一种基于变参递归神经网络对脑电信号分类方法技术

本发明专利技术提供了一种基于变参递归神经网络对脑电信号分类方法，包括以下步骤：通过电极帽采集用户脑电信号，然后对数据进行预处理；利用软间隔支持向量机原理，构建运动想象脑电信号分类器的凸二次规划问题；将凸二次规划问题引入罚函数以消除不等式约束；将带等式约束的凸二次规划问题通过变参递归神经网络进行求解；将凸二次规划问题的最优解代入分类器决策函数中，得到分类器决策函数；通过得到分类器决策函数判断新输入的运动想象脑电信号的类别，并将结果进行输出。本发明专利技术利用变参递归神经网络对运动想象脑电信号分类器的凸二次规划问题进行求解，具有收敛速度快，鲁棒性好，分类准率高的优点。分类准率高的优点。分类准率高的优点。

【技术实现步骤摘要】
一种基于变参递归神经网络对脑电信号分类方法


[0001]本专利技术属于运动想象脑电信号分类领域，特别是一种基于变参递归神经网络对脑电信号分类方法。

技术介绍

[0002]运动意象脑电图(EEG)解码是脑机接口(BCI)的重要组成部分，可帮助运动障碍患者通过外部设备与外界进行交流。运动想象脑电信号相比P300脑电信号在采集用户信号时不需要用户专注于如屏幕字符等强刺激信息，使用负担较低，但是这也使得运动想象脑电信号的信噪比低，不利于对脑电信号进行分析分类，因此对于运动想象脑电信号分类一直是国内外研究的热门领域(S.Chaudhary,S.Taran,V.Bajaj,A.Sengur.Convolutional Neural Network Based Approach Towards Motor Imagery Tasks EEG Signals Classification[J].IEEE Sensors Journal,2019,19(12):4494
‑
4500.)。而传统的运动想象脑电信号分类器一般基于支持向量机算法以及相应的改进分类算法进行设计的(A.Jiang,J.Shang,X.Liu,Y.Tang,H.K.Kwan,Y.Zhu.Efficient CSP Algorithm With Spatio
‑
Temporal Filtering for Motor Imagery Classification[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering,2020,28(4):1006
‑
1016.)。由于支持向量机分类器设计简单，且已经具备较好的分类效果，在运动想象脑电信号分类器设计上被广泛利用。尽管支持向量机使用简便，但传统的参数求解方法是串行求解算法，求解速度慢。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提供一种基于变参递归神经网络对脑电信号分类方法。
[0004]本专利技术至少通过如下技术方案之一实现。
[0005]一种基于变参递归神经网络对脑电信号分类方法，包括以下步骤：
[0006]1)采集用户脑电信号数据，对数据进行预处理；
[0007]2)基于预处理数据，构建运动想象脑电信号分类器的凸二次规划问题；
[0008]3)将凸二次规划问题引入罚函数以消除不等式约束；
[0009]4)将带等式约束的凸二次规划问题通过变参递归神经网络进行求解；
[0010]5)将凸二次规划问题的最优解代入分类器决策函数中，得到分类器决策函数；
[0011]6)通过分类器决策函数判断新输入的运动想象脑电信号的类别，并将结果进行输出。
[0012]优选地，采集用户脑电信号数据具体包括：通过电脑显示屏提示用户想象做出某一动作，利用电极帽采集用户接受提示后的脑电信号数据，并对数据进行预处理。
[0013]优选地，所述预处理包括确定数据样本采集的时间窗口大小，选择电极通道，将用户脑电信号数据进行连续小波变换以及归一化处理。
[0014]优选地，所述预处理包括：
[0015]先采用Morlet小波：
[0016][0017]其中Ψ(t)表示小波变换的尺度函数，exp(
·
)表示指数函数，t表示时间，然后对数据进行连续小波变换：
[0018][0019]其中表示小波函数，s是缩放单位，用来对小波进行缩放，τ表示中心频率，x(t)为输入信号；
[0020]归一化处理使用最大
‑
最小归一化方法，表示为：
[0021][0022]其中x表示数据样本，Min表示信号的最小值，Max表示信号的最大值。
[0023]优选地，所述步骤2)具体包括：
[0024]基于步骤1)中的预处理数据，定义数据集S：
[0025][0026]其中x
m
表示第m个数据样本的标签，y
m
表示第m个数据样本的标签；
[0027]基于软间支持向量机理论，根据分类间隔最大化原理，将分类问题转化为一个凸二次规划问题，表示为：
[0028][0029][0030]0≤α1，α2，
…
，α
m
≤C
[0031]其中i、j表示第i、j数据样本，α
i
和α
j
表示第i个和第j个拉格朗日算子，是该凸二次规划问题要求解的变量，y
i
和y
j
对应第i个和第j个数据样本的标签，x
i
和x
j
对应第i个和第j个数据样本，C表示惩罚因子，i、j∈m，m表示数量；
[0032]将式(2)写为标准矩阵形式：
[0033][0034]s.t.Kα＝0
ꢀꢀꢀ
(3)
[0035]Jα≤d
[0036]其中
[0037][0038][0039][0040]K＝[y
1 y2ꢀ…ꢀ
y
m
][0041][0042][0043]其中E为m维的单位矩阵，H为数据样本和数据样本标签组成的矩阵，q是m维的列向量，其数据元素均为
‑
1，K是由数据样本标签组成的矩阵，J是由单位矩阵E组成的，d是由惩罚因子C和0组成的列向量，α表示拉格朗日算子。
[0044]优选地，惩罚函数为：
[0045][0046]N
i
＝d
i
‑
J
i
α，M(
·
)＝exp(
‑
σN
i
)，σ＞0，p＞0，N
i
的特性为：
[0047][0048]其中α表示拉格朗日算子，d
i
表示矩阵d的第i个元素，J
i
表示矩阵J的第i个元素，m表示数据样本的数量，σ、p均表示罚函数的参数，N
i
表示第i个不等式约束输入罚函数的形式，M(
·
)表示第i个罚函数的表达式。
[0049]优选地，所述惩罚函数能代替不等式约束，将参数限制在设置的范围，将惩罚函数代入式(3)得到只带等式约束的凸二次规划问题：
[0050][0051]s.t.Kα＝0。
[0052]优选地，所述步骤4)具体包括：
[0053]根据拉格朗日理论，引入拉格朗日乘子λ，将凸二次规划问题改为：
[0054][0055]其中L(α，λ)表示凸二次规划问题引入拉格朗日理论后的凸二次规划问题；H为数据样本和数据样本标签组成的矩阵，P(α)是m维的列向量，K是由数据样本标签组成的矩阵，λ为拉格朗日乘子，α表示由拉格朗日算子组成的向量；
[0056]式(6)的最优解等价于L(α，λ)分别对α和λ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变参递归神经网络对脑电信号分类方法,其特征在于，包括以下步骤：1)采集用户脑电信号数据，对数据进行预处理；2)基于预处理数据，构建运动想象脑电信号分类器的凸二次规划问题；3)将凸二次规划问题引入罚函数以消除不等式约束；4)将带等式约束的凸二次规划问题通过变参递归神经网络进行求解；5)将凸二次规划问题的最优解代入分类器决策函数中，得到分类器决策函数；6)通过分类器决策函数判断新输入的运动想象脑电信号的类别，并将结果进行输出。2.根据权利要求1所述的一种基于变参递归神经网络对脑电信号分类方法，其特征在于，采集用户脑电信号数据具体包括：通过电脑显示屏提示用户想象做出某一动作，利用电极帽采集用户接受提示后的脑电信号数据，并对数据进行预处理。3.根据权利要求1所述的一种基于变参递归神经网络对脑电信号分类方法，其特征在于，所述预处理包括确定数据样本采集的时间窗口大小，选择电极通道，将用户脑电信号数据进行连续小波变换以及归一化处理。4.根据权利要求1所述的一种基于变参递归神经网络对脑电信号分类方法，其特征在于，所述预处理包括：先采用Morlet小波：其中Ψ(t)表示小波变换的尺度函数，exp(
·
)表示指数函数，t表示时间，然后对数据进行连续小波变换：其中表示小波函数，s是缩放单位，用来对小波进行缩放，τ表示中心频率，x(t)为输入信号；归一化处理使用最大
‑
最小归一化方法，表示为：其中x表示数据样本，Min表示信号的最小值，Max表示信号的最大值。5.根据权利要求1所述的一种基于变参递归神经网络对脑电信号分类方法，其特征在于，所述步骤2)具体包括：基于步骤1)中的预处理数据，定义数据集S：其中x
m
表示第m个数据样本的标签，y
m
表示第m个数据样本的标签；基于软间支持向量机理论，根据分类间隔最大化原理，将分类问题转化为一个凸二次规划问题，表示为：
0≤α1,α2,
…
,α
m
≤C其中i、j表示第i、j数据样本，α
i
和α
j
表示第i个和第j个拉格朗日算子，是该凸二次规划问题要求解的变量，y
i
和y
j
对应第i个和第j个数据样本的标签，x
i
和x
j
对应第i个和第j个数据样本，C表示惩罚因子，i、j∈m，m表示数量；将式(2)写为标准矩阵形式：s.t.Kα＝0
ꢀꢀꢀꢀ
(3)Jα≤d其中其中其中K＝[y
1 y2ꢀ…ꢀ
y
m
]]其中E为m维的单位矩阵，H为数据样本和数据样本标签组成的矩阵，q是m维的列向量，其数据元素均为
‑
1，K是由数据样本标签组成的矩阵，J是由单位矩阵E组成的，d是由惩罚因子C和0组成的列向量，α表示拉格朗日算子。6.根据权利要求5所述的一种基于变参递归神经网络对脑电信号分类方法，其特征在于，惩罚函数为：N
i
＝d
i
‑
J
i
α，M(
·
)＝exp(
‑
σN

【专利技术属性】
技术研发人员：张智军，陈广强，任肖辉，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：