CN106951844A - 一种基于深度极速学习机的脑电信号分类方法及系统 - Google Patents
一种基于深度极速学习机的脑电信号分类方法及系统 Download PDFInfo
- Publication number
- CN106951844A CN106951844A CN201710140661.8A CN201710140661A CN106951844A CN 106951844 A CN106951844 A CN 106951844A CN 201710140661 A CN201710140661 A CN 201710140661A CN 106951844 A CN106951844 A CN 106951844A
- Authority
- CN
- China
- Prior art keywords
- layer
- eeg signals
- depth
- output
- fast
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明一种基于深度极速学习机的脑电信号分类方法及系统,通过构建带有标签的脑电信号作为样本集对深度极速学习机神经网络进行训练,将训练好的神经网络保存,将待分类的脑电信号作为输入,根据输出向量得到分类结果。将图片预处理后的向量作为网络的输入,深度极速学习机网络可以对预处理后的脑电信号进行多次非线性映射,实现脑电信号的深度特征提取,分类准确率很高;且网络一经训练即可反复使用,处理效率高;训练时间短。
Description
技术领域
本发明涉及模式识别和机器学习领域,具体涉及一种基于深度极速学习机的脑电信号分类方法及系统。
背景技术
脑机接口是基于脑电信号实现人脑与计算机或其它电子设备通讯和控制的技术。脑机接口的核心技术是对预处理的脑电信号进行特征提取和对已经提取的脑电信号进行分类。近年来,随着计算机技术的发展,脑机接口得到了突飞猛进的进展,脑机接口应用到医学、军事等许多领域。目前,脑电信号的分类方法有决策树、贝叶斯分类器、K近邻分类器、支持向量机、极速学习机等。其中多数分类算法是浅层神经网络算法,对复杂函数的表示能力有限,而深度学习没有这种限制。
深度学习是一种多隐层多层感知器的人工神经网络学习算法,实现复杂函数的逼近并缓解了以前多层神经网络算法的局部最小性问题。2006年,深度学习的概念被首次提出。随后,深度置信网、堆叠自动编码器这些深度网络模型被提出。2013年,有学者在自动编码器和极速学习机基础上提出多层极速学习机模型。极速学习机是一种高效简洁的单隐层前馈神经网络的学习算法。
脑电信号需要在受试者大脑皮层采集,需要预处理加工。在经典的模式识别中,一般是事先提取特征,预处理的脑电信号提取到的特征的不同对分类性能影响很大。深度极速学习机是一种有效且快速的深度神经网络学习方法,通过堆叠极速学习机-自动编码器算法构建多层神经网络模型,最后把学习到的特征映射到核空间分类。深度极速学习机是一种有效且快速的深度神经网络学习方法,通过堆叠极速学习机-自动编码器算法构建多层神经网络模型,最后把学习到的特征映射到核空间分类。深度极速学习机不用对数据进行复杂的迭代操作,可以方便地把数据作为输入,通过大量的数据一次性学习得到有效的特征,然后把学习到的特征映射到核空间分类。
发明内容
为了解决脑电信号分类问题,本发明提出一种基于深度学习机的脑电信号分类方法及系统,直接将脑电信号预处理后的数据作为输入,训练得到深度极速学习机神经网络模型,该模型不仅可以对预处理后的脑电信号进行多次非线性映射,实现脑电信号的深度特征提取,还能把学习到的特征映射到核空间分类,从而得到每个脑电信号对应的标签,明显提高了识别的正确率和效率。
本发明是通过以下方案实现的:
本发明涉及一种基于深度极速学习机的脑电信号分类方法,通过构建带标签的训练集作为样本集对深度极速学习机网络进行训练,并将训练好的神经网络处理预处理后的脑电信号,最后根据神经网络的输出向量判断分类结果。
本发明具体步骤如下:
步骤1,制作训练集并将脑电信号做预处理:根据未加工的脑电信号,制作自然风景图像的训练集和标签集,训练集为经过预处理后的数据。以视觉反馈为例,每个预处理后的脑电信号有5376个特征属性,它是采集6个通道3.5秒的脑电信号得到的,每个通道采样率都是256赫兹。
步骤2,构造三隐层的深度极速学习机神经网络:输入层的数据是预处理得到的脑电信号(以视觉反馈为例,每个预处理后的脑电信号有5376个特征属性,类别数为2,因此输入层与输出层的隐层节点数分别为5376与2),前两个隐层节点数人为指定为500(其权值用极速学习机-自动编码器学习),此时结束了特征提取的过程,随后将学习到的特征映射到核空间得到最后一层隐层的输出,因此第三层的隐层节点数不需要人为指定。
步骤3,训练深度极速学习机神经网络,网络的基本参数和规格设置完成后,首先利用极速学习机-自动编码器学习前两层隐层的连接权值,随后计算训练数据第二层隐层的输出作为最后一层隐层对应的权值,最后结合最小二乘方法根据标签与最后一层隐层的输出计算网络的输出权值,具体过程如下:
步骤3.1:计算输入层与第一层隐层间的权值:建立一个极速学习机-自动编码器的网络模型,其输入与输出都是预处理完的数据,其隐层节点数为多层神经网络第一层隐层的节点数500,网络的输入权值随机确定,用最小二乘方法一次计算出输出权值,最后此输出权值的转置对应的就是输入层与第一层隐层间的权值;
步骤3.2:计算第一层隐层与第二层隐层间的权值:同样建立一个极速学习机-自动编码器的网络模型,其输入与输出都是第一层隐层的输出,其隐层节点数为多层神经网络第二层隐层的节点数500,网络的输入权值随机确定,用最小二乘方法一次计算出输出权值,最后此输出权值的转置对应的就是第一层隐层与第二层隐层间的权值;
步骤3.3:计算第二层隐层与第三层隐层间的权值:将学习到的特征映射到核空间得到最后一层隐层的输出,所以第二层隐层与第三层隐层间的权值就是训练数据第二层隐层的输出;
步骤3.4:计算最后一层隐层与输出层间的权值:利用最小二乘算法根据最后一层隐层的输出与对应的标签计算最后一层隐层与输出层间的权值。
步骤4:脑电信号的分类,以以视觉反馈为例,每个预处理后的脑电信号有5376个特征属性,然后将其输入到训练好的神经网络中,最终得到对应的一组标签。
通过以上内容可知,本申请提供的是一种基于深度极速学习机的脑电信号分类方法及系统,首先制作根据实际需要制作训练集和标签,然后设计网络的层数、每层的节点数目等等,之后将训练集预处理后输入网络中完成对网络权值的学习,最后输入脑电信号,预处理后输入神经网络,完成对脑电信号的分类。本申请通过深度极速学习机神经网络识别脑电信号,实现了多层的特征提取,直接将脑电信号预处理后的向量作为网络的输入,分类准确率很高;且网络一经训练即可反复使用,处理效率高;训练时间短。
附图说明
为了更清楚地说明本发明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,下面描述中的附图仅仅是本发明的一些实施例,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为本申请实施例提供的一种脑电信号分类方法的流程图。
图2为本申请所使用的深度极速学习机神经网络结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
实施例1
如图1所示,本实施例包括以下步骤:
步骤1,脑电信号预处理:
步骤1.1:确定每次试验的通道数以及每个通道采样率,视觉反馈试验中有6个通道,每个通道采样率都是256赫兹;
步骤1.2:确定每次试验的有效时长,视觉反馈试验中的视觉反馈是从第2秒到第5.5秒,每次试验只有这3.5秒的时间间隔用于训练或测试,因此每个预处理后的脑电信号有5376个特征属性,每个预处理后的脑电信号对应一组标签,2*1的矩阵代表每个预处理后的脑电信号的标签。
步骤2,构建深度极速学习机神经网络:
本实施例中采用的深度极速学习机-径向基神经网络是一个多层的神经网络,由输入层、隐层和输出层等多层组成。
步骤2.1:前两层隐层节点数人为指定为500;
步骤2.2:随后将第二层隐层的输出映射到核空间得到最后一层隐层的输出,因此第三层的隐层节点数不需要人为指定,输出层设置为2个节点。
步骤3,训练多层极速学习机-径向基神经网络:
步骤3.1:利用极速学习机-自动编码器的网络计算前两层隐层的连接权值;
步骤3.2:将学习到的特征映射到核空间得到最后一层隐层的输出,所以第二层隐层与第三层隐层间的权值就是训练数据第二层隐层的输出;
步骤3.3:利用最小二乘算法根据最后一层隐层的输出与对应的标签计算最后一层隐层与输出层间的权值。
步骤4,脑电信号的分类:
步骤4.1:在得到脑电信号之后,首先进行预处理,视觉反馈试验中的脑电信号预处理后可以得到5376*1的向量;
步骤4.2:得到预处理之后的数据,输入到已经训练保存好的神经网络中,等待输出,然后依据输出向量完成对脑电信号的分类。
Claims (9)
1.一种基于深度极速学习机的脑电信号分类方法及系统,其特征在于,通过构建带有标签的脑电信号作为样本集对深度极速学习机神经网络进行训练,将训练好的神经网络保存,将待分类的脑电信号作为输入,根据输出向量得到分类结果。
2.根据权利要求1所述的方法,其特征是,所述的样本集是:根据视觉反馈试验中的未加工的脑电信号,制作脑电信号的训练集和标签集,并将未加工的脑电信号转化为5376*1的向量。
3.根据权利要求1所述的方法,其特征是,所述的深度极速学习机神经网络为多层神经网络,包括输入层、三个隐层和一个输出层,其中:输入层是5376*1的向量,前两个隐层结点数为500,最后一层隐层结点数不需要人为给定,输出层设置为2个结点。
4.根据权利要求1所述的方法,其特征是,所指的训练是指:将样本集(包括预处理后的脑电信号和标签)输入到设置好的深度极速学习机神经网络,结合极速学习机-自动编码器与核函数,完成对神经网络的训练。
5.根据权利要求1或4所述的方法,其特征是,所述的训练包括:
1:利用极速学习机-自动编码器的网络计算前两层隐层的连接权值;
2:将学习到的特征映射到核空间得到最后一层隐层的输出,所以第二层隐层与第三层隐层间的权值就是训练数据第二层隐层的输出;
3:利用最小二乘算法根据最后一层隐层的输出与对应的标签计算最后一层隐层与输出层间的权值。
6.根据权利要求5所述的方法,其特征是,所述的训练样本包括:输入向量和标签,输入向量经过逐层变换,在输出层输出,得到实际输出向量。
7.根据权利要求1所述的方法,其特征是,所述的识别包括:将待分类的脑电信号输入训练好的深度极速学习机神经网络中,得到输出向量从而得到脑电信号的类别。
8.根据权利要求1或7所述的方法,其特征是,所述的识别包括:
1:在得到未加工的脑电信号之后,进行预处理得到5376*1向量;
2:得到预处理之后的数据,输入到已经训练保存好的神经网络中,等待输出,然后依据输出向量完成对脑电信号的分类。
9.一种实现上述任一权利要求所述方法的系统,其特征在于:训练样本制作模块、深度极速学习机神经网络模块及脑电信号分类模块,其中训练样本制作模块的训练样本输入深度极速学习机神经网络,把深度极速学习机神经网络训练成一个能识别脑电信号的分类器,将未加工的脑电信号预处理后并输入训练好的深度极速学习机神经网络来进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710140661.8A CN106951844A (zh) | 2017-03-10 | 2017-03-10 | 一种基于深度极速学习机的脑电信号分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710140661.8A CN106951844A (zh) | 2017-03-10 | 2017-03-10 | 一种基于深度极速学习机的脑电信号分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106951844A true CN106951844A (zh) | 2017-07-14 |
Family
ID=59466782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710140661.8A Pending CN106951844A (zh) | 2017-03-10 | 2017-03-10 | 一种基于深度极速学习机的脑电信号分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106951844A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256629A (zh) * | 2018-01-17 | 2018-07-06 | 厦门大学 | 基于卷积网络和自编码的eeg信号无监督特征学习方法 |
CN108921141A (zh) * | 2018-08-16 | 2018-11-30 | 广东工业大学 | 一种基于深度自编码神经网络的脑电信号eeg特征提取方法 |
CN109859570A (zh) * | 2018-12-24 | 2019-06-07 | 中国电子科技集团公司电子科学研究院 | 一种大脑训练方法及系统 |
CN110135244A (zh) * | 2019-04-02 | 2019-08-16 | 杭州电子科技大学 | 一种基于脑-机协同智能的表情识别方法 |
CN111368686A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 一种基于深度学习的脑电图情感分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413050A (zh) * | 2013-08-20 | 2013-11-27 | 北京工业大学 | 基于极速学习机的运动想象脑电信号投票策略分类方法 |
CN104361345A (zh) * | 2014-10-10 | 2015-02-18 | 北京工业大学 | 基于约束极速学习机的脑电信号分类方法 |
CN104799852A (zh) * | 2015-05-19 | 2015-07-29 | 北京工业大学 | 基于超限学习机自编码的运动想象脑电信号特征的提取方法 |
CN104951797A (zh) * | 2015-06-09 | 2015-09-30 | 福州大学 | 一种基于ar系数空间的elm运动想象脑电分类方法 |
-
2017
- 2017-03-10 CN CN201710140661.8A patent/CN106951844A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413050A (zh) * | 2013-08-20 | 2013-11-27 | 北京工业大学 | 基于极速学习机的运动想象脑电信号投票策略分类方法 |
CN104361345A (zh) * | 2014-10-10 | 2015-02-18 | 北京工业大学 | 基于约束极速学习机的脑电信号分类方法 |
CN104799852A (zh) * | 2015-05-19 | 2015-07-29 | 北京工业大学 | 基于超限学习机自编码的运动想象脑电信号特征的提取方法 |
CN104951797A (zh) * | 2015-06-09 | 2015-09-30 | 福州大学 | 一种基于ar系数空间的elm运动想象脑电分类方法 |
Non-Patent Citations (1)
Title |
---|
续艳慧: "超限学习机方法在脑电信号特征提取与分类中的应用研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256629A (zh) * | 2018-01-17 | 2018-07-06 | 厦门大学 | 基于卷积网络和自编码的eeg信号无监督特征学习方法 |
CN108921141A (zh) * | 2018-08-16 | 2018-11-30 | 广东工业大学 | 一种基于深度自编码神经网络的脑电信号eeg特征提取方法 |
CN108921141B (zh) * | 2018-08-16 | 2021-10-19 | 广东工业大学 | 一种基于深度自编码神经网络的脑电信号eeg特征提取方法 |
CN109859570A (zh) * | 2018-12-24 | 2019-06-07 | 中国电子科技集团公司电子科学研究院 | 一种大脑训练方法及系统 |
CN110135244A (zh) * | 2019-04-02 | 2019-08-16 | 杭州电子科技大学 | 一种基于脑-机协同智能的表情识别方法 |
CN110135244B (zh) * | 2019-04-02 | 2020-11-17 | 杭州电子科技大学 | 一种基于脑-机协同智能的表情识别方法 |
CN111368686A (zh) * | 2020-02-27 | 2020-07-03 | 西安交通大学 | 一种基于深度学习的脑电图情感分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951844A (zh) | 一种基于深度极速学习机的脑电信号分类方法及系统 | |
Du et al. | Single line-to-ground faulted line detection of distribution systems with resonant grounding based on feature fusion framework | |
CN104978580B (zh) | 一种用于无人机巡检输电线路的绝缘子识别方法 | |
CN106982359B (zh) | 一种双目视频监控方法、系统和计算机可读存储介质 | |
CN110070183A (zh) | 一种弱标注数据的神经网络模型训练方法及装置 | |
CN109325547A (zh) | 非机动车图像多标签分类方法、系统、设备及存储介质 | |
CN108648020A (zh) | 用户行为量化方法、系统、设备及存储介质 | |
Hu et al. | Fast image recognition of transmission tower based on big data | |
CN106504233A (zh) | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 | |
Gao et al. | ASM1D-GAN: An intelligent fault diagnosis method based on assembled 1D convolutional neural network and generative adversarial networks | |
CN107145893A (zh) | 一种基于卷积深度网络的图像识别算法及系统 | |
CN114067368B (zh) | 基于深度卷积特征的电网危害鸟种分类识别方法 | |
CN106919977A (zh) | 一种前馈序列记忆神经网络及其构建方法和系统 | |
CN108596470A (zh) | 一种基于TensorFlow框架的电力设备缺陷文本处理方法 | |
CN111292195A (zh) | 风险账户的识别方法及装置 | |
CN107203752A (zh) | 一种联合深度学习和特征二范数约束的人脸识别方法 | |
CN112633209A (zh) | 一种基于图卷积神经网络的人类动作识别方法 | |
CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
CN106022287A (zh) | 一种基于深度学习与字典表示的跨年龄人脸验证方法 | |
CN108960015A (zh) | 一种基于深度学习的车系自动识别方法及装置 | |
CN106709528A (zh) | 基于多目标函数深度学习的车辆重识别方法及装置 | |
CN111401156B (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN109784288B (zh) | 一种基于判别感知融合的行人再识别方法 | |
CN110163205A (zh) | 图像处理方法、装置、介质和计算设备 | |
CN115222946B (zh) | 一种单阶段实例图像分割方法、装置以及计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170714 |
|
WD01 | Invention patent application deemed withdrawn after publication |