基于门控循环单元网络的脑电信号分类方法与流程

本发明涉及一种基于门控循环单元网络的脑电信号分类方法，主要应用于脑-机接口领域中对脑电信号进行分类，识别大脑真实的意图。

背景技术：

1、脑-机接口技术的原理是当大脑在进行思维活动、受外界刺激时，伴随着神经系统运行的还有一系列脑电活动，这些脑电活动通过特定的技术手段被检测到，然后通过信号处理识别出大脑的意图，并将大脑的思维活动转换为控制信号，实现对外围设备的控制。与传统的肢体、语言交流方式相比，是一种新型的人机交互方式，不依赖于中枢神经系统和运动系统，在大脑和外围设备之间建立信息通路，实现人脑与计算机的通讯和控制。

2、脑-机接口系统主要包括三个部件：脑电信号采集设备、信号处理平台、信号响应设备。如图1所示，脑-机接口系统的具体计算过程包括：脑电采集、信号获取、特征提取、分类判断、信号输出/执行、触发反馈信号。其中，脑电信号获取、特征提取、分类判断这三个步骤则由专门的脑-机接口处理算法完成，其中对脑电信号的特征提取与分类是最核心的步骤，最终分类结果的准确性会影响到脑-机接口系统的实际使用。

3、传统的脑电信号分类算法主要是线性分类器，包括线性判别分析(lda)、支持向量机(svm)等，这些方法由于线性分类的特征，脑电信号分类的准确率不够高，尤其是一些多通道的、复杂的脑电信号，分类结果的准确率会大大降低，甚至会低于50％。当传统脑电信号分类算法无法准确识别大脑的真实意图时，脑-机接口系统所对应的外部信号响应设备就会作出错误的行动。

4、深度学习是机器学习领域中一个新的研究方向，近些年来成为很火热的一种技术。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习在图像识别、语言翻译、语音识别、自动化驾驶，以及其他相关领域都取得了很多成果。

5、本发明根据脑电信号的特征，将深度学习应用到脑电信号的分类上，提升多通道复杂脑电信号分类的准确率。在深度学习中，经典的神经网络模型有卷积神经网络(cnn)、循环神经网络(rnn)等，长短期记忆网络(lstm)是rnn的一种。本发明采用的是门控循环单元网络(gated recurrent unit，gru)，该网络模型是lstm的一种效果很好的变体，它较lstm网络的结构更加简单，而且效果也很好，因此也是当前非常流行的一种网络模型。

6、门控循环单元网络(gru)是在循环神经网络(rnn)的基础上对网络的结构做了调整，加入了门控机制，用来控制神经网络中信息的传递。门控机制可以用来控制记忆单元中的信息有多少需要保留，有多少需要丢弃，新的状态信息又有多少需要保存到记忆单元中等。gru可以学习跨度相对较长的依赖关系，而不会出现梯度消失和梯度爆炸的问题。在一般结构的rnn中，网络的状态ht和ht-1之间是非线性的关系，并且参数在每个时间步共享，这是导致梯度爆炸和梯度消失的根本原因。门控循环神经网络(gru)解决问题的方法就是在状态ht和ht-1之间添加一个线性的依赖关系，从而避免梯度消失或梯度爆炸的问题。

7、本发明针对传统线性分类器在脑电信号分类时精度不高的问题，使用门控循环单元网络来对脑电信号进行训练得到分类模型，该分类模型在推理的时候能够更加准确地完成脑电信号的分类。本发明所提出的方法将为脑-机接口领域中各种类型的脑电信号分类提供技术支持。

技术实现思路

1、本发明的目的在于提出一种基于门控循环单元网络的脑电信号分类方法，能够更加准确地对脑电信号进行分类，识别大脑的真实意图。

2、本发明基于门控循环单元网络对已有脑电信号进行分类，得到一个能够用于脑电信号高准确率分类的gru模型，具体步骤如图2所示，分别为：(1)数据准备；(2)数据预处理；(3)模型训练设置；(4)模型训练。

3、(1)数据准备

4、为实现应用门控循环单元网络对脑电信号进行分类的目的，本发明将脑电信号的数据处理成适合输入到神经网络模型的格式，门控循环单元网络作为一种常见的神经网络模型，其输入的数据通常是向量化的。每一时刻的脑电信号数据以及该时刻的大脑意图用一个一维向量表示，表达形式为x1，x2，...，xi，y，其中i为脑电信号采集器的通道数。如下式所示，以64通道脑电采集器采集到的脑电信号为例，x1，x2，x3，x4，...，x64表示的是64个通道所对应的脑电信号特征取值，而y表示的是该时刻所对应的大脑真实意图，y通常是固定数量类别中的某一类，用一个整型数字来表示。由于脑电采集器每时每刻都在采集脑电信号，假设以160hz的采样率进行采集，每秒钟就会采集到160条这样的数据，每一条数据是一个拥有65个数据的一维向量，前64个数据对应着64个通道的特征取值，第65个数据对应着信号分类的结果，即深度学习中训练数据的标签值，通常用某一个整型数字来表示。

5、x1，x2，x3，x4，...，x64，y

6、本发明将一段时间内所采集到的脑电信号整理成[n，y]的矩阵数据格式，其中n表示输入脑电信号特征取值行数，y表示列数；脑电信号采集器采集的时间越长，采集到的脑电数据就越多，整理后n就越多；y的取值包括通道数和大脑意图取值类别。本发明将采集到的脑电信号整理成n行、y列的数据形式后，就完成了数据准备。

7、(2)数据预处理

8、本发明对准备好的脑电信号数据集进行训练集与测试集分割，将部分数据用于gru模型的训练，将另外数据用于gru训练模型的测试。为了能够使训练得到的gru模型精度更高，以及对gru模型进行充分的测试验证，将脑电信号数据集中75％的数据用于gru模型的训练，25％的数据用于gru模型的测试。

9、本发明对训练数据和测试数据都进行归一化。在深度学习中，需要对特征取值进行归一化，使得所有特征的取值区域相近，这主要是为了避免特征取值相差太大影响模型训练，如一个特征的取值在100左右，另一个特征的取值在1左右，那么深度学习模型就会侧重于第一个特征而忽略第二个特征，这会明显不利于模型的训练。

10、由于脑电信号是多通道在同时采集，不同时刻都会同时采集到多个通道的数据，因此脑电信号经过数据准备后的矩阵数据格式中每一行表示某一时刻每一个通道上的特征取值，而每一列则表示某一通道在不同时刻的特征取值，最后一列表示某一时刻大脑真实意图(通常用整数来表示)。因为脑电信号具有较高的时间分辨率，本发明从时间维度上对脑电信号进行数据归一化，也就是将每一列特征取值单独列出来，并进行归一化。

11、归一化的方法有很多，本发明采用正态归一化，即对每一列脑电信号的特征取值进行正态归一化，使得归一化后该列脑电信号的特征取值满足均值为0，方差为1。

12、(3)模型训练设置

13、在对gru模型进行正式训练之前，本发明对模型训练进行参数设置。gru与lstm相比，内部计算复杂度较低(模型参数较少)，这使其计算成本更低，训练所需的时间也更少，但是gru模型的精度可以与lstm模型相当。

14、本发明主要对gru模型的学习速率、训练迭代次数、隐藏层神经元数量、l2范数正则化系数、批尺寸、输入特征数、模型隐藏层数、输出类别数、损失函数进行设置。学习速率用来控制模型的学习进度，是深度学习中重要的超参数，决定着目标函数能否收敛到局部最小值以及何时收敛到最小值；训练迭代次数是所有训练数据集都训练的次数；隐藏层神经元数量用来拟合输入输出之间的关系，神经元太少会导致欠拟合，而神经元太多会导致过拟合，需要在实践中进行实验尝试；l2范数正则化系数能够在一定程度上避免模型过拟合；批尺寸表示在模型学习过程中选择一组样本来更新权值；输入特征数用来表示模型输入的特征维度，一般为通道的数量，即脑电信号输入数据的列数，如64；模型层数表示gru模型的隐藏层数；输出类别是大脑意图的种类，在运动想象范式中通常有两种类别，即数字0和1；损失函数用来评估真实值和预测值之间的误差，通常采用交叉熵损失函数。

15、(4)模型训练

16、本发明在完成模型设置后，就开始进行模型训练。每次迭代过程中训练数据的输出与真实数据通过损失函数计算出误差，通过反向传播计算梯度，然后应用梯度.根据迭代次数的大小，周期性地用测试数据进行精度测试，当迭代次数结束时，再输出本次训练的最佳精度与模型。

17、本发明通过在已有的脑电信号数据集上进行门控循环单元网络的训练，得到一个高精度的分类模型，所述模型后续可用于对新的脑电信号进行分类。

18、本发明的有益效果是应用门控循环单元网络对脑电信号进行分类，识别出大脑的真实意图，与传统的线性分类方法相比，本发明识别大脑真实意图的准确率更高，能够提升脑-机接口系统的实用性，使得脑控无人机、脑控机械臂、脑控拼写器等应用更加实用。