本发明属于脑机接口领域,具体涉及一种基于深度学习的脑电信号分类识别方法及系统。
背景技术:
1、脑机接口(brain-computer interface,bci),有时也称作“大脑端口”(directneural interface,dni)或者“脑机融合感知”(brain-machine interface,bmi),是指在生物(人或动物)大脑与外部设备或环境之间建立起一种新型的实时通讯与控制的系统,从而实现脑与外部设备的直接交互,起到监测、替代、改善/恢复、增强、补充的作用。围绕上述5大功效,脑机接口技术应用于医疗、教育、娱乐、智能家居、军事和其他方面。
2、在主流的非侵入式脑电信号当中,运动想象的脑电信号范式研究广泛。基于运动想象的脑机接口为运动障碍患者或完全处于锁定状态的患者提供了一个接口,通过控制机器人假肢、轮椅和其他设备与环境进行交互。mi bci具有广泛的应用,如在二维/三维空间控制轮椅、虚拟现实、神经康复和控制设备如四轴飞行器等。运动想象(motor imagery,mi),顾名思义,人在想象自己肢体(或肌肉)运动但没有实际运动输出时,人的特定脑区仍会有激活。通过分析脑电信号,检测识别不同脑区的激活效果来判断用户意图,进而实现人脑与外部设备之间的直接通信与控制。目前常见的运动想象部位为:左手,右手,双手,双脚和舌头。
3、对于脑电信号分类研究的主要内容就是找出一种识别准确率高,鲁棒性好的分类模型。近几十年来,人们一直在致力于此方面的研究。传统的分类算法已经取得了不错的研究成果,但由于传统算法枯燥的特征提取过程,再加上计算机硬件技术的不断提高,顺着深度学习的大环境下,研究者们将目光投向于基于深度学习的脑电信号分类算法研究当中,并且取得了很多不错的研究成果。深度学习通过模拟人脑处理信息的机制来处理现实生活当中可以获取到的大量非线性数据,而且还可以挖掘到数据中无法直接通过语言描述的深度特征。深度学习的工作效率也是传统分类算法无法比拟的,与传统算法相比,深度学习算法的优势就在不用进行复杂大量的特征工程工作,并且提取出的特征数据更加具有代表性且和数据本身特点更为相似。另一方面,由于eeg脑电信号是一种信噪比极低的信号,在采集过程中不仅受到周围环境的噪声影响,还会受到受试者自身肌肉运动以及眼球转动等产生的伪迹信号的干扰,这些信号具有和脑电信号相似的特性且降噪方法不够完善。
4、综上所述,立足于脑电信号的特征提取和分类识别方面,有效地提取能够代表大脑活动特征的信息,训练出泛化能力良好的分类器是至关重要的。
技术实现思路
1、本发明针对由于脑电信号信噪比低等原因导致的脑电信号分类识别准确率低的问题,而提出一种基于深度学习的脑电信号分类识别方法及系统。
2、一种基于深度学习的脑电信号分类识别方法具体过程为:
3、步骤1:获取原始脑电信号数据集,即公开数据集:physionet eegmidb数据库;
4、将原始脑电信号数据预处理为一维原始脑电信号特征向量;
5、步骤2:采用emd分解算法对步骤1得到的一维原始脑电信号进行扩充处理,得到一个新的脑电信号数据样本;
6、步骤3:构建改进cnn卷积神经网络,用改进cnn卷积神经网络对步骤2得到的新的脑电信号数据样本进行脑电空间特征提取,获得一维脑电空间特征xs;
7、步骤4:构建改进lstm循环神经网络rnn,用改进lstm循环神经网络rnn对步骤2中的新的脑电信号进行脑电时间特征提取,获得一维的脑电时间特征xt;
8、步骤5:将一维的脑电空间特征和一维的脑电时间特征进行拼接,得到拼接后的时空特征;
9、构建自动编码器ae对拼接后的时空特征进行特征重构,重构后特征输入分类器,完成运动想象任务的分类识别;
10、步骤6:受试者佩戴bci2000 eeg设备,采集受试者待测脑电信号,将待测脑电信号表示为一维向量;
11、将一维向量输入训练好的改进cnn卷积神经网络,改进cnn卷积神经网络的第二全连接层的输出作为改进cnn卷积神经网络提取的空间特征,称之为一维的脑电空间特征;
12、将一维向量输入训练好的改进lstm循环神经网络rnn,改进lstm循环神经网络rnn的第二lstm输出的数据作为改进lstm循环神经网络rnn提取的时间特征,称之为一维的脑电时间特征;
13、将得到的一维的脑电空间特征和得到的一维的脑电时间特征进行拼接,得到样本;
14、将得到样本输入训练好的自动编码器ae,自动编码器ae输出特征输入分类器,完成运动想象任务的分类识别。
15、一种基于深度学习的脑电信号分类识别系统用于执行一种基于深度学习的脑电信号分类识别方法。
16、本发明的有益效果是:
17、本发明设计实现了一种基于深度学习的脑电信号分类方法及系统,通过一个改进卷积神经网络联合改进循环神经网络的模型,将从预处理之后的脑电信号中提取的时间、空间特征进行叠加。设计了一个自动编码器ae层来学习叠加数据的抽象表示并进行样本重构。使用lightgbm分类器进行最终的意图识别。
18、本发明所设计的算法相较于传统的分类算法如支持向量机svm等具有更好的分类效果;
19、本发明所设计的基于脑电信号emd分解的数据增强方法也起到了较好的对于脑电信号数据集进行数据扩充的效果。
20、本发明设计的lightgbm分类算法训练时间短,分类准确率高。
21、本发明方法在physionet eegmidb数据集上进行效果评估,结果表明,本发明方法的分类准确率为96.32%,可以有效的完成对于脑电信号的分类,同时使分类效果能够在网页上可视化的展示出来。
1.一种基于深度学习的脑电信号分类识别方法,其特征在于:所述方法具体过程为:
2.根据权利要求1所述的一种基于深度学习的脑电信号分类识别方法,其特征在于:所述步骤1中获取原始脑电信号数据集,即公开数据集:physionet eegmidb数据库;
3.根据权利要求2所述的一种基于深度学习的脑电信号分类识别方法,其特征在于:所述步骤2中采用emd分解算法对步骤1得到的一维原始脑电信号进行扩充处理,得到一个新的脑电信号数据样本;具体过程为:
4.根据权利要求3所述的一种基于深度学习的脑电信号分类识别方法,其特征在于:所述步骤3中构建改进cnn卷积神经网络,用改进cnn卷积神经网络对步骤2得到的新的脑电信号数据样本进行脑电空间特征提取,获得一维脑电空间特征xs;
5.根据权利要求4所述的一种基于深度学习的脑电信号分类识别方法,其特征在于:所述步骤4中构建改进lstm循环神经网络rnn,用改进lstm循环神经网络rnn对步骤2中的新的脑电信号进行脑电时间特征提取,获得一维的脑电时间特征xt;具体过程为:
6.根据权利要求5所述的一种基于深度学习的脑电信号分类识别方法,其特征在于:所述步骤5中将一维的脑电空间特征和一维的脑电时间特征进行拼接,得到拼接后的时空特征;
7.根据权利要求6所述的一种基于深度学习的脑电信号分类识别方法,其特征在于:所述分类器为lightgbm分类器。
8.一种基于深度学习的脑电信号分类识别系统,其特征在于,所述系统用于执行权利要求1至7之一所述的一种基于深度学习的脑电信号分类识别方法。