一种基于轻量卷积神经网络的脑电数据的在线分类方法技术

本发明专利技术公开了一种基于轻量卷积神经网络的脑电数据的在线分类方法，应用于云服务平台，云服务平台包括传感层、网关和云端，首先，通过传感层采集用户的脑电数据；然后将采集的脑电数据传入网关，通过网关从云端下载训练好的分类器模型；再基于训练好的分类器模型对采集的脑电数据进行在线分类，EEG片段经医生校准后上传到云端服务器，用于增量式训练模型。本发明专利技术能够直接应用于原始EEG，无需进行预处理和特征提取，分类结果精度高且具有实时性。

An on-line classification method of EEG data based on light convolution neural network

【技术实现步骤摘要】
一种基于轻量卷积神经网络的脑电数据的在线分类方法
本专利技术涉及计算机
，具体涉及一种基于轻量卷积神经网络的脑电数据的在线分类方法。
技术介绍
快速准确的脑电(EEG)在线分类是脑机接口、神经反馈应用一级脑疾病监测系统的先决条件。准确的评估和对大脑状态的及时评判能极大的降低大脑疾病患者的风险。因此在线EEG分类一直以来是神经科学研究人员和临床工作者的研究热点。现有技术中，通常通过对采集的脑电数据进行去噪和特征提取后，再进行分类。本申请专利技术人在实施本专利技术的过程中，发现现有技术的方法，至少存在如下技术问题：脑电数据由于易受噪声干扰，且脑状态演化具有非平稳性，导致分类性能强依赖于数据预处理(去除噪声和人为干扰)和特征提取(提取EEG关键信息)。如何将有强噪声干扰的高维微弱EEG信号进行分类是一个巨大的挑战。由此可知，现有技术中的方法存在实现复杂、分类速度较慢的技术问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于轻量卷积神经网络的脑电数据的在线分类方法，用以解决或者至少部分解决现有技术中的方法存在的实现复杂、分类速度较慢的技术问题。为了解决上述技术问题，本专利技术提供了一种基于轻量卷积神经网络的脑电数据的在线分类方法，应用于云服务平台，云服务平台包括传感层、网关和云端，所述在线分类方法包括：步骤S1：通过传感层采集用户的脑电数据；步骤S2：将采集的脑电数据传入网关，通过网关从云端下载训练好的分类器模型，其中，训练好的分类器模型通过设计轻量卷积神经网络结构后，采用基于反向传播的小批量随机梯度下降方法训练得到；步骤S3：基于训练好的分类器模型对采集的脑电数据进行在线分类。在一种实施方式中，步骤S2中设计轻量卷积神经网络的结构包括一个Dropout层、两个具有相同卷积域的卷积层、一个池化层以及三个全连接层，其中，三个全连接层中的神经元数量按照预设方式减少。在一种实施方式中，Dropout层和第一个卷积层使用的激活函数为Relu，relu(x)＝max(0，x)其中，x为变量；第二个卷积层、池化层以及三个全连接层均使用Sigmoid激活函数，Lightweight的最后一个激活函数Sigmoid识别特定脑电片段的分类结果，Sigmoid激活函数的形式如下：其中，x为变量。在一种实施方式中，所述方法还包括：取消第二个卷积层的激活函数。在一种实施方式中，步骤S2中采用基于反向传播的小批量随机梯度下降方法训练，包括：预先将样本空间按照预设比例划分为训练集、验证集和测试集，其中，训练集和验证集保存在云端，测试集保存在网关；通过训练集对神经网络结构进行训练，其中，训练过程中采用的权值更新规则为：其中，i表示迭代次数，ν表示动量项变量，ε表示学习率，表示在权值为ωi时，第i批Di的目标导数平均值，ωi表示第i次迭代过程中的权值，ωi+1表示第i+1次迭代过程中的权值。在一种实施方式中，所述方法还包括：云端通过从网关收集经过医生校准的脑电数据，用于增量地离线训练分类器模型。在一种实施方式中，步骤S3具体包括：步骤S3.1：将采集的脑电数据分段后，组织成通道级联的三维格式；步骤S3.2：通过Dropout层对通道级联的三维格式的数据进行处理；步骤S3.3：通过两个具有相同卷积域的卷积层对步骤S3.2处理后的数据进行卷积操作，其中，两个卷积层的卷积核均为3×3，卷积操作表示为：式中，ai(l)和ai(l-1)分别表示第l层的第i个输出通道和第l-1层的第i个输出通道；表示第l层中第i个和第j个特征图之间的卷积核；bi(l)代表第l层中的第i个特征图的偏置项；步骤S3.4：通过池化层对卷积后的数据进行池化操作；步骤S3.5：对池化后的数据展开为1*14112的向量后，通过三个全连接层进行处理，其中，三个全连接层的输出大小分别为250，60和1，相应的全连接操作表达如下：aj(l)和aj(l-1)分别表示第l层和第l-1层的第i个神经元的输出；表示第l-1层的第k个神经元连接到第l层的第j个神经元的权重；bj(l)表示第l层的第j个神经元的偏置，在全连接层使用的激活函数为sigmoid，最后一层激活函数的输出为对用户脑电数据片段的分类结果。本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：由于本专利技术提供的方法，通过传感层采集用户的脑电数据后，将采集的脑电数据传入网关，通过网关从云端下载训练好的分类器模型；再基于训练好的分类器模型对采集的脑电数据进行在线分类，云端的训练好的分类器模型是基于通过设计轻量卷积神经网络结构后，采用基于反向传播的小批量随机梯度下降方法训练得到。由于轻量卷积神经网络(LightweightCNN)使用尽可能少的层次，并可以获得较高的分类精度，并且云端保存有训练好的分类器模型，网关可以直接从云端下载对应的分类器模型实现在线分类，从而不需要经过复杂的预处理和特征处理过程，提高了分类效率，实现了实时性。进一步地，通过设计高卷积层来处理高维脑电信号，最小化CNN隐藏层的数量，并设置沙漏型全连接层，越靠近输出层，全连接层的神经元个数以近线性的方式下降，像沙漏的边一样，以快速减少神经网络的连接参数，提高训练性能。进一步地，针对神经网络由于样本不平衡而出现分类不平衡问题，利用调整激活函数的个数来解决。进一步地，云端通过从网关收集经过医生校准的脑电数据，用于增量地离线训练分类器模型，从而可以持续地优化分类器。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术提供的一种基于轻量卷积神经网络的脑电数据的在线分类方法的流程示意图；图2为本专利技术实施例中在线EEG分类的脑保健云平台工作流程图；图3为本专利技术实施例中轻量卷积神经网络结构示意图。具体实施方式本专利技术的目的在于针对现有技术分类方法强依赖于数据预处理(去除噪声和人为干扰)和特征提取(提取EEG关键信息)从而导致的脑电数据分类方法实现复杂、分类速度较慢的的技术问题，提出一种基于轻量卷积神经网络的EEG在线分类方法，旨在不需要进行预处理和特征提取，直接对原始EEG信号进行快速准确的分类。为达到上述目的，本专利技术的主要构思如下：设计轻量卷积神经网络，通过高卷积层来处理高维脑电信号，通过最小化CNN隐藏层的数量，同时设计一个“沙漏式”全连接层块来快速减少输出端神经元的数量。针对神经网络由于样本不平衡而出现分类不平衡问题，本专利技术利用调整激活函数的个数加以解决。云平台包括传感层、云端和网关三个部分，传感本文档来自技高网...

【技术保护点】
1.一种基于轻量卷积神经网络的脑电数据的在线分类方法，其特征在于，应用于云服务平台，云服务平台包括传感层、网关和云端，所述在线分类方法包括：/n步骤S1：通过传感层采集用户的脑电数据；/n步骤S2：将采集的脑电数据传入网关，通过网关从云端下载训练好的分类器模型，其中，训练好的分类器模型通过设计轻量卷积神经网络结构后，采用基于反向传播的小批量随机梯度下降方法训练得到；/n步骤S3：基于训练好的分类器模型对采集的脑电数据进行在线分类。/n

【技术特征摘要】
1.一种基于轻量卷积神经网络的脑电数据的在线分类方法，其特征在于，应用于云服务平台，云服务平台包括传感层、网关和云端，所述在线分类方法包括：
步骤S1：通过传感层采集用户的脑电数据；
步骤S2：将采集的脑电数据传入网关，通过网关从云端下载训练好的分类器模型，其中，训练好的分类器模型通过设计轻量卷积神经网络结构后，采用基于反向传播的小批量随机梯度下降方法训练得到；
步骤S3：基于训练好的分类器模型对采集的脑电数据进行在线分类。


2.如权利要求1所述的方法，其特征在于，步骤S2中设计轻量卷积神经网络的结构包括一个Dropout层、两个具有相同卷积域的卷积层、一个池化层以及三个全连接层，其中，三个全连接层中的神经元数量按照预设方式减少。


3.如权利要求2所述的方法，其特征在于，Dropout层和第一个卷积层使用的激活函数为Relu，
relu(x)＝max(0,x)
其中，x为变量；
第二个卷积层、池化层以及三个全连接层均使用Sigmoid激活函数，Lightweight的最后一个激活函数Sigmoid识别特定脑电片段的分类结果，Sigmoid激活函数的形式如下：



其中，x为变量。


4.如权利要求3所述的方法，其特征在于，所述方法还包括：取消第二个卷积层的激活函数。


5.如权利要求1所述的方法，其特征在于，步骤S2中采用基于反向传播的小批量随机梯度下降方法训练，包括：
预先将样本空间按照预设比例划分为训练集、验证集和测试集，其中，训练集和验证集保存在云端，测试集保存在网关；
通过训练集对神经网络结构进行训练，其中，训练过程中采用的权值更新规...

【专利技术属性】
技术研发人员：陈丹，柯亨进，李小俚，陈培璐，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42