基于样本学习的运动想象脑电频率特性分析方法及其系统

1.本发明涉及运动想象脑电领域，特别是涉及一种基于样本学习的运动想象脑电频率 特性分析方法及其系统。


背景技术：

2.运动想象脑电(motor imagery electroencephalogram,mi-eeg)包含运动相关的神经 活动信息，基于mi-eeg的脑-机接口(motor imagery brian-computer interface，mi-bci) 技术在运动功能康复、新型智能游戏以及精神状态评估等领域具有广阔的应用前景，相 关研究也是人工智能和脑认知领域的热点。由于mi-eeg特征具有显著的个体差异性， 并且信噪比和空间分辨率都很低。因此通常需要事先分析不同个体的mi频率范围，为 mi-bci系统中时域带通滤波器的优化设计提供重要参数。大量研究表明，不准确的 mi频带参数设置不仅会影响带通滤波器的设计性能，同时也会影响mi-bci系统中空 域滤波器和分类器等后续关键模块的有效设计和训练，最终导致mi-bci系统整体分类 性能的下降。
3.传统mi-bci实现方案中，通常包含时域带通滤波预处理，多导eeg空域滤波和 分类器等关键模块。在mi-bci系统设计过程中，带通滤波器截止频率等参数的选择非 常关键，不准确的mi频率范围将会对后续模块(如空域滤波器和分类器)的性能产生 严重的负面影响。目前，确定mi频率范围的主要方法是传统的时-频分析方法。但因 伪迹干扰和eeg强非平稳性等因素的影响，往往需要进行反复分析测试，才能获得针 对某一个体的mi频率参数。为此，也可以考虑采用统一的宽带滤波器(如8-30)，以 覆盖不同个体mi频率参数的可能变化。这一做法虽然可避免较繁琐的人工频率参数选 择过程，但对于个体而言显然不是最优选择。
4.共同空间模式(common spatial pattern，csp)是传统mi-bci系统中最常用的空域滤 波设计算法，由于csp具有最优的类辨识能力，因此在mi-bci系统实现中得到了广 泛的应用。但是csp空域滤波器的性能对mi频率范围的准确性非常敏感。为此，研 究者提出了若干基于mi频带优化的csp改进方法，代表性的方法有：滤波器组共同 空间模式(fbcsp)，共同空谱模式(cssp)和共同稀疏谱模式(csssp)等。但研 究表明，现有csp类方法的稳定性依然存在不足。
5.近年来，深度学习(deep learning，dl)和深度神经网络(deep learning network，dnn)成为模式识别领域的热点。研究者参照传统mi-bci系统结构，将卷积神经网络 (convolutional neural network,cnn)和长短时记忆(long short term memory，lstm) 神经网络应用于mi-bci系统实现，希望能训练并建立“端到端”模式的mi-bci系统。 理论上，dnn的应用可避免mi频带选择以及mi-bci系统各模块独立设计和训练所带 来的问题。但是，dl算法对训练样本的数量和质量都有很高的要求。由于mi-eeg采 集过程易受实验环境和被试自身状态等多种因素的影响，有效训练样本的数量往往非常 有限，且数据质量也很难控制。因此在mi-bci训练过程中，dl算法的优势往往难以 有效发挥。另据公开资料报道，采用dnn建立的mi-bci模型，在识别率和可迁移性 等方面，相比传统方法似乎并未
表现出明显的优势。而且从已公开的用于mi分类的 dnn模型(如eegnet)参数中，也很难获取清晰的mi频率特征参数。
6.因此亟需提供一种新型的基于样本学习的mi-eeg频率特性分析方法来解决上述 问题。


技术实现要素：

7.本发明所要解决的技术问题是提供一种基于样本学习的运动想象脑电频率特性分 析方法及其系统，能够针对不同用户个体自动获取mi-eeg频率参数和滤波参数，以实 现个性化mi-bci系统的优化设计。
8.为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于样本学习的运 动想象脑电频率特性分析方法，包括以下步骤：
9.s1：cnn训练样本生成：将多导原始mi-eeg信号通过时域滤波和空域滤波预处 理后，分离出若干运动相关独立分量mrics，对mrics进行时域拼接，生成一维cnn 的训练样本；
10.s2：一维cnn的训练与测试：利用s1生成的训练样本对一维cnn模型进行训练， 用测试集对训练所得一维cnn模型进行分类性能测试，自动获取个性化mi频率参数 和滤波参数；
11.s3：将经一维cnn模型学习所得的最优一维卷积核参数直接构造时域带通滤波器， 并以此为基础，完成csp空域滤波器和分类器的设计和训练，实现特定用户mi-bci 系统的优化。
12.在本发明一个较佳实施例中，在步骤s1中，时域滤波采用8—30hz的宽频带通时 域滤波器，空域滤波采用由sinfomax算法设计的ica空域滤波器。
13.在本发明一个较佳实施例中，所述一维cnn模型包括第一卷积层、第二卷积层、 含有一个隐层的全连接分类网络；第一卷积层只有一个一维卷积核，第二卷积层含有 (6～8)个一维卷积核。
14.进一步的，所述卷积层采用的激活函数为线性整流函数，全连接网络的隐层节点激 活函数为sigmoid函数，全连接网络输出节点采用softmax分类函数。
15.在本发明一个较佳实施例中，步骤s3的具体步骤包括：
16.s301：将步骤s2的训练和测试过程重复t次，共得到t个一维cnn模型：modelk， k＝1，
…
，t和对应的t个测试识别率ck，k＝1，
…
，t，计算modelk的第一次层卷积 核参数向量hk＝[hk(0),hk(1),
…
,hk(64)]的傅里叶变换hk(f)，即
[0017][0018]
s302：分析hk(f)的幅度谱|hk(f)|及其平均ha(f)，如(2)式所示，确定mi-eeg信 号的运动相关频率中心值f0及频带范围[f1，f2]；中心频率f0为ha(f)最大值对应的频率， f1和f2均为带宽频率参数，具体计算方法如(3)和(4)式：
[0019]
[0020][0021][0022]
s303：结合识别率ck和对hk(f)的分析结果，从t个一维卷积核{hk，k＝1，
…
，t} 中选择对应最大识别率ck卷积核为最优hk，用于mi-bci系统的优化设计，或选择若 干hk构建用于集成学习的mi-bci子系统。
[0023]
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种基于样本学习的 运动想象脑电频率特性分析系统，包括：
[0024]
训练样本生成模块，用于将多导原始mi-eeg信号经过预处理后生成一维cnn的 训练样本；
[0025]
训练与测试模块，用于利用所述训练样本生成模块生成的训练样本对一维cnn模 型进行训练，用测试集对训练所得一维cnn模型进行分类性能测试，自动获取个性化 mi频率参数和滤波参数；
[0026]
mi-bci系统优化设计模块，用于将经一维cnn模型学习所得的最优一维卷积核 参数直接构造时域带通滤波器，并以此为基础，完成csp空域滤波器和分类器的设计 和训练，实现特定用户mi-bci系统的优化。
[0027]
在本发明一个较佳实施例中，所述训练样本生成模块生成一维cnn训练样本的过 程包括：
[0028]
将多导原始mi-eeg信号通过时域滤波和空域滤波预处理后，分离出若干运动相关 独立分量mrics，对mrics进行时域拼接，生成一维cnn的训练样本。
[0029]
进一步的，所述时域滤波采用8—30hz或7—40hz的宽频带通时域滤波器，所述 空域滤波采用由sinfomax算法设计的ica空域滤波器。
[0030]
在本发明一个较佳实施例中，所述一维cnn模型包括第一卷积层、第二卷积层、 含有一个隐层的全连接分类网络；第一卷积层只有一个一维卷积核，第二卷积层含有 (6～8)个一维卷积核。
[0031]
在本发明一个较佳实施例中，所述mi-bci系统优化设计模块实现特定用户mi-bci 系统优化设计的具体步骤包括：
[0032]
首先，所述训练与测试模块将所述一维cnn模型的训练和测试过程重复t次，共 得到t个一维cnn模型：modelk，k＝1，
…
，t和对应的t个测试识别率ck，k＝1，
…
， t，计算modelk的第一次层卷积核参数向量hk＝[hk(0),hk(1),
…
,hk(64)]的傅里叶变换 hk(f)，即
[0033][0034]
其次，分析hk(f)的幅度谱|hk(f)|及其平均ha(f)，如(2)式所示，确定mi-eeg信 号的运动相关频率中心值f0及频带范围[f1，f2]；中心频率f0为ha(f)最大值对应的频率， f1和f2均为带宽频率参数，具体计算方法如(3)和(4)式：
[0035][0036]
[0037][0038]
最后，结合识别率ck和对hk(f)的分析结果，从t个一维卷积核{hk，k＝1，
…
，t} 中选择对应最大识别率ck卷积核为最优hk，用于mi-bci系统的优化设计，或选择若 干hk构建用于集成学习的mi-bci子系统。
[0039]
本发明的有益效果是：
[0040]
(1)本发明所述方法为一种采用卷积神经网络(convolutional neural network,cnn) 和独立分量分析(independent component analysis,ica)相结合的mi频率特征自动分析 新方法；通过对训练样本的学习，所述方法能自动获取mi频率参数，同时，cnn一 维卷积核系数可直接用于传统mi-bci系统中的时域带通滤波器设计，以实现对 mi-eeg信噪比的有效改善，进而提升mi-bci系统的整体性能；
[0041]
(2)本发明不仅能精确有效地确定mi-eeg的频率参数，同时经训练学习后的cnn 一维卷积核可直接用于构造mi-bci系统中的时域带通滤波器，能为后续空域滤波模块 的设计和分类器训练提供更准确的信号特征。相比经典滤波器设计方法所能提供的近乎 一致特性的时域带通滤波器，本发明通过对不同个体mi-eeg样本的学习，将个性化频 率参数的确定和个性化滤波器设计融为一体，对mi-bci系统性能的优化以及设计过程 的简化均有很大的帮助；
[0042]
(3)本发明适合设计面向特定用户的“轻量级”mi-bci系统，系统设计不依赖大量 mi-eeg样本和复杂的训练过程，系统各模块调整和重新设计相对简单；
[0043]
(4)本发明通过对不同个体mi-eeg样本的学习，自动获取个性化mi频率参数 和滤波参数，这些参数不仅可以直接用于特定用户mi-bci系统的优化设计，也可以用 于mi神经活动机理及其mi-eeg信息解码研究。
附图说明
[0044]
图1是本发明基于样本学习的运动想象脑电频率特性分析方法中步骤s1的流程 图；
[0045]
图2是所述基于样本学习的运动想象脑电频率特性分析方法中步骤s2的流程图；
[0046]
图3是所述基于样本学习的运动想象脑电频率特性分析方法中步骤s3的流程图；
[0047]
图4是实验1的训练及测试结果示意图；
[0048]
图5是实验1中采用cnn-csp、cnn、wb-csp对测试集d2的分类结果箱线图；
[0049]
图6是实验2的训练及测试结果示意图；
[0050]
图7是实验3的训练及测试结果示意图；
[0051]
图8是所述基于样本学习的运动想象脑电频率特性分析系统的结构框图。
具体实施方式
[0052]
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更 易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0053]
请参阅图1至图3，本发明实施例包括：
[0054]
一种基于样本学习的运动想象脑电频率特性分析方法，包括以下步骤：
[0055]
s1：cnn训练样本生成；
[0056]
结合图1，将多导原始mi-eeg信号通过时域滤波和空域滤波预处理后，改善原始 mi-eeg训练样本的信噪比，分离出若干运动相关独立分量mrics，对mrics进行时 域拼接，形成一维数据向量作为一维cnn(1d-cnn卷积神经网络)的训练样本。
[0057]
优选的，所述时域滤波采用8—30hz的宽频带通时域滤波器，空域滤波采用由 sinfomax算法设计的ica空域滤波器。
[0058]
s2：一维cnn的训练与测试；
[0059]
利用s1生成的训练样本为一维cnn模型提供高质量训练样本，并进行训练，用 测试集对训练所得一维cnn模型进行分类性能测试，自动获取个性化mi频率参数和 滤波参数。
[0060]
结合图2，所述1d-cnn包含两个卷积层和含有一个隐层的全连接分类网络。第一 卷积层(图中所示为1d卷积核-1)只有一个一维卷积核，尺寸为1
×
65，第二卷积层(图 中所示为1d卷积核-2)含有m个一维卷积核，m取值为6～8，每个卷积核的尺寸均为 1
×
33。1d-cnn中没有设置池化层。优选的，卷积层采用的激活函数为线性整流函数 (relu)，全连接网络的隐层节点激活函数为sigmoid函数，全连接网络输出节点采用 softmax分类函数。
[0061]
s3：将经一维cnn模型学习所得的最优一维卷积核参数直接构造时域带通滤波器， 并以此为基础，完成csp空域滤波器和分类器的设计和训练，实现特定用户mi-bci 系统的优化。
[0062]
结合图3，步骤s3的具体步骤包括：
[0063]
s301：将步骤s2的训练和测试过程重复t次，共得到t个一维cnn模型：modelk， k＝1，
…
，t和对应的t个测试识别率ck，k＝1，
…
，t，计算modelk的第一次层卷积 核参数向量hk＝[hk(0),hk(1),
…
,hk(64)]的傅里叶变换hk(f)，即
[0064][0065]
s302：分析hk(f)的幅度谱|hk(f)|及其平均ha(f)，如(2)式所示，确定mi-eeg信 号的运动相关频率中心值f0及频带范围[f1，f2]；中心频率f0为ha(f)最大值对应的频率， f1和f2均为带宽频率参数，具体计算方法如(3)和(4)式：
[0066][0067][0068][0069]
s303：结合识别率ck和对hk(f)的分析结果，从t个一维卷积核{hk，k＝1，
…
，t} 中选择对应最大识别率ck卷积核为最优hk，用于mi-bci系统的优化设计，或选择具 有较高ck值的多个hk构建用于集成学习的mi-bci子系统。
[0070]
利用本发明所述方法进行了如下实验过程：
[0071]
实验1：数据集为发明人所在实验室针对同一被试采集的两组mi-eeg数据集d
1 (训练集)，d2(测试集)。每一数据集中包含左、右手两类运动想象单次试验数据， 每类各50
独立分量mrics，对mrics进行时域拼接，生成一维cnn的训练样本。
[0084]
进一步的，所述时域滤波采用8—30hz或7—40hz的宽频带通时域滤波器，所述 空域滤波采用由sinfomax算法设计的ica空域滤波器。
[0085]
其中，所述一维cnn模型包括第一卷积层、第二卷积层、含有一个隐层的全连接 分类网络；第一卷积层只有一个一维卷积核，第二卷积层含有(6～8)个一维卷积核。
[0086]
具体的，所述mi-bci系统优化设计模块实现特定用户mi-bci系统优化设计的具 体步骤包括：
[0087]
首先，所述训练与测试模块将所述一维cnn模型的训练和测试过程重复t次，共 得到t个一维cnn模型：modelk，k＝1，
…
，t和对应的t个测试识别率ck，k＝1，
…
， t，计算modelk的第一次层卷积核参数向量hk＝[hk(0),hk(1),
…
,hk(64)]的傅里叶变换 hk(f)，即
[0088][0089]
其次，分析hk(f)的幅度谱|hk(f)|及其平均ha(f)，如(2)式所示，确定mi-eeg信 号的运动相关频率中心值f0及频带范围[f1，f2]；中心频率f0为ha(f)最大值对应的频率， f1和f2均为带宽频率参数，具体计算方法如(3)和(4)式：
[0090][0091][0092][0093]
最后，结合识别率ck和对hk(f)的分析结果，从t个一维卷积核{hk，k＝1，
…
，t} 中选择对应最大识别率ck卷积核为最优hk，用于mi-bci系统的优化设计，或选择具 有较高ck值的多个hk构建用于集成学习的mi-bci子系统。
[0094]
本示例的一种基于样本学习的运动想象脑电频率特性分析系统，可执行本发明所提 供的一种基于样本学习的运动想象脑电频率特性分析方法，可执行方法示例的任何组合 实施步骤，具备该方法相应的功能和有益效果。
[0095]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明 说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技 术领域，均同理包括在本发明的专利保护范围内。