一种脑电信号专注度分类方法及系统

本发明涉及信号处理，尤其涉及一种脑电信号专注度分类方法及系统。

背景技术：

1、在脑电信号分析处理领域，常常需要对获取的脑电信号进行分析处理。

2、目前，越来越多的方法采用基于机器学习的信号处理方法对脑电波信号(electroencephalogram，eeg)，根据机器学习方法的特性要求需要对eeg进行较复杂的信号预处理工作，即特征提取处理。脑电信号特征主要分为三类：时域特征、频域特征和时频特征。例如，利用主成分分析(principle component analysis,pca)方法提取eeg信号的时域特征,研究不同eeg信号类别之间的时域差异性；还有利用稀疏化贝叶斯学习算法,分析eeg信号的不同频率区间,结合稀疏化贝叶斯学习选择重要的特征,实现了对运动想象信号的识别；还有方法选择不同的时间窗和频带,通过多个共空滤波器提取时频特征,结合相关向量机实现运动想象信号识别；还有方法使用可调优化q因子小波变换的多特征融合算法,通过自适应特征选择方法构建特征子空间，在该特征子空间下对eeg信号进行识别。

3、随着深度学习的快速发展，出现了采用卷积神经网络(convolutional neuralnetwork，cnn)、脉冲神经网络(recurrent neural network，rnn)等网络模型进行对脑电信号的分类，相比于经典机器学习方法，不仅无需人工提取特征，而且在分类效果上有明显提升。例如，有方法采用cnn和堆叠自编码器(stacked auto encoder，sae)相结合，通过深度网络sae对cnn中提取的特征进行归类来识别脑电信号；还有方法采用(convolutionalneural network-long short term memory，cnn-lstm)网络模型，对eeg信号进行情感识别；还有方法采用多核学习对中性、消极和积极情绪进行了三分类实验。

4、可以看出，现有的脑电信号分析方法侧重于对脑电信号测量的准确度、或者是脑电信号反应的具体情绪类别等进行分析，而对于产生脑电信号的用户专注度的识别却鲜有应用。

5、因此，针对脑电信号专注度的分类识别，需要提出一种新的方法。

技术实现思路

1、本发明提供一种脑电信号专注度分类方法及系统，用以解决现有技术中缺乏脑电信号专注度分类方法的缺陷。

2、第一方面，本发明提供一种脑电信号专注度分类方法，包括：

3、采集单导联脑电信号原始数据集；

4、对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集；

5、构建卷积神经网络模型，基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型；

6、基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型；

7、将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果。

8、根据本发明提供的一种脑电信号专注度分类方法，所述采集单导联脑电信号原始数据集，包括：

9、待被采集用户额头达到预设清洁程度后，将信号采集电极贴于所述被采集用户额头的预设采集位置；

10、根据预设提示信息采集单导联脑电信号数据；

11、将所述单导联脑电信号数据进行标注后存放于预设文件中，形成所述单导联脑电信号原始数据集。

12、根据本发明提供的一种脑电信号专注度分类方法，所述对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集，包括：

13、依次采用预设带通频段的带通滤波器和小波变换对所述单导联脑电信号原始数据集进行去噪，得到去噪后的单导联脑电信号原始数据集；

14、对所述去噪后的单导联脑电信号原始数据集进行降采样，获得降采样的单导联脑电信号原始数据集；

15、基于预设大小窗口和预设步长的滑动窗口对所述降采样的单导联脑电信号原始数据集进行数据切割，得到分割后的单导联脑电信号原始数据集；

16、对所述分割后的单导联脑电信号原始数据集进行归一化处理，输出所述预处理后单导联脑电信号原始数据集。

17、根据本发明提供的一种脑电信号专注度分类方法，所述构建卷积神经网络模型，包括：

18、确定采用重复三次的卷积层连接平均池化层结构，所述重复三次的卷积层连接平均池化层结构用于提取单导联脑电信号特征，其中激活函数采用校正线性单元；

19、在所述重复三次的卷积层连接平均池化层结构之后连接全连接层，所述全连接层用于汇总所述单导联脑电信号特征，并通过softmax运算输出专注度分类概率。

20、根据本发明提供的一种脑电信号专注度分类方法，所述基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型，包括：

21、采用所述预处理后单导联脑电信号原始数据集训练所述卷积神经网络模型，直至所述卷积神经网络模型的准确率不再增加时停止训练，得到收敛的脑电信号专注度分类模型；

22、确定进化代数计数器、最大进化代数和包含若干个体的初始群体，所述若干个体为超参数组合；

23、计算所述初始群体中各个个体的适应度，所述适应度为分类准确度；

24、确定选择算子，基于所述选择算子将满足预设优秀属性的适应度遗传至下一代个体，或者采用配对交叉算法将所述预设优秀属性的适应度遗传至下一代；

25、在预设小概率变异下遍历所述进化代数计数器，直至达到所述最大进化代数，输出最优超参数组合，基于所述最优超参数组合输出所述初始脑电信号专注度分类模型。

26、根据本发明提供的一种脑电信号专注度分类方法，所述基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型，包括：

27、将所述初始脑电信号专注度分类模型的模型权值数据进行保存，将所述初始脑电信号专注度分类模型的输入数据采用0或1编码，并将激活函数校正线性单元替换为lif脉冲神经元，得到所述脑电信号专注度分类模型。

28、根据本发明提供的一种脑电信号专注度分类方法，所述将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果，包括：

29、确定预设专注度阈值和运行时长；

30、在所述运行时长内将采集的所述待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，输出脑电信号专注数据和脑电信号不专注数据；

31、若确定所述脑电信号专注数据与所述脑电信号不专注数据的比值小于所述预设专注度阈值，则输出告警提示信息。

32、第二方面，本发明还提供一种脑电信号专注度分类系统，包括：

33、采集模块，用于采集单导联脑电信号原始数据集；

34、预处理模块，用于对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集；

35、训练优化模块，用于构建卷积神经网络模型，基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型；

36、转换模块，用于基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型；

37、处理模块，用于将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果。

38、第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述脑电信号专注度分类方法。

39、第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述脑电信号专注度分类方法。

40、本发明提供的脑电信号专注度分类方法及系统，通过将卷积神经网络和脉冲神经网络相结合构建针对单导联脑电信号专注度的分类模型，无需介入人工手动分类，整个分类过程自动执行，既保证了分类准确性又降低了模型能耗，具有识别准确度高和运算速度快的特点。