加入新的样本，随着样本库的增大，识别准确率也随之提高

步骤三:使用特征向量法功率谱估计提取样本脑电信号特征参数，确定特征参数范围作为目标脑电信号进一步分类的依据。将特征参数构成的数据集划分为四个基准区间，第一基准区间、第二基准区间、第三基准区间和第四基准区间。可利用四个基准对目标脑电信号特征参数进行判别，得到判别结果。将四个基准区间存储于计算机中。

步骤四:对步骤二中与结果样本一致的识别目标进行更多时长的脑电信号采集，将采集到的数据传送到计算机中。对其按10分钟时长分段，每段采用特征向量法功率谱估计提取脑电信号特征参数。使用支持向量机根据提取到的特征参数与第一基准区间、第二基准区间、第三基准区间和第四基准区间进行对比，根据特征参数所处区间判断识别目标与样本相似程度。若处于第三基准区间则输出结果为基本特征相似(基本相似信号)；若处于区间二则输出结果为大部分特征相似(同类信号)；若处于区间一则输出结果为几乎所有特征相似(同种信号)。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

本申请实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。