1.一种基于机器学习的脑电信号识别方法,其特征在于,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。
2.根据权利要求1所述的基于机器学习的脑电信号识别方法,其特征在于,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。
3.根据权利要求1所述的基于机器学习的脑电信号识别方法,其特征在于,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。
4.根据权利要求1所述的基于机器学习的脑电信号识别方法,其特征在于,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。
5.根据权利要求1所述的基于机器学习的脑电信号识别方法,其特征在于,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。
6.根据权利要求1所述的基于机器学习的脑电信号识别方法,其特征在于,样本数据的各个脑电信号的长度均为10分钟。