一种脑电信号识别方法技术

本发明专利技术公开了一种脑电信号识别方法，包括以下步骤：S1：采集脑电信号，形成P300信号数据集；S2：将所述P300信号数据集中的脑电信号划分为训练集和测试集，然后分别对训练集中的脑电信号和测试集中的脑电信号进行预处理；S3：通过多元时空卷积神经网络和通道注意力机制构建基于注意力机制的多元时空卷积神经网络，然后利用预处理后的训练集对基于注意力机制的多元时空卷积神经网络进行训练；S4：将预处理后的测试集输入至经过训练集训练后的基于注意力机制的多元时空卷积神经网络，进行P300信号检测和字符识别检测。所述脑电信号识别方法解决了脑电信号数据冗余及字符识别率低的问题。问题。问题。

【技术实现步骤摘要】
一种脑电信号识别方法


[0001]本专利技术涉及脑电信号处理
，特别是一种脑电信号识别方法。

技术介绍

[0002]当人脑受到小概率事件刺激时，脑电信号中会出现一个潜伏期约为300ms的正向波峰，分析不同视觉刺激下的P300脑电数据，可转换成相应指令来实现对外部设备的控制，脑电数据通常是由脑电帽上的导联电极采集，采集的数据代表了大脑不同区域的神经电活动，有其空间特性。对于不同的认知任务，在大脑中所被激发的区域是不一样的，例如在进行视觉感知任务时距离视觉皮层较远的电极无法对视觉信息进行准确的识别。因此在采集脑电波信号中，对于不同的认知任务，采用的电极对分类价值大小不一。
[0003]传统的脑电信号特征提取方法主要有：时域法、频域法和时频域结合方法等。例如对脑电信号的幅值和方差分析可以提取时域特征，对脑电信号进行功率谱估计和快速傅里叶变换可以提取频域特征，对脑电信号进行小波变换可以提取时频域特征等，然后利用支持向量机(SVM)、线性判别分析(LDA)和贝叶斯判别分析(BLDA)等分类方法对所提取的特征进行分类。但以上方法所提取的脑电信号特征较为单一，并且需要手动的设计特征，过程复杂且耗时，对现阶段提取复杂非平稳的脑电信号没有很大的优势。
[0004]近些年来，深度学习在处理这种随时间变化的信号方面优势越来越明显，许多研究者将深度学习算法应用到脑信号分析领域，并且取得了一定的成果。如对视觉刺激下的脑电信号进行预处理，然后通过构建深度学习网络进行字符分类识别，该专利所提出的技术方案可以在减少实验次数的条件下，对脑电信号中P300事件相关电位进行分类识别，提高了字符识别正确率，但这种方式仅从时间或空间维度上提取P300信号的特征，没有考虑到脑电波通道间的重要程度。

技术实现思路

[0005]针对上述缺陷，本专利技术的目的在于提出一种脑电信号识别方法，解决了脑电信号数据冗余及字符识别率低的问题。
[0006]为达此目的，本专利技术采用以下技术方案：一种脑电信号识别方法，包括以下步骤：
[0007]S1：采集脑电信号，形成P300信号数据集；
[0008]S2：将所述P300信号数据集中的脑电信号划分为训练集和测试集，然后分别对训练集中的脑电信号和测试集中的脑电信号进行预处理；
[0009]S3：通过多元时空卷积神经网络和通道注意力机制构建基于注意力机制的多元时空卷积神经网络，然后利用预处理后的训练集对基于注意力机制的多元时空卷积神经网络进行训练；
[0010]S4：将预处理后的测试集输入至经过训练集训练后的基于注意力机制的多元时空卷积神经网络，进行P300信号检测和字符识别检测。
[0011]一些实施例中，所述步骤S2包括：
[0012]S21：通过频率范围为0.1Hz
‑
20Hz的带通滤波器对P300信号数据集中的脑电信号进行滤波，并划分训练集和测试集；
[0013]S22：分别计算训练集的脑电信号和测试集的脑电信号的时域维度，并根据时域维度利用窗口函数分别对训练集的脑电信号和测试集的脑电信号进行时域划分；
[0014]S23：分别对时域划分后的训练集中的脑电信号和时域划分后的测试集中的脑电信号进行标签标记处理，将存在有P300的脑电信号的标签标记为正样本，将不存在有P300的脑电信号的标签标记为负样本；
[0015]S24：将标记为正样本的脑电信号复制，使其数量为原来的五倍。
[0016]值得说明的是，在所述步骤S22具体为：计算时域维度的公式为：其中，N
t
为时域样本点，f为脑电信号的采样频率，L为时间窗大小；
[0017]然后利用N
t
个时域样本点的窗口函数分别对训练集的脑电信号和测试集的脑电信号进行时域划分。
[0018]可选地，所述步骤S3中的基于注意力机制的多元时空卷积神经网络包括输入层、时空卷积层、非线性层和全连接模块；所述时空卷积层包括并行排列的第一卷积核和第二卷积核，所述第一卷积核的尺度大小为(C0，l1)，所述第二卷积核的尺度大小为(C0，l2)，其中C0为脑电信号的通道数，l1为第一卷积核的时域大小，l2为第二卷积核的时域大小；
[0019]所述步骤S3具体为：
[0020]S31：所述输入层将预处理后的训练集的脑电信号同时输入到所述时空卷积层的第一卷积核和第二卷积核；
[0021]S32：将经过注意力模块的预处理后的训练集的脑电信号利用第一卷积核和第二卷积核的输出在时间维度上进行叠加，再输入到非线性层；
[0022]S33：经过时空卷积层的预处理后的训练集的脑电信号经过非线性层的修正线性单元，输出为其中，N为训练集的脑电信号的时域大小；
[0023]S34：所述全连接模块将非线性层的输出转换成一维数据。
[0024]具体地，所述步骤S3中的基于注意力机制的多元时空卷积神经网络还包括注意力模块、第一全连接层和第二全连接层；
[0025]在所述步骤S31具体为：所述输入层将预处理后的训练集的脑电信号输入到所述注意力模块，所述注意力模块将预处理后的训练集的脑电信号的空间维度进行全局平均池化，然后依次经过第一全连接层、Relu激活函数和第二全连接层，得到权重矩阵；然后通过所述权重矩阵对预处理后的训练集的脑电信号按通道加权，再同时输入到所述时空卷积层的第一卷积核和第二卷积核。
[0026]优选的，在所述步骤S34后还包括步骤S35，所述步骤S35为：设定损失函数，通过前向传播和反向传播对网络参数进行优化，具体为：以二值分类交叉熵作为损失函数对多元时空卷积神经网络进行优化，所述损失函数为：
[0027]L(x，i)＝
‑
∑
i
q(x
i
)log(p(x
i
))；
[0028][0029]其中，p(x
i
)为对预处理后的训练集的脑电信号的预测分类概率，k为预处理后的训练集的脑电信号的样本类别数，h为第h个预处理后的训练集的脑电信号，q(x
i
)为对预处理后的训练集的脑电信号的真实分类概率，L(x，i)为损失函数。
[0030]值得说明的是，所述步骤S4具体为：
[0031]预处理后的测试集的脑电信号通过视觉刺激界面诱发，通过c次重复实验输入至经过训练集训练后的基于注意力机制的多元时空卷积神经网络的实验得到P300信号检测的结果：
[0032][0033]得到字符识别检测的结果：
[0034][0035][0036]其中，P(c)为c次重复实验中经过训练集训练后的基于注意力机制的多元时空卷积神经网络的输出的有P300的脑电信号的累计概率，c为实验的轮次，q(j)为对应的j行或者j列在c次重复实验后累加的总概率，其中，当1≤j≤6时，j表示行，当7≤j≤12时，j表示列，a为字符的行号，b为字符的列号。
[0037]可选地，在所述步骤S4之后，还包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑电信号识别方法，其特征在于，包括以下步骤：S1：采集脑电信号，形成P300信号数据集；S2：将所述P300信号数据集中的脑电信号划分为训练集和测试集，然后分别对训练集中的脑电信号和测试集中的脑电信号进行预处理；S3：通过多元时空卷积神经网络和通道注意力机制构建基于注意力机制的多元时空卷积神经网络，然后利用预处理后的训练集对基于注意力机制的多元时空卷积神经网络进行训练；S4：将预处理后的测试集输入至经过训练集训练后的基于注意力机制的多元时空卷积神经网络，进行P300信号检测和字符识别检测。2.根据权利要求1所述的脑电信号识别方法，其特征在于，所述步骤S2包括：S21：通过频率范围为0.1Hz
‑
20Hz的带通滤波器对P300信号数据集中的脑电信号进行滤波，并划分训练集和测试集；S22：分别计算训练集的脑电信号和测试集的脑电信号的时域维度，并根据时域维度，利用窗口函数分别对训练集的脑电信号和测试集的脑电信号进行时域划分；S23：分别对时域划分后的训练集中的脑电信号和时域划分后的测试集中的脑电信号进行标签标记处理，将存在有P300的脑电信号的标签标记为正样本,将不存在有P300的脑电信号的标签标记为负样本；S24：将标记为正样本的脑电信号复制，使其数量为原来的五倍。3.根据权利要求2所述的脑电信号识别方法，其特征在于，在所述步骤S22具体为：计算时域维度的公式为：其中，N
t
为时域样本点，f为脑电信号的采样频率，L为时间窗大小；然后利用N
t
个时域样本点的窗口函数分别对训练集的脑电信号和测试集的脑电信号进行时域划分。4.根据权利要求1所述的脑电信号识别方法，其特征在于：所述步骤S3中的基于注意力机制的多元时空卷积神经网络包括输入层、时空卷积层、非线性层和全连接模块；所述时空卷积层包括并行排列的第一卷积核和第二卷积核，所述第一卷积核的尺度大小为(C0,l1)，所述第二卷积核的尺度大小为(C0,l2)，其中C0为脑电信号的通道数，l1为第一卷积核的时域大小，l2为第二卷积核的时域大小；所述步骤S3具体为：S31：所述输入层将预处理后的训练集的脑电信号同时输入到所述注意力模块；S32：将经过注意力模块的预处理后的训练集的脑电信号利用第一卷积核和第二卷积核的输出在时间维度上进行叠加，再输入到非线性层；S33：经过时空卷积层的预处理后的训练集的脑电信号经过非线性层的修正线性单元，输出为其中，N为训练集的脑电信号的时域大小；S34：所述全连接模块将非线性层的输出转换成一维数据。
5.根据权利要求4所述的脑电信号识别方法，其特征在于：所述步骤S3中的基于注意力机制的多元时空卷积神经网络还包括注意力模块、第一全连接层和第二全连接层；在所述步骤S31具体为：所述输入层将预处理后的训练集的脑电信号输入到所述注意力模块，所述注意力模块将预处理后的训练集的脑电信号的空间维度进行全局平均池化，然后依次经过第一全连接层、Relu激活函数和第二全连接层，得到权重矩阵；然后通过所述权重矩阵对预处理后的训练集的脑电信号按通道加权，再同时输入到所述时空卷积层的第一卷积核和第二卷积核。6.根据权利要求5所述的脑电信号识别方法，其特征在于：在所述步骤S34后还包括步骤S35，所述步骤S35为：设定损失函数，通过前向传播和反向传播对网络参数进行优化，具体为：以二值分类交叉熵作为损失函数对多元时空卷积神经网络进行优化，所述损失函数为：L(x，i)＝
‑
∑
i
q(x
i<...

【专利技术属性】
技术研发人员：程昱，
申请(专利权)人：佛山市南海区广工大数控装备协同创新研究院，
类型：发明
国别省市：