CN109598222A - 基于eemd数据增强的小波神经网络运动想象脑电分类方法 - Google Patents

Abstract

本发明涉及脑机接口、人工智能与模式识别的算法，更具体地，涉及基于EEMD数据增强的小波神经网络运动想象脑电分类方法，可应用于医疗器械、人机交互、机器人控制等领域。包括如下步骤：采集电脑数据，针对时序脑电信号，采用EEMD方法生成人造数据进行数据增强用于神经网络参数训练。相较于传统的EMD方法，EEMD通过将白噪声加入待分解信号，通过零均值噪声的特性，通过集成均值IMF更好地解决了模式混叠的问题，生成区别度更大的人造脑电数据。同时构建小波神经网络模型提取运动想象脑电数据的特征来判别它们的分类。

Description

基于EEMD数据增强的小波神经网络运动想象脑电分类方法

技术领域

本发明涉及脑机接口、人工智能与模式识别的算法，更具体地，涉及基于EEMD数据增强的小波神经网络运动想象脑电分类方法，可应用于医疗器械、人机交互、机器人控制等领域。

背景技术

近年来，随着计算机科学和人工智能技术的发展，脑机接口技术(BCI)作为一种新的人机交互方式，在康复科学和控制领域具有重要的应用价值。BCI利用脑电信号实现人脑与计算机或其他电子设备的通讯或控制，因此它可以帮助肢体残疾的患者，使其在一定程度上修复与外界的信息交流能力。稳态视觉诱发电位是目前发展较为成熟的BCI范式，国内外许多研究者基于这两种范式的模式分类展开了深入的研究。

目前，针对运动想象范式的脑电数据分类处理方法，主要还是分别采用CSP(Common Spacial Pattern)进行空间特征提取，然后通过传统的分类器(KNN、SVM等)进行分类。近年来不少研究者都是在这种传统方法的基础上进行改进，M Myhill研究小组采用正则化共空间模式(RCSP)算法分类运动想象信号，平均分类准确率可达80％以上；K Kai研究组用滤波器组共空间模式(FB-CSP)分类运动想象信号，在BCI运动想象数据竞赛中取得了不错的成绩。

Deep Learning(DL)算法通过建立模拟人脑进行分析学习的神经网络，它模拟人脑的处理机制来分析处理数据，利用梯度下降和误差反向传播的算法来计算网络参数训练模型。该方法现阶段主要应用于手写识别体的辨别、语音识别以及自然语言语言处理等方面的研究。DL算法广泛应用的模型即卷积神经网络(CNN)，该模型是一种典型的前馈神经网路，由多层卷积层、池化层和全连接层构成，对于大型图像处理有着出色的表现。卷积神经网络以其局部权值共享已经成为模式分类的研究热点，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂度，但由于该网络中卷积处理对时序的脑电信号作用效果不明显，因此小波神经网络保留了卷积神经网络的优势的同时，针对脑电信号的时序非线性非平稳特点，使用小波变换代替卷积层。

近几年伴随着深度学习方法的广泛应用，部分研究小组开始应用神经网络的方法进行脑电数据的分类，Tabar研究小组使用卷积神经网络(CNN)分类运动想象脑电数据，相较于传统的特征提取和分类器，大大提高了BCI系统在信号识别的性能。但是由于深度学习方法需要大量的数据训练，而长期的采集又会引起使用者的疲劳，因此在系统的易用性上还存在着明显不足。而且卷积神经网络对于时序脑电信号的分类性能还有待改善和增强。

发明内容

针对现有技术存在的不足之处，本发明提出了基于EEMD数据增强的小波神经网络运动想象脑电分类方法，该方法解决了基于Deep Learning分类算法中存在的两个问题——需要大量数据训练和CNN网络对时序信号分类性能有限。本发明利用对时序信号特征提取更为有效的小波变换替代卷积层，提出的小波神经网络模型使分类特征的提取准确性有了保证，同时采用集合经验模式分解方法生成大量人造脑电数据训练网络，达到了少量数据有效训练网络参数的效果。

为实现上述目的，本发明采用如下技术方案：

基于EEMD数据增强的小波神经网络运动想象脑电分类方法，包括如下步骤：

采集运动想象脑电数据，针对时序脑电信号，采用EEMD方法生成人造数据进行数据增强用于神经网络参数训练。相较于传统的EMD方法，EEMD通过将白噪声加入待分解信号，通过零均值噪声的特性，通过集成均值IMF更好地解决了模式混叠的问题，生成区别度更大的人造脑电数据。同时构建小波神经网络模型提取运动想象脑电数据的特征来判别它们的分类。对于原始脑电数据进行预处理，首先对其进行均值去噪，然后对于运动想象数据通过带通滤波提取特定频带的脑电数据。

利用EEMD噪声辅助信号处理的方法将原始运动想象脑电数据分解为多个集合时频域信息的本征模式函数集成均值(IMFs)，EEMD方法的分解步骤如下：

(1)向信号加入正态分布白噪声；

(2)将加入的白噪声信号分解成各IMF分量；

(3)重复步骤(1)、(2)，每次加入新的白噪声序列；

(4)将每次得到的IMF集成均值作为最终结果。

通过随机提取并混合不同序列的集成均值IMFs生成大量的人造数据用以训练网络。

生成单个人造数据的流程为：

(1)随机地在原始数据中选择一部分作为贡献其IMFs生成人造数据的脑电数据，被选择的数据根据它们的所属分类分开。

(2)在某类被选择数据中随机地选择N个数据，对N个数据进行经验模式分解，每个数据分解成多个IMFs，第一个数据贡献它所有的第一个IMFs(每个脑电采集通道一个)，直到第N个数据贡献它所有第N个IMFs。

(3)将各通道的N个IMFs相加在一起，即为创造的一个脑电数据。这里，如果分解的IMFs小于设定的N，补充零值得IMF相加。

本发明所提出的小波神经网络模型，首先采用复Morlet小波变换生成不同带通参数的脑电张量字典集，将原始的时域数据转换为六个集合时域、频域和空间信息的张量字典集作为神经网络的输入。小波神经网络模型第一层提取特征的激活函数为ReLU，最后两层分类的激活函数分别为ReLU、SoftMax。

区别于现有技术，上述技术方案具有如下有益效果：采用数据增强的方法生成人造脑电数据用于训练网络参数，减少被试的疲劳增加BCI系统的易用性；提出小波神经网络模型，保留卷积神经网络优势的同时，采用小波变换替代卷积层,明显地改善了网络对于时序脑电信号的分类效果。本发明使用EEMD方法生成新的脑电数据，解决了深度学习方法需要大量数据训练网络以及长期采集脑电信号给被试带来的疲劳问题和信号漂移问题；同时新的小波神经网络模型去掉了对脑电信号作用较小的卷积层，改为对脑电信号极为关键的小波变换，这为脑电数据分类的准确性提供了极大的改善，同时极大减少了深度学习网络模型对于脑电数据分类的损失，大大地提高了网络的收敛速度。本发明能够有效应用于运动想象范式的脑电信号分类，具有极高的应用前景。

附图说明

图1为基于EEMD的数据增强小波神经网络模型总体流程图；

图2为小波神经网络模型结构图；

图3为小波神经网络与卷积神经网络在左右手运动想象数据上的损失对比图；

图4为小波神经网络与卷积神经网络在左右手运动想象数据上的正确率对比图。

具体实施方式

为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。

本发明提出了基于EEMD数据增强的小波神经网络运动想象脑电分类方法，该方法对于原始运动想象脑电数据，首先对其进行滤去直流分量和带通滤波。对预处理之后的脑电数据利用集合经验模式分解(EEMD)方法生成新的脑电数据，扩大训练集用于深度学习方法网络的训练。使用一种新型的小波神经网络用于脑电张量的特征提取和分类，相较于原始的卷积神经网络，利用卷积核常用于对图片的处理，小波神经网络模型去掉对脑电信号分类作用相对有限的卷积层，设置为通过不同的小波变换形成脑电张量字典集，然后通过特征筛选层选择脑电张量信息、池化层降采样以及全连接层的分类完成对脑电信号的分类过程。

请参阅图1所示，为基于EEMD的数据增强小波神经网络模型总体流程图。针对左右手运动想象脑电数据，首先通过基于EEMD的数据增强方法生成不同比例的人造数据，分别将其采用复Morlet小波变换生成不同带通参数(1-6Hz)的脑电张量字典集，通过小波神经网络模型的特征筛选层、最大池化层降采样以及两层全连接输出标签，通过分类准确性确定模型的最优的人造数据生成比例。

具体包括以下步骤：

S1，EEG脑电数据处理：采集脑电数据，并对采集到的原始脑电数据进行预处理。

实验数据采用16导的G.tec脑电放大器采集获得，采样频率为256Hz。根据国际10-20脑电图电极标准，该实施例运动想象脑电信号的采集选取FC3、C3、T7、CP3、Fz、P3、P7、FC4、C4、T8、CP4、Cz、P4和P8共18导联的数据进行分析。在分类之前，该实施例对实验数据进行了预处理。预处理主要是进行均值去噪和带通滤波操作。对于滤波工作运动想象通过带通滤波提取8-30Hz频带的脑电数据。

对于采集的两秒运动想象脑电数据(共采集200个trial带有标签(左手想象和右手想象)的数据，其中训练集60个trial，测试集140个trial)，首先对所有200个数据进行滤去直流分量，然后对于运动想象数据通过带通滤波(5阶巴特沃兹滤波器)提取8-30Hz频带的脑电数据。

S2，基于EEMD的脑电数据增强方法：采用EEMD方法生成人造数据增强原始脑电数据。对预处理之后的数据利用集合经验模式分解(EEMD)方法分解生成多个本征模式函数(IMF)，混叠本征模式函数生成新的脑电数据，扩大训练集用于深度学习方法网络的训练。

针对左右手运动想象脑电数据，首先通过基于EEMD的数据增强方法生成不同比例的人造数据。

基于EEMD的脑电数据增强方法：采用EEMD方法对训练集60个trial数据生成人造数据一起用于后面小波神经网络的训练。对预处理之后的训练集数据利用集合经验模式分解(EEMD)方法分解生成多个本征模式函数(IMF)，混叠本征模式函数生成新的人造脑电数据(人造数据数量＝训练集的倍数1-5倍)，扩大训练集用于深度学习方法网络的训练。

利用EEMD噪声辅助信号处理的方法将原始脑电数据分解为多个集合时频域信息的本征模式函数集成均值(IMFs)，EEMD方法的分解步骤如下：

S201，向信号加入正态分布白噪声；

S202，将加入的白噪声信号分解成各IMF分量；

S203，重复步骤S201和步骤S202，每次加入新的白噪声序列；

S204，将每次得到的IMF集成均值作为最终结果；

通过随机提取并混合不同序列的集成均值IMFs生成大量的人造数据用以训练网络。

生成单个人造数据的步骤为，

S211，随机地在原始脑电数据中选择部分作为贡献其IMFs生成人造数据的脑电数据，被选择的数据根据其所属分类分开；

S212，在某一类被选择数据中随机地选择N个数据，对N个数据进行经验模式分解，每个数据分解成多个IMFs，第一个数据贡献它所有的第一个IMFs，直到第N个数据贡献它所有第N个IMFs；

S213，将各通道的N个IMFs相加在一起，即为创造的一个脑电数据，其中，如果分解的IMFs小于设定的N，补充零值得IMF相加。

S3，使用小波神经网络模型进行特征提取和分类：增强后的脑电数据用于神经网络参数训练，构建小波神经网络模型提取运动想象脑电数据的特征来进行分类。小波神经网络用于脑电张量的特征提取和分类，对运动想象脑电数据通过不同的小波变换形成脑电张量字典集，然后通过特征筛选层选择脑电张量信息、池化层降采样以及全连接层的分类完成对脑电信号的分类过程。

参阅图2所示，为小波神经网络模型结构图。该实施例所提出的小波神经网络模型，首先采用复Morlet小波变换生成不同带通参数(1-6Hz)的脑电张量字典集，将原始的时域数据转换为六个集合时域、频域和空间信息的张量字典集作为神经网络的输入。

小波神经网络的首层采用ReLU函数激活的全连接层作为特征筛选层，选取不同小波变换生成的脑电张量字典集的有效信息(筛选输出为两个字典)；然后设置最大化池化层降采样，池化核为4×5×4，步长为2×2×2；最后输出的多维张量经过Flatten层压平后，通过两层全连接层对其进行分类。其中，第一层全连接层输出为200，激活函数为ReLU；第二层全连接层输出分类的标签，激活函数为SoftMax。

经过人造数据和原始训练集数据生成的脑电张量字典集训练小波神经网络模型的参数，训练参数设置为：权重偏倚学习率为0.001，Momentum为0.9，Weight Decay为0.002。人造数据和原始训练集经历400次迭代训练模型网络参数，其中每次迭代的批数据大小(Batch Size)为40。

参阅图3和图4所示，为小波神经网络与卷积神经网络在左右手运动想象数据上的损失和正确率对比图。该实施例所提出的小波神经网络模型与卷积神经网络在运动想象脑电数据分类性能上的比较(训练集140trial，测试集60trial)，可以明显发现新提出的小波神经网络模型收敛更快、测试集损失函数更小以及分类准确率更高。

最后，为了测试小波神经网络模型的分类能力，将测试集数据140个trial同样采用复Morlet小波变换(CMOR6-小波)将测试数据生成不同带通参数(1-6Hz)的脑电张量字典集，输入网络生成分类标签(左手想象或右手想象)，与真实标签作对比得到正确率。

结果：5个被试平均正确率超过90％，原始训练集扩大为原来的2倍最优。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。

尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims (6)

1.基于EEMD数据增强的小波神经网络运动想象脑电分类方法，其特征在于：包括以下步骤，

S1，采集运动想象脑电数据，并对采集到的原始运动想象脑电数据进行预处理；

S2，采用EEMD方法生成人造数据增强原始运动想象数据；

S3，增强后的运动想象数据用于神经网络参数训练，构建小波神经网络模型提取运动想象脑电数据的特征来进行分类。

2.如权利要求1所述的基于EEMD数据增强的小波神经网络运动想象脑电分类方法，其特征在于：所述步骤S1中对运动想象数据预处理是进行滤去直流分量和带通滤波。

3.如权利要求1所述的基于EEMD数据增强的小波神经网络运动想象脑电分类方法，其特征在于：所述步骤S2包括利用EEMD噪声辅助信号处理的方法将原始运动想象脑电数据分解为多个集合时频域信息的本征模式函数集成均值，EEMD方法的分解步骤如下：

S201，向信号加入正态分布白噪声；

S202，将加入的白噪声信号分解成各IMF分量；

S203，重复步骤S201和步骤S202，每次加入新的白噪声序列；

S204，将每次得到的IMF集成均值作为最终结果；

通过随机提取并混合不同序列的集成均值IMFs生成大量的人造数据用以训练网络。

4.如权利要求3所述的基于EEMD数据增强的小波神经网络运动想象脑电分类方法，其特征在于：生成单个人造数据的步骤为，

S211，随机地在原始运动想象脑电数据中选择部分作为贡献其IMFs生成人造的运动想象数据，被选择的数据根据其所属分类分开；

S212，在某一类被选择数据中随机地选择N个数据，对N个数据进行经验模式分解，每个数据分解成多个IMFs，第一个数据贡献它所有的第一个IMFs，直到第N个数据贡献它所有第N个IMFs；

S213，将各通道的N个IMFs相加在一起，即为创造的一个脑电数据，其中，如果分解的IMFs小于设定的N，补充零值得IMF相加。

5.如权利要求1所述的基于EEMD数据增强的小波神经网络运动想象脑电分类方法，其特征在于：步骤S3包括采用复Morlet小波变换生成带通参数的脑电张量字典，将原始的时域数据转换为集合时域、频域和空间信息的张量字典作为神经网络的输入。

6.如权利要求1所述的基于EEMD数据增强的小波神经网络运动想象脑电分类方法，其特征在于：所述步骤S3中小波神经网络的首层采用ReLU函数激活的全连接层作为特征筛选层。