基于数据增强的卷积神经网络运动想象脑电分类方法技术

本发明专利技术公开了一种基于数据增强的卷积神经网络的运动想象脑电信号分类方法，对所有受试者的64通道信号进行五倍交叉验证得其二、三和四类分类任务的平均准确性分别达到87.32％，76.26％，64.72％。利用迁移学习使全局分类器应用到单个受试者脑电信号分类中，其平均准确率达到了91.06％，82.76％，73.46％；与Dose的工作相比，本发明专利技术提出的架构性能更好；在数据增强之后，对四类分类数据进行数据增强。其平均准确率分别从64.72％提高到66.73％(全局模型)，73.46％提高到76.78％(受试者模型)，这表明该数据增强方法可以有效地提高脑电信号分类准确率。

【技术实现步骤摘要】
基于数据增强的卷积神经网络运动想象脑电分类方法
本专利技术涉及脑机接口与模式识别领域，具体涉及一种基于数据增强的卷积神经网络的运动想象脑电信号分类方法。
技术介绍
脑机接口(BrainComputerInterface，BCI)技术是一项新兴的技术，近年来受到了广泛的关注。BCI创建了一个新的非肌肉交互通道，人类可以通过使用由脑部活动产生的信号，与周围环境进行交互，而不需要周围神经和肌肉的参与。通过对信号的模式识别，实现将人的意图传递给外部设备，如计算机、语音合成器、辅助设备和神经修复。脑机接口在医学领域，神经生物学领域和心理学领域都有重要的应用。基于运动想象(Motorimagery,MI)的脑电信号(Electroencephalogram,EEG)是一种内源性自发脑电信号，具有操作简单、范式灵活、成本较低、移植性好、风险小等优点，已经得到了广泛的研究，尤其在神经康复、神经修复和游戏等领域具有广泛应用潜力。不仅可以帮助中风偏瘫等有严重运动障碍的患者进行康复训练，控制设备实现自理，还可以娱乐普通大众，如与虚拟现实技术相结合的各种脑记游戏。脑机接口系统一般由信号采集部分、预处理或信号增强部分、特征提取部分、分类判别部分、控制接口部分五部分组成。提高脑电信号分类准确率是整个系统的核心，即有效的信号特征提取与分类方法以将运动想象的脑电信号转化为设备或者应用程序的控制。由于其信号具有个体差异大、信噪比低、信号不平稳等特点，影响信号的分类性能和模型训练的准确率。当前基于运动想象的脑电信号数据稀缺，脑电数据收集相对昂贵，同时又涉及隐私安全问题，基于运动想象的脑电信号公开数据集较少且样本数量也较少。
技术实现思路
有鉴于此，本专利技术的目的是一方面提供一种基于卷积神经网络(ConvolutionalNeuralNetworks,CNN)的模型训练方法；另一方面，在此卷积神经网络模型的基础上进一步提供了一种数据增强方法，通过该方法可弥补基于运动想象的脑电数据匮乏，并提高了信号的分类准确率。一种运动想象脑电信号分类方法，包括如下步骤：在Physionet数据集中获得至少两类运动想象任务的脑电信号数据；将所述脑电信号数据输入到卷积神经网络中进行训练，由此实现对脑电信号数据的分类；其中，所述卷积神经网络的第一层为卷积层，对脑电信号数据沿时间轴执行卷积操作，且输出数据尺寸与输入时一致；第二层为卷积层，对脑电信号沿着EEG通道轴进行卷积，输出尺寸减为输入的一半；第三层为最大池化层，用于对脑电信号沿时间轴进行池化，核的大小为30个样本，步长为15；层后的结构进行扁平化处理，形成6300个单维神经元；最后三层为三个完全连接层，第一个全连接层将神经元的个数从6300降到100，第二个全连接层将神经元的个数从100降到32，最后一个全连接层为softmax层，将神经元的个数从32降到要分类的数据中的神经元数量。进一步的，对所述脑电信号数据进行数据增强再进行训练，具体为：对于Physionet数据集中的原始脑电数据，对每次试验的每个通道的脑电数据进行归一化；随机选择两组以上同类标签的脑电信号数据，将这些脑电信号数据按通道进行叠加并标准化，生成新的脑电信号数据。较佳的，卷积神经网络的第一层，采用100个滤波器，核的大小为30个样本，步长为1。较佳的，采用samepadding方法，对脑电信号数据填充0，以使卷积操作后输出尺寸与输入相同。较佳的，卷积神经网络的使用100个滤波器，核的大小为30个样本，步长为1。较佳的，卷积神经网络的第三层，核的大小为30个样本，步长为15。较佳的，卷积神经网络采用Adam优化器、ReLU激活和分类交叉熵的代价函数。本专利技术具有如下有益效果：本专利技术的一种基于数据增强的卷积神经网络的运动想象脑电信号分类方法，对所有受试者的64通道信号进行五倍交叉验证得其二、三和四类分类任务的平均准确性分别达到87.32％，76.26％，64.72％。利用迁移学习使全局分类器应用到单个受试者脑电信号分类中，其平均准确率达到了91.06％，82.76％，73.46％。与Dose的工作相比，本专利技术提出的架构性能更好。在数据增强之后，对四类分类数据进行数据增强。其平均准确率分别从64.72％提高到66.73％(全局模型)，73.46％提高到76.78％(受试者模型)，这表明该数据增强方法可以有效地提高脑电信号分类准确率。附图说明图1为本专利技术的训练流程框图；图2为在全局模式下数据增强后的平均准确率；图3为在受试者模式下数据增强后的平均准确率；图4为数据增强前后两种训练模型的平均准确率；图5为卷积神经网络框架示意图；图6为数据增强原理图。具体实施方式下面结合附图并举实施例，对本专利技术进行详细描述。本专利技术分为两部分，第一部分为卷积神经网络结构的研究，第二部分为在此网络结构的基础上数据增强方法的研究。整个实验流程如图1所示。本专利技术采用的是公开数据集：Physionet数据集(当受试者想象身体任何部位的运动时，脑电信号被采集)。在模型训练过程中，先是只采用了卷积神经网络方法进行训练，接着在此卷积神经网络的基础上进一步提出了一种新的数据增强方法进行训练。都采用五倍交叉验证方法，以上模型统称为全局模式。此外，在以上两种训练模型中都引入了迁移学习方法，将上述的全局分类器应用到单个受试者脑电信号分类中，并采用四倍交叉验证方法。即在全局分类器的基础上，在对单个受试者3/4的数据进行训练，剩余1/4进行测试。对进行迁移学习后的模型统称为受试者模型。1、数据集：当前基于运动想象的脑电信号数据稀缺，脑电数据收集相对昂贵，同时又涉及隐私安全问题，其公开数据集少。本专利技术使用的是公开数据集：Physionet数据集，该数据集由超过1500个一分钟和两分钟的脑电图组成，共有109名受试者参与实验。每个受试者进行14次大组实验，包括运动执行任务和运动想象任务两部分，使用BCI2000系统记录了64通道的脑电数据。本实施例中仅采用了运动想象任务的数据，包括4项想象运动(想象左手掌的开闭、想象右手掌的开闭、想象双手掌的开闭、想象双脚的开闭)和一项基线任务(睁眼或闭眼静息阶段)。数据分类情况如示，对于二分类：数据集包含右手和左手开合的试验数据，每类21组实验数据，每位受试者共42组数据。对于三分类：在二分类数据中加入21组静息状态任务数据，即受试者在睁眼或闭眼情况下不执行任何运动想象任务，每位受试者共63组数据。对于四分类：在三分类数据中加入21组双脚开合的数据，即每位受试者共84组数据。每组数据包含6秒(960个样本)的数据长度，4秒的运动想象和前后1秒的空闲时间。2、卷积神经网络结构：卷积神经网络结构示意图如图5所示，从左到右表现为：C100@30×1–C100@1×30–P@30×1–Flatten–FC@100–F本文档来自技高网...

【技术保护点】
1.一种运动想象脑电信号分类方法，其特征在于，包括如下步骤：/n在Physionet数据集中获得至少两类运动想象任务的脑电信号数据；/n将所述脑电信号数据输入到卷积神经网络中进行训练，由此实现对脑电信号数据的分类；/n其中，所述卷积神经网络的第一层为卷积层，对脑电信号数据沿时间轴执行卷积操作，且输出数据尺寸与输入时一致；/n第二层为卷积层，对脑电信号沿着EEG通道轴进行卷积，输出尺寸减为输入的一半；/n第三层为最大池化层，用于对脑电信号沿时间轴进行池化，核的大小为30个样本，步长为15；层后的结构进行扁平化处理，形成6300个单维神经元；/n最后三层为三个完全连接层，第一个全连接层将神经元的个数从6300降到100，第二个全连接层将神经元的个数从100降到32，最后一个全连接层为softmax层，将神经元的个数从32降到要分类的数据中的神经元数量。/n

【技术特征摘要】
1.一种运动想象脑电信号分类方法，其特征在于，包括如下步骤：
在Physionet数据集中获得至少两类运动想象任务的脑电信号数据；
将所述脑电信号数据输入到卷积神经网络中进行训练，由此实现对脑电信号数据的分类；
其中，所述卷积神经网络的第一层为卷积层，对脑电信号数据沿时间轴执行卷积操作，且输出数据尺寸与输入时一致；
第二层为卷积层，对脑电信号沿着EEG通道轴进行卷积，输出尺寸减为输入的一半；
第三层为最大池化层，用于对脑电信号沿时间轴进行池化，核的大小为30个样本，步长为15；层后的结构进行扁平化处理，形成6300个单维神经元；
最后三层为三个完全连接层，第一个全连接层将神经元的个数从6300降到100，第二个全连接层将神经元的个数从100降到32，最后一个全连接层为softmax层，将神经元的个数从32降到要分类的数据中的神经元数量。


2.如权利要求1所述的一种运动想象脑电信号分类方法，其特征在于，对所述脑电信号数据进行数据增强再进行训练，具体为：
对于Physionet数据集中的原始脑电数...

【专利技术属性】
技术研发人员：刘越，杜斌，岳康，田阁良，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11