本发明涉及数据识别,尤其涉及一种基于卷积神经网络的内心独白识别方法。
背景技术:
1、脑机接口(brain computer interface,bci)指在人或动物大脑与外部设备之间创建的直接连接,实现脑与设备的信息交换,目前的脑机接口需要用户持续关注视觉或听觉刺激,不允许参与其他活动,过度依赖外部刺激和训练。为了解决用户以一种自然的方式与系统进行交流,而不过度依赖外部刺激和训练,内在语言识别被提出作为脑机接口的替代通信范式。内心独白,也称为自我对话或内在语言,是一个人的内在的声音,在有意识时提供思想上的口头独白。通常与一个人的自我联系在一起。在规划、解决问题、自我反思、自我形象、批判性思维、情感、和默读时尤为重要。此外,它与许多精神障碍有关,例如抑郁症。而像是认知行为疗法等治疗方法,会策略地调节认知行为以减轻症状。内心独白可能反映出意识和潜意识中的信念。
2、目前,大多数研究内在言语分类的研究都集中在更有侵入性的方法上,如皮质电图,皮质电图可提供更高的空间分辨率。eeg为脑电图,目前尝试利用脑电图信号对内部语音进行分类的研究相对较少,非侵入性bci是很有实用价值的,可以被大群患者使用,因此,在不过度依赖外部刺激和训练的前提下对患者的内心独白进行识别是非常有必要的。
技术实现思路
1、本发明的目的在于提供一种基于卷积神经网络的内心独白识别方法,实现在不过度依赖外部刺激和训练的前提下对患者的内心独白进行识别。
2、为实现上述目的,本发明采用的一种基于卷积神经网络的内心独白识别方法,包括如下步骤:
3、获取eeg信号;
4、对数据进行预处理;
5、构建基于卷积神经网络的深度学习模型;
6、训练基于eegnet的深度学习模型;
7、对深度学习模型进行训练,使用k折交叉验证进行测试;
8、输出模型分类结果。
9、其中,在获取eeg信号的步骤中:
10、获取方式包括通过公开的数据集获取和自行采集。
11、其中,在对数据进行预处理的步骤中:
12、使用一台0.5~100 hz的带通滤波器,一台50hz的陷波滤波器,利用独立成分分析抑制伪影,并降采样到254 hz;
13、经过通道选择后,每个脑电片段对应一个维数为[channel × length]的矩阵,其中channel表示通道数,length为脑电片段中的样本数,多个矩阵堆叠成一个维度为[trials × channel × length]的张量;
14、导入数据后,对多个矩阵进行缩放。
15、其中,在构建基于卷积神经网络的深度学习模型的步骤中:
16、选择eegnet作为cnn模型的架构,eegnet包含了三个部分:block1,block2和分类的block。
17、其中,在选择eegnet作为cnn模型的架构,eegnet包含了三个部分:block1,block2和分类的block的步骤中,在block1中:
18、block1按顺序执行两个卷积步骤,f1个时序滤波器,卷积核大小为(1,64)的2d卷积,卷积核长度为数据采样率的一半,输出f1个包含不同带通频率下脑电图信号的特征图;
19、将时序卷积核的长度设置为采样率的一半,捕获2hz及以上的频率信息;
20、使用大小为(c,1)的深度卷积来学习空间滤波器;
21、使用非线性激活函数elu和dropout技术,采用一个大小为(1,4)的池化层,将信号的采样率降低到32hz。
22、其中,在选择eegnet作为cnn模型的架构,eegnet包含了三个部分:block1,block2和分类的block的步骤中,在block2中:
23、使用可分离卷积和f2个(1,1)点式卷积,减少拟合参数对于eeg的数量,可分离卷积将学习如何有效总结单个特征图。
24、其中,在选择eegnet作为cnn模型的架构,eegnet包含了三个部分:block1,block2和分类的block的步骤中,在分类的block中:
25、特征直接传递给类别为n类的softmax层并输出分类概率,取最高概率的结果为分类预测结果。
26、其中,在对深度学习模型进行训练,使用k折交叉验证进行测试的步骤中:
27、将整个数据集打乱并划分为k个相同大小的数据折的技术,对于数据分成的k个部分,一个折叠用于测试模型,其余折叠用于训练模型;
28、对所有折叠重复划分操作,并对所有部分获得的性能指标进行平均,从而得到更可靠的估计。
29、其中,在输出模型分类结果的步骤中:
30、将已有的脑电信号作为输入传到模型当中,得到对应的内心话语的分类结果。
31、本发明的一种基于卷积神经网络的内心独白识别方法,通过获取eeg信号;对数据进行预处理;构建基于卷积神经网络的深度学习模型;训练基于eegnet的深度学习模型;对深度学习模型进行训练,使用k折交叉验证进行测试;输出模型分类结果,实现了在不过度依赖外部刺激和训练的前提下对患者的内心独白进行识别。
1.一种基于卷积神经网络的内心独白识别方法,其特征在于,包括如下步骤:
2.如权利要求1所述的基于卷积神经网络的内心独白识别方法,其特征在于,在获取eeg信号的步骤中:
3.如权利要求1所述的基于卷积神经网络的内心独白识别方法,其特征在于,在对数据进行预处理的步骤中:
4.如权利要求1所述的基于卷积神经网络的内心独白识别方法,其特征在于,在构建基于卷积神经网络的深度学习模型的步骤中:
5.如权利要求4所述的基于卷积神经网络的内心独白识别方法,其特征在于,在选择eegnet作为cnn模型的架构,eegnet包含了三个部分:block1,block2和分类的block的步骤中,在block1中:
6.如权利要求4所述的基于卷积神经网络的内心独白识别方法,其特征在于,在选择eegnet作为cnn模型的架构,eegnet包含了三个部分:block1,block2和分类的block的步骤中,在block2中:
7.如权利要求4所述的基于卷积神经网络的内心独白识别方法,其特征在于,在选择eegnet作为cnn模型的架构,eegnet包含了三个部分:block1,block2和分类的block的步骤中,在分类的block中:
8.如权利要求1所述的基于卷积神经网络的内心独白识别方法,其特征在于,在对深度学习模型进行训练,使用k折交叉验证进行测试的步骤中:
9.如权利要求1所述的基于卷积神经网络的内心独白识别方法,其特征在于,在输出模型分类结果的步骤中: