一种基于Multi‑bandsFDBN的运动想象脑电信号的特征提取方法与流程

本发明属于运动想象脑电信号处理领域，具体涉及一种基于multi-bandsfdbn的运动想象脑电信号的特征提取方法，是脑科学与计算机科学的交叉领域。

背景技术：

大脑是一个异常精细与复杂的组织结构，一套动作的完成通常是经由脑部对应的区域产生刺激电位，这些电位经过神经元细胞传输到不同的部位，进而通过肌肉组织或者外周神经系统与外界建立联系。然而，世界上每年因为疾病或意外而致人丧失运动能力的情形不计其数，此前有报道称，在美国患有萎缩性侧索硬化症及脊髓损伤的人高达200万人以上，类似的病症还有中风、脑瘫痪等。这些疾病都是直接或间接地破坏了大脑中枢与外界交流的通道，从而影响了人们的正常生活。

bci的出现给这类病人带来了福音，它绕过电位传递的通道，直接在大脑与外部设备之间进行信息传递。同时它克服了人们必须通过神经和肌肉与外界环境的交流，是当前脑科学研究与信息处理技术的良好结合，给全身肌肉和神经系统严重损伤但大脑思维正常的病人和老年人士带来了一种新的人机交互方式，使他们可以通过思维直接控制外部环境来实现生活的自理。

现阶段bci的研究已经取得了一定成果，但远没有达到实际应用的程度。其中存在的主要问题之一就是寻找高识别率和精度的脑电信号处理算法。在bci系统中，如何从大脑的思维中高精度地提取并识别出运动想象mi-eeg指令，是评价运动想象脑电信号的处理算法的关键，所以，研究mi-eeg处理的特征提取和模式识别对bci系统的研究具有重要的学术意义和实际应用价值。

技术实现要素：

本发明旨在解决以上现有技术的问题。提出了一种提高当前运动想象脑电信号识别率的基于multi-bandsfdbn的运动想象脑电信号的特征提取方法。本发明的技术方案如下：

一种基于multi-bandsfdbn的运动想象脑电信号的特征提取方法，其包括以下步骤：

1)、首先利用带通滤波器将原始的脑电信号分成多个频段，接着对各频段采用fft将时域信号转换为频域信号；使用全局min-max的方式对各频域信号作归一化处理；

2)、将步骤1)归一化处理后的各频域数据输入深度置信网络dbn进行训练识别，对经过预处理的脑电信号进行特征提取；

3)、将深度置信网络dbn后接softmax分类器对步骤2)提取到的特征进行分类，并采用加权计算的方式将多个softmax分类器的结果进行融合，输出最终的分类结果。

进一步的，所述步骤1)中，利用带通滤波器将原始的脑电信号分成多个频段具体包括：将多个带通滤波器组成的滤波器组，根据带通滤波器的参数而保留对应的频带信息，为了尽可能地涵盖多个频带，滤波器组中各个带通滤波器的带宽设置为5，相邻滤波器之间的步长为1，原始脑电信号经滤波器组处理后，将分成多频段数据。

进一步的，所述fft算法简化了dft算法的过程，原始的dft算法的表达式如下：

其中

n表示频率点，x(n)表示输入的离散信号序列。

fft算法利用算子具有周期性及对称性的特点，加快了运算过程，使得算法的计算复杂度改进为o(n·log(n))，dft可以根据奇偶分成两部分计算：

当n为偶数时，可表示为2m，n为奇数时，可表示为2m+1进一步的，所述全局min-max归一化的计算方式如下：

其中，x代表需原始数据。

进一步的，所述dbn由若干个限制玻尔兹曼机rbm组成，rbm由一个可视层和一个隐层构成，该rbm的系统能量计算如下：

其中，v,h分别表示可见层单元和隐含层单元，ai和bj分别代表可视层神经元i和隐层神经元j的偏置项，w是连接可见层和隐含层各单元间的连接权值，θ＝{a,b,w}是rbm模型的参数，i,j分别表示可见层和隐含层的单元个数。

进一步的，所述步骤3)将多个网络的softmax层输出按照权重计算的方式进行融合，输出最终的分类结果，具体包括：

对于多频带频域深度置信网络multi-bandsfdbn来说，{x(1),...,x(m)}为dbn网络最后一层的输出，softmax分类器中样本参数为w，则每一个样本x对于类别j的条件概率计算如下：

使用共轭梯度法来求解softmax回归代价函数极小值，softmax回归的代价函数如下：

其中，1{f}为指示函数，f为真时，该函数值为1，否则为0；

结果融合将多个网络的softmax层输出按照权重计算的方式进行融合，计算方式如下：

其中，ei是分类错误率，ci表示此分类模块对于最终结果的权重，最终的分类结果是加权各个分类器的输出得到的：

其中，fi(x)是各个分类器中softmax层的输出，r(x)表示最终的分类结果。

综上所述，由于采用了上述技术方案，本发明的有益效果是：对于运动想象脑电数据集，改进的方法不仅充分挖掘了信号频带差异性的信息，而且提高了脑电信号稳定性和平均识别率，并且方差更小，鲁棒性更好。

附图说明

图1是本发明提供优选实施例rbm网络模型；

图2为；multi-bandsfdbn算法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

本发明提供的技术方案为一种基于multi-bandsfdbn的运动想象脑电信号的特征提取方法。本发明的流程图如图2所示，该方法具体步骤为：

步骤一：预处理；对信号采集设备采集到的脑电信号根据信号频带信息的个体差异性，通过多个带通滤波器组成的滤波器组，再对通过滤波器组的信号使用fft进行变换，，最后使用min-max方法进行归一化处理。

步骤二：深层特征提取；采用dbn网络对经过预处理的脑电信号进行提取特征。

步骤三：结果融合；将多个网络的softmax层输出按照权重计算的方式进行融合，输出最终的分类结果。

下面对本发明的每个步骤进行具体说明：

步骤一的预处理部分中多个带通滤波器组成的滤波器组，将会根据带通滤波器的参数而保留对应的频带信息。为了尽可能地涵盖多个频带，滤波器组中各个带通滤波器的带宽设置为5，相邻滤波器之间的步长为1。原始脑电信号经滤波器组处理后，将分成多频段数据。

运动想象的信息主要集中在频域，预处理部分中傅里叶变换fft是有效的变换算法。

fft作为dft(discretefouriertransform)的高效算法，它简化了在计算机中进行dft的过程，原始的dft的计算如下：

其中

fft算法利用算子具有周期性及对称性的特点，加快了运算过程，使得算法的计算复杂度改进为o(n·log(n))，dft可以根据奇偶分成两部分计算：

单个的dft变换变成了两个规模更小的dft，对于每一个子问题又可以按照这种方式分解得到更小的子问题，直到分解出的子问题无法继续提高效率为止。这种计算方式的时间复杂度为o(n·log(n))。借助于fft变换，可以很方便地研究信号的频域信息。

预处理部分中min-max归一化可解决多次试验中噪声干扰带来的数据漂移问题。对于某些后端输入，需要约束数据的范围，此时，min-max归一化便显得比较重要。计算方式如下：

其中，x代表需原始数据。根据min以及max所选取的极值范围不同，它可以分为局部min-max归一化和全局min-max归一化，其中，全局的min-max归一化方式对于运动想象更有效。

步骤二的深层特征提取部分采用dbn网络对经过预处理的脑电信号进行提取特征。

dbn由若干个rbm组成，rbm由一个可视层和一个隐层构成，图1展示了rbm的结构。给定输入信号v和rbm网络参数w时，该rbm的系统能量计算如下：

其中，vi和hj表示二元状态，ai和bj分别代表可视层神经元i和隐层神经元j的偏置项。

步骤三的结果融合部分将多个网络的softmax层输出按照权重计算的方式进行融合，输出最终的分类结果。

对于multi-bandsfdbn来说，{x(1),...,x(m)}为dbn网络最后一层的输出。softmax分类器中样本参数为w，则每一个样本x对于类别j的条件概率计算如下：

使用共轭梯度法来求解softmax回归代价函数极小值，softmax回归的代价函数如下：

其中，1{f}为指示函数，f为真时，该函数值为1，否则为0。

结果融合将多个网络的softmax层输出按照权重计算的方式进行融合。计算方式如下：

其中，ei是分类错误率，ci表示此分类模块对于最终结果的权重。最终的分类结果是加权各个分类器的输出得到的：

其中，fi(x)是各个分类器中softmax层的输出，r(x)表示最终的分类结果。这种策略增加了重要频带的权重，越重要的频带对于最终的分类结果贡献越大。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。