本发明专利技术公开了一种基于时空联合MLP网络的脑电分类方法及应用，其步骤包括：1，对于原始脑电数据进行预处理，包括待分类数据选择、滑窗切片、数据上采样和数据输入形状的选择；2，建立多层感知器网络的深度学习模型；3，训练阶段，输入数据并通过交叉熵损失不断优化模型参数，获得最终分类模型用于待测试脑电信号的分类；4，使用滑动平均滤波算法对模型的预测结果序列进行校准。本发明专利技术将脑电数据的时空信息应用于多层感知器网络中，能够显著提升脑电信号分类准确率，从而增加脑电信号在医疗等领域的应用价值。应用价值。应用价值。
【技术实现步骤摘要】
一种基于时空联合MLP网络的脑电信号分类方法及应用
[0001]本专利技术涉及脑电信号分类领域，具体的说是一种联合多通道脑电信号的时间和空间信息的MLP网络对脑电信号进行预测分类的方法。
技术介绍
[0002]脑电图(EEG)是一种用于记录大脑生理电信号的生理学技术。从头皮和颅内脑电图中观察到的神经活动模式来识别和预测生理和心理状态被广泛应用于情绪识别、运动想象、医疗健康等脑机接口领域。使用传统的机器学习方法手动提取的线性或非线性特征，例如自回归系数和李亚普诺指数等，这些传统的方法在严格控制的实验环境下取得了一定的成功。然而，这些手动提取的特征往往需要研究人员具备丰富的专业知识和进行大量的实验尝试。此外，在被各种伪迹影响的真实的脑电记录中，手动提取的特征往往只会涵盖部分脑电信息，导致系统具有较差的鲁棒性。
[0003]深度学习算法因其出色的泛化能力和强大的自动学习高效特征的能力，激励了它在脑电信号分类预测中被广泛应用。目前，大多数用于脑电信号分类的深度学习方法都会先进行特征的预处理，如短时傅里叶变换、公共空间模式等。这些对原始脑电进行的预处理操作虽然可以获得更加“干净”的数据，但同时也可能会丢失一些重要的信息。近几年使用特征预处理和直接使用原始脑电信号的模型通常具有更复杂的架构和更大的核，导致需要更大的内存资源消耗及计算力。
[0004]目前，大多数的用于脑电信号分类的深度学习算法通常都是作为特征分类器来使用。研究者通过已有的专业知识，从脑电信号中提取时域特征，频域特征或者时频域特征，再使用深度学习算法来进行分类任务。虽然这种方法也取得了不错的分类性能，但是这种做法需要深厚的数理知识来用于提取特征，并且它忽视了深度学习算法强大的数据驱动能力。同时提取的特征虽然在某种程度上是更好的数据表示，但它也丢失了许多存在于原始多通道脑电数据中的空间关联信息和时间关联信息。也有少数使用端到端架构的深度学习算法，但是它们都没能充分的利用存在于多通道脑电信号中的空间关联信息和时间关联信息。由于诸多条件的限制，脑电信号的数据总量严重不足，这极大的限制了脑电信号的分类方法的发展。并且由于不同类别的脑电数据存在这严重的数据不平衡问题，这也使得分类方法的发展受到很大的限制。
技术实现思路
[0005]本专利技术为克服以上所述不足之处，提出一种基于时空联合MLP网络的脑电信号分类方法及应用，以期能从原始脑电信号中提取多通道脑电的空间关联信息和时间关联信息并应用于多层感知器网络，从而能够显著提升脑电信号分类准确率，并增加脑电信号在医疗等领域的应用价值。
[0006]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0007]本专利技术一种基于时空联合MLP网络的脑电分类方法的特点是按如下步骤进行：
[0008]步骤1、获取带有标注类别信息的脑电信号数据集，并对每种类别的脑电信号进行滑动切片处理，并重建切片后的脑电信号的输入形状，得到N段总时长为T的脑电信号样本，记为训练样本集X＝{X1,X2,...,X
i
,...,X
N
}，并将所述训练样本X的标签集记为Y＝{Y1,Y2,...,Y
i
,...,Y
N
}；其中，X
i
∈R
C
×1×
L
表示输入形状重建后的第i段脑电信号样本，C表示脑电信号样本的通道数，L表示脑电信号样本的长度；Y
i
为第i段脑电信号样本X
i
所对应的标签；
[0009]步骤2、建立基于时空联合MLP网络，包含：去噪加权模块、时空联合MLP模块、分类模块；
[0010]步骤2.1、所述去噪加权模块包括：去噪层，加权层和降维层；
[0011]所述去噪层包含一个手动设置的，元素值随机初始化的矩阵滤波器，所述去噪层首先通过快速傅里叶变换将训练样本集X＝{X1,X2,...,X
i
,...,X
N
}从时域转换到频域，再将变换到频域的训练样本集与可学习的矩阵滤波器相乘后，得去噪后的训练样本集，之后通过逆快速傅里叶变换将去噪后的训练样本集变换到时域，从而得到时域去噪脑电样本序列其中，表示去噪后的第i段时域脑电信号样本；
[0012]将脑电信号序列从三维转换到二维，从而得到二维去噪脑电样本序列其中，表示二维的第i段脑电信号样本；
[0013]所述加权层包含一个手动预置，对角元素值可学习的信道权重矩阵。所述加权层首先将二维脑电样本序列与所述信道权重矩阵相乘后，得到加权序列其中，表示信道加权后的第i段脑电信号样本；
[0014]所述降维层包含一组1
×
k卷积核，并对信道加权脑电样本序列的时间维(长度维)去除冗余信息，得到去冗脑电样本序列其中，表示去除冗余信息后的第i段脑电样本；
[0015]步骤2.2、时空联合MLP模块包括：信道间MLP层和信道内MLP层；
[0016]所述信道间MLP层依次包括：layer norm层，变换全连接层，GELU非线性激活函数和复原全连接层；
[0017]所述layer norm层对去冗脑电样本序列进行归一化处理后，再依次通过变换全连接层、GELU激活函数和复原全连接层的处理后，得到空间关联脑电样本序列其中，表示经过提取、整合和信道空间关联的第i段脑电信号样本；
[0018]所述信道内MLP层与所述信道间MLP层的结构相同，并对空间关联脑电样本序列进行归一化处理后，再依次通过变换全连接层、GELU激活函数和复原全连接层的处理后，得到时间信息脑电样本序列其中，表示经过通道内时间信息提取的第i段脑电信号样本；
[0019]步骤2.3、所述分类模块包括：一个平均池化层，一个全连接层和一个Softmax层；
[0020]时间信息脑电样本序列依次经过所述平均池化层
和所述全连接层的处理后，得到每段脑电信号样本对应每种类别的分数，最后经过所述Softmax层将每段脑电信号样本对应每种类别的分数转化为每种类别的概率值，并选取最大概率值作为每段脑电信号样本的预测分类结果；
[0021]步骤3、模型训练：
[0022]基于所述训练样本集X及其标签集Y，采用交叉熵作为损失函数，并利用ADAM优化器对所述时空联合MLP网络进行训练，并计算所述损失函数的梯度用于更新网络参数，直到达到最大迭代次数或损失函数收敛为止，从而得到训练好的脑电信号分类模型；
[0023]步骤4、使用滑动平均滤波算法对模型的预测结果序列进行校准：
[0024]取第i段脑电样本X
i
及其后面的M
‑
1段脑电样本{X
i+1
,X
i+2
,...,X
i+M
‑1}中每段脑电信号样本对应的每种类别概率值的均值相应作为第i段样本的X
i
的每种类别概率值。
[0025]本专利技术一种电子设备，包括存储器以及处理器，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于时空联合MLP网络的脑电分类方法，其特征是按如下步骤进行：步骤1、获取带有标注类别信息的脑电信号数据集，并对每种类别的脑电信号进行滑动切片处理，并重建切片后的脑电信号的输入形状，得到N段总时长为T的脑电信号样本，记为训练样本集X＝{X1,X2,...,X
i
,...,X
N
}，并将所述训练样本X的标签集记为Y＝{Y1,Y2,...,Y
i
,...,Y
N
}；其中，X
i
∈R
C
×1×
L
表示输入形状重建后的第i段脑电信号样本，C表示脑电信号样本的通道数，L表示脑电信号样本的长度；Y
i
为第i段脑电信号样本X
i
所对应的标签；步骤2、建立基于时空联合MLP网络，包含：去噪加权模块、时空联合MLP模块、分类模块；步骤2.1、所述去噪加权模块包括：去噪层，加权层和降维层；所述去噪层包含一个手动设置的，元素值随机初始化的矩阵滤波器，所述去噪层首先通过快速傅里叶变换将训练样本集X＝{X1,X2,...,X
i
,...,X
N
}从时域转换到频域，再将变换到频域的训练样本集与可学习的矩阵滤波器相乘后，得去噪后的训练样本集，之后通过逆快速傅里叶变换将去噪后的训练样本集变换到时域，从而得到时域去噪脑电样本序列其中，X
id
∈R
C
×1×
L
表示去噪后的第i段时域脑电信号样本；将脑电信号序列从三维转换到二维，从而得到二维去噪脑电样本序列其中，表示二维的第i段脑电信号样本；所述加权层包含一个手动预置，对角元素值可学习的信道权重矩阵；所述加权层首先将二维脑电样本序列与所述信道权重矩阵相乘后，得到加权序列其中，表示信道加权后的第i段脑电信号样本；所述降维层包含一组1
×
k卷积核，并对信道加权脑电样本序列的时间维(长度维)去除冗余信息，得到去冗脑电样本序列其中，表示去除冗余信息后的第i段脑电样本；步骤2.2、时空联...
【专利技术属性】
技术研发人员：李畅，邵成浩，宋仁成，刘羽，成娟，陈勋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。