CN110674738A - 一种左右手脑电信号识别方法及相关装置 - Google Patents

一种左右手脑电信号识别方法及相关装置 Download PDF

Info

Publication number
CN110674738A
CN110674738A CN201910899845.1A CN201910899845A CN110674738A CN 110674738 A CN110674738 A CN 110674738A CN 201910899845 A CN201910899845 A CN 201910899845A CN 110674738 A CN110674738 A CN 110674738A
Authority
CN
China
Prior art keywords
signal
sampling
sample point
electroencephalogram
processing
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
Application number
CN201910899845.1A
Other languages
English (en)
Inventor
王斐
李峰
何帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN201910899845.1A priority Critical patent/CN110674738A/zh
Publication of CN110674738A publication Critical patent/CN110674738A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请公开了一种左右手脑电信号识别方法，包括：对待识别脑电信号进行小波变换采样处理，得到样本点数据；采用简化卷积神经网络对所述样本点数据进行特征识别处理，得到目标特征；采用softmax层对所述目标特征进行分类，得到所述待识别脑电信号的识别结果。通过先对待识别脑电信号进行小波变换，然后再进行采样处理，最后再通过卷积神经网络对采样得到的样本点数据进行识别处理，提高了左右脑电信号识别的准确率和精度，同时保持了进行识别的效率。本申请还公开了一种左右手脑电信号识别系统、左右手脑电信号识别装置以及计算机可读存储介质，具有以上有益效果。

Description

一种左右手脑电信号识别方法及相关装置
技术领域
本申请涉及人脑识别技术领域，特别涉及一种左右手脑电信号识别方法、左右手脑电信号识别系统、左右手脑电信号识别装置以及计算机可读存储介质。
背景技术
目前，对运动想象(MOTOR IMAGERY)脑电信号预处理的方法有很多，如用WPT(WAVELET PACKET TRANSFORM)对MI-EEG进行分解和重构，得到了MU节律和BETA节律能量特征信息，用STFT(SHORT-TIME FOURIER TRANSFORM)对MI-EEG进行时频分析，获取MU和BETA节律的时频特征信息，还有先对原始信号滤波，再用FFT对MI-EEG时频特征映射等等。然而，MI-EEG是非线性非稳定的信号并且提取的MU和BETA节律特征相对来说都是低频。
传统的特征提取和分类MI-EEG的算法如CSP(COMMON SPATIAL PATTERNS)对MI-EEG的特征提取和降维，用SVM(SUPPORT VECTOR MACHINE)或LDA(LINEAR DISCRIMINANTANALYSIS)等方法进行分类。当前深度学习的方法如，用CNN提取FFT变换的信号的频率和空间位置特征并进行分类，其分类正确率超过了CSP和SVM等很多传统算法，用CNN直接从RAWEEG提取时域和空间位置特征并分类，用CNN提取STFT后信号的时域、频域和空间位置特征，用SAE(STACKED AUTOENCODER)网络进行分类，用包含三个卷积层PCNN提取用STFT预处理后MI-GG的特征并分类，在PCNN中用了3个2D FILTERS提取特征，包括混合频率、时域和空间位置特征。
但是，现有技术中常用的脑电信号的识别方法由于在提取特征的过程中，存在特征丢失的情况，导致进行左右手信号识别的精度和准确率降低，在左右手信号识别的过程中失败率较高。
因此，如何提高左右手信号识别的进度和准确率是本领域技术人员关注的重点问题。
发明内容
本申请的目的是提供一种左右手脑电信号识别方法、左右手脑电信号识别系统、左右手脑电信号识别装置以及计算机可读存储介质，通过先对待识别脑电信号进行小波变换，然后再进行采样处理，最后再通过卷积神经网络对采样得到的样本点数据进行识别处理，提高了左右脑电信号识别的准确率和精度，同时保持了进行识别的效率。
为解决上述技术问题，本申请提供一种左右手脑电信号识别方法，包括：
对待识别脑电信号进行小波变换采样处理，得到样本点数据；
采用简化卷积神经网络对所述样本点数据进行特征识别处理，得到目标特征；
采用softmax层对所述目标特征进行分类，得到所述待识别脑电信号的识别结果。
可选的，对待识别脑电信号进行小波变换采样处理，得到样本点数据，包括：
对所述待识别脑电信号进行采样处理，得到采样信号数据；
对所述采样信号数据进行小波变换处理，得到小波变换信号数据；
对所述小波变换信号数据进行取样，得到所述样本点数据。
可选的，对所述小波变换信号数据进行取样，得到所述样本点数据，包括：
根据预设频率区间对所述小波变换信号数据进行取样，得到所述样本点数据。
可选的，采用简化卷积神经网络对所述样本点数据进行特征识别处理，得到目标特征，包括：
采用所述简化卷积神经网络的卷积层对所述样本点数据进行特征提取处理，得到特征映射；
采用所述简化卷积神经网络的Flatten层对所述特征映射进行特征向量转换，得到一维化特征向量；
采用所述简化卷积神经网络的全连接层对所述一维化特征向量进行处理，得到所述目标特征。
本申请还提供一种左右手脑电信号识别系统，包括：
信号采样提取模块，用于对待识别脑电信号进行小波变换采样处理，得到样本点数据；
信号特征识别模块，用于采用简化卷积神经网络对所述样本点数据进行特征识别处理，得到目标特征；
特征分类模块，用于采用softmax层对所述目标特征进行分类，得到所述待识别脑电信号的识别结果。
可选的，所述信号采样提取模块，包括：
信号采样单元，用于对所述待识别脑电信号进行采样处理，得到采样信号数据；
小波变换单元，用于对所述采样信号数据进行小波变换处理，得到小波变换信号数据；
信号取样单元，用于对所述小波变换信号数据进行取样，得到所述样本点数据。
可选的，所述信号取样单元，具体用于根据预设频率区间对所述小波变换信号数据进行取样，得到所述样本点数据。
可选的，所述信号特征识别模块，包括：
卷积层处理单元，用于采用所述简化卷积神经网络的卷积层对所述样本点数据进行特征提取处理，得到特征映射；
Flatten层处理单元，用于采用所述简化卷积神经网络的Flatten层对所述特征映射进行特征向量转换，得到一维化特征向量；
全连接层处理单元，用于采用所述简化卷积神经网络的全连接层对所述一维化特征向量进行处理，得到所述目标特征。
本申请还提供一种左右手脑电信号识别装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的左右手脑电信号识别方法的步骤。
本申请还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的左右手脑电信号识别方法的步骤。
本申请所提供的一种左右手脑电信号识别方法，包括：对待识别脑电信号进行小波变换采样处理，得到样本点数据；采用简化卷积神经网络对所述样本点数据进行特征识别处理，得到目标特征；采用softmax层对所述目标特征进行分类，得到所述待识别脑电信号的识别结果。
通过先对待识别脑电信号进行小波变换采样处理，也就是在包含有频域特征信息和时域特征信息的图片信号中进行信号采样处理，得到样本点数据，提高了信号采样的精度，然后采用简化卷积神经网络对该样本点数据进行特征识别处理，得到目标特征，最后，采用softmax层对所述目标特征进行分类，得到所述待识别脑电信号的识别结果，由于采用简化了传统的卷积神经网络减少了网络参数的数量，提高了网络训练的效率以及网络处理的效率，同时保持了左右手脑电信号识别的精度和准确性。
本申请还提供一种左右手脑电信号识别系统、左右手脑电信号识别装置以及计算机可读存储介质，具有以上有益效果，在此不作赘述。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种左右手脑电信号识别方法的流程图；
图2为本申请实施例所提供的一种左右手脑电信号识别系统的结构示意图。
具体实施方式
本申请的核心是提供一种左右手脑电信号识别方法、左右手脑电信号识别系统、左右手脑电信号识别装置以及计算机可读存储介质，通过先对待识别脑电信号进行小波变换，然后再进行采样处理，最后再通过卷积神经网络对采样得到的样本点数据进行识别处理，提高了左右脑电信号识别的准确率和精度，同时保持了进行识别的效率。
为使本申请实施例的目的、技术方案和优点更加清楚，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做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
现有技术中常用的脑电信号的识别方法由于在提取特征的过程中，存在特征丢失的情况，导致进行左右手信号识别的精度和准确率降低，在左右手信号识别的过程中失败率较高。
因此，本申请提供一种左右手脑电信号识别方法，通过先对待识别脑电信号进行小波变换采样处理，也就是在包含有频域特征信息和时域特征信息的图片信号中进行信号采样处理，得到样本点数据，提高了信号采样的精度，然后采用简化卷积神经网络对该样本点数据进行特征识别处理，得到目标特征，最后，采用softmax层对目标特征进行分类，得到待识别脑电信号的识别结果，由于采用简化了传统的卷积神经网络减少了网络参数的数量，提高了网络训练的效率以及网络处理的效率，同时保持了左右手脑电信号识别的精度和准确性。
请参考图1，图1为本申请实施例所提供的一种左右手脑电信号识别方法的流程图。
本实施例中，该方法可以包括：
S101，对待识别脑电信号进行小波变换采样处理，得到样本点数据；
本步骤旨在对待识别脑电信号进行采样处理，也就是从待识别脑电信号采样出样本点数据。
其中，现有技术中一般是对运动想象脑电信号进行时频STFT，进行信号提取的的窗口的大小是固定的，会导致丢失部分的信号特征信息。
而本步骤中主要是采用小波变换采样处理对待识别脑电信号进行处理，得到样本点数据。小波变换的时间分辨率更高，更适合用于对非线性非稳定的运动想象脑电信号进行时频分析。具体的，首先是先将待识别脑电信号进行小波变换处理，得到小波变换后的信号，再对小波变换后的信号进行采样处理，得到样本点数据。
可选的，本步骤可以包括：
步骤一，对待识别脑电信号进行采样处理，得到采样信号数据；
步骤二，对采样信号数据进行小波变换处理，得到小波变换信号数据；
步骤三，对小波变换信号数据进行取样，得到样本点数据。
可见，本可选方案主要是对如何进行小波变换处理做进一步说明。其中，首先是对该待识别脑电信号进行采样处理，得到采样信号数据，然后再对采样信号数据进行小波变换处理，得到小波变换信号数据，然后再对小波变换信号数据进行取样，得到样本点数据。
其中，主要是对小波变换后的信号中选取预设频率范围内的频率样本点作为样本点数据。例如，对小波变换后的信号中的mu(5-13HZ)节律和beta(19-30HZ)节律的频率样本点进行采样。
可选的，在该可选方案中的步骤三可以包括：
根据预设频率区间对小波变换信号数据进行取样，得到样本点数据。
其中的预设频率区间可以是根据信号采样经验确定的信号采样的区间，在此不做具体限定。
S102，采用简化卷积神经网络对样本点数据进行特征识别处理，得到目标特征；
在S101的基础上，本步骤旨在对采样出来的样本点数据进行特征识别处理，得到目标特征。
其中，采用的简化卷积神经网络包括：卷积层、Flatten层以及全连接层。其中，卷积层包括两层卷积层。
其中，Flatten层常用于将输入“压平”，即把多维的输入一维化，常用于从卷积层到全连接层的过渡。在本步骤中主要是用于进行特征向量的映射处理。例如将16个多维特征映射转换为一个1维的特征向量。
其中，全连接层用于将学到的“分布式特征标识”映射到样本标记空间，也就是将提取出的特征向量映射到样本标记空间。
可选的，本步骤可以包括：
步骤一，采用简化卷积神经网络的卷积层对样本点数据进行特征提取处理，得到特征映射；
步骤二，采用简化卷积神经网络的Flatten层对特征映射进行特征向量转换，得到一维化特征向量；
步骤三，采用简化卷积神经网络的全连接层对一维化特征向量进行处理，得到目标特征。
可见，本可选方案主要是对如何进行特征识别处理做进一步说明。具体的，首先采用卷积层进行处理，然后采用其中的Flatten层进行处理，最后采用全连接层进行处理，得到最终的目标特征。其中，目标特征即为提取出的特征向量。
S103，采用softmax层对目标特征进行分类，得到待识别脑电信号的识别结果。
在S102的基础上，本步骤旨在采用最后的softmax层对目标特征进行分类，也就是采用softmax函数对目标是识别结果进行处理，得到待识别脑电信号的识别结果。
其中，softmax层为最后的预测分类层，用于将全连接输出的结果进行预测分类，得到最后的结果。在本实施例中就是识别出待识别脑电信号属于运动想象中的左手运动信号还是右手运动信号。
其中，本步骤中最后的识别结果就是判断出待识别脑电信号属于左手运动的信号还是右手运动的信号。
可选的，本实施例中还包括：
根据该待识别脑电信号的识别结果控制对应的机械手臂进行运动。具体的，当待识别脑电信号的识别结果为左手运行信号时，则对左侧的机械手臂进行运动控制；当待识别脑电信号的识别结果为右手运行信号时，则对右侧的机械手臂进行运动控制。
可见，本可选方案主要是说明根据对左右手脑电信号进行识别后，根据识别的结果对对应的机械手臂进行控制，以便实现通过脑电信号对机械装置进行控制。
综上，本实施例通过先对待识别脑电信号进行小波变换采样处理，也就是在包含有频域特征信息和时域特征信息的图片信号中进行信号采样处理，得到样本点数据，提高了信号采样的精度，然后采用简化卷积神经网络对该样本点数据进行特征识别处理，得到目标特征，最后，采用softmax层对目标特征进行分类，得到待识别脑电信号的识别结果，由于采用简化了传统的卷积神经网络减少了网络参数的数量，提高了网络训练的效率以及网络处理的效率，同时保持了左右手脑电信号识别的精度和准确性。
以下通过一个具体的实施例，对本申请提供的一种左右手脑电信号识别方法做进一步说明。
本实施例中，该方法可以包括：
步骤1，对时间长度为4s(3.5s-7.5s)原始的脑电信号(EEG)采样，采样频率为250HZ。
步骤2，对采样后的运动想象脑电信号做小波变换。其中，在从小波变换后的信号中选取mu(5-13Hz)和beta(19-30Hz)节律的频率样本点。得到每个电极的脑电信号的时频图片大小为44*1000，其中44和1000分别为频域和时间样本数。最后，对时频图片的沿时间轴平均即在沿时间轴每五个点取平均的得到每张输入图片大小为44*200(Nfr*Nt)。
步骤3，将步骤2得到的时频图片作为SCNN(Simplified Convolutional NeuralNetwork简化的卷积神经网络)中Cov-1的C1层的输入。
其中，该SCNN网络中，其中一个神经元的定义为N(l，k，j)，l是神经网络的层数，k为特征映射数，j为位置特征映射数。一个神经元的输入和输出分别为
Figure BDA0002211475830000081
和
Figure BDA0002211475830000082
则输入与输出的关系可表示为：
Figure BDA0002211475830000083
其中，f是激活函数ReLu。其表达式如下：
f(a)＝ln(1+ea)
其中，SCNN网络的I1为输入层，输入图片的为
Figure BDA0002211475830000084
则C2层的输出表达式如下：
Figure BDA0002211475830000085
其中，
Figure BDA0002211475830000091
是C2层的输出，为偏差，大小
Figure BDA0002211475830000093
为(Nc@Nfr*1)的8个filters沿时间轴滑动，C2输出为8个大小为1*100的特征映射
Figure BDA0002211475830000094
在输入ReLU之前BN层先对数据做归一化处理；
步骤4，将步骤3的输出作为Cov-2的C3层的输入。则C3的输出为：
Figure BDA0002211475830000095
其中，这里
Figure BDA0002211475830000096
的大小为(1,10)，stride＝10,
Figure BDA0002211475830000097
是偏差。
Figure BDA0002211475830000098
为C3层输出即16个[1*20]的特征映射，在输入ReLU之前BN层再对数据做归一化处理。
步骤5，将步骤4的输出输入到Flatten层，则这16个特征映射转换为一个[1*320]的特征向量即y4。
步骤6，将y4输入到全连接层(D5)，该层由64个神经元组成，得到一个[64*1]的特征向量。
该层的输出为：
Figure BDA0002211475830000099
这里
Figure BDA00022114758300000910
和b5(j)是Flatten到D5(全连接层)的权重和偏差。
步骤7，将步骤6的输出输入到softmax层(O6)，由两个神经元组成。该层的输出为：
Figure BDA00022114758300000911
步骤8，该SCNN通过误差反向传播算法修正权值与偏差；具体过程为：在用训练集训练SCNN时计算最小损失E,通过梯度下降法更新神经网络的权重和偏差，其表达式如下：
Figure BDA00022114758300000912
Figure BDA00022114758300000913
在SCNN的训练中，不通过计算损失E的最小值来作为判断是否停止训练的标准，而是通过设置的epoch等于100实现停止训练。
可见，本申请实施例提供了一种左右手脑电信号识别方法，可以通过先对待识别脑电信号进行小波变换采样处理，也就是在包含有频域特征信息和时域特征信息的图片信号中进行信号采样处理，得到样本点数据，提高了信号采样的精度，然后采用简化卷积神经网络对该样本点数据进行特征识别处理，得到目标特征，最后，采用softmax层对目标特征进行分类，得到待识别脑电信号的识别结果，由于采用简化了传统的卷积神经网络减少了网络参数的数量，提高了网络训练的效率以及网络处理的效率，同时保持了左右手脑电信号识别的精度和准确性。
下面对本申请实施例提供的一种左右手脑电信号识别系统进行介绍，下文描述的一种左右手脑电信号识别系统与上文描述的一种左右手脑电信号识别方法可相互对应参照。
请参考图2，图2为本申请实施例所提供的一种左右手脑电信号识别系统的结构示意图。
本实施例中，该系统可以包括：
信号采样提取模块100，用于对待识别脑电信号进行小波变换采样处理，得到样本点数据；
信号特征识别模块200，用于采用简化卷积神经网络对样本点数据进行特征识别处理，得到目标特征；
特征分类模块300，用于采用softmax层对目标特征进行分类，得到待识别脑电信号的识别结果。
可选的，该信号采样提取模块100，可以包括：
信号采样单元，用于对待识别脑电信号进行采样处理，得到采样信号数据；
小波变换单元，用于对采样信号数据进行小波变换处理，得到小波变换信号数据；
信号取样单元，用于对小波变换信号数据进行取样，得到样本点数据。
可选的，该信号取样单元，具体用于根据预设频率区间对小波变换信号数据进行取样，得到样本点数据。
可选的，该信号特征识别模块200，可以包括：
卷积层处理单元，用于采用简化卷积神经网络的卷积层对样本点数据进行特征提取处理，得到特征映射；
Flatten层处理单元，用于采用简化卷积神经网络的Flatten层对特征映射进行特征向量转换，得到一维化特征向量；
全连接层处理单元，用于采用简化卷积神经网络的全连接层对一维化特征向量进行处理，得到目标特征。
本申请实施例还提供一种左右手脑电信号识别装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如以上实施例的左右手脑电信号识别方法的步骤。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如以上实施例的左右手脑电信号识别方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种左右手脑电信号识别方法、左右手脑电信号识别系统、左右手脑电信号识别装置以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (10)

1.一种左右手脑电信号识别方法，其特征在于，包括：
对待识别脑电信号进行小波变换采样处理，得到样本点数据；
采用简化卷积神经网络对所述样本点数据进行特征识别处理，得到目标特征；
采用softmax层对所述目标特征进行分类，得到所述待识别脑电信号的识别结果。
2.根据权利要求1所述的左右手脑电信号识别方法，其特征在于，对待识别脑电信号进行小波变换采样处理，得到样本点数据，包括：
对所述待识别脑电信号进行采样处理，得到采样信号数据；
对所述采样信号数据进行小波变换处理，得到小波变换信号数据；
对所述小波变换信号数据进行取样，得到所述样本点数据。
3.根据权利要求2所述的左右手脑电信号识别方法，其特征在于，对所述小波变换信号数据进行取样，得到所述样本点数据，包括：
根据预设频率区间对所述小波变换信号数据进行取样，得到所述样本点数据。
4.根据权利要求1所述的左右手脑电信号识别方法，其特征在于，采用简化卷积神经网络对所述样本点数据进行特征识别处理，得到目标特征，包括：
采用所述简化卷积神经网络的卷积层对所述样本点数据进行特征提取处理，得到特征映射；
采用所述简化卷积神经网络的Flatten层对所述特征映射进行特征向量转换，得到一维化特征向量；
采用所述简化卷积神经网络的全连接层对所述一维化特征向量进行处理，得到所述目标特征。
5.一种左右手脑电信号识别系统，其特征在于，包括：
信号采样提取模块，用于对待识别脑电信号进行小波变换采样处理，得到样本点数据；
信号特征识别模块，用于采用简化卷积神经网络对所述样本点数据进行特征识别处理，得到目标特征；
特征分类模块，用于采用softmax层对所述目标特征进行分类，得到所述待识别脑电信号的识别结果。
6.根据权利要求5所述的左右手脑电信号识别系统，其特征在于，所述信号采样提取模块，包括：
信号采样单元，用于对所述待识别脑电信号进行采样处理，得到采样信号数据；
小波变换单元，用于对所述采样信号数据进行小波变换处理，得到小波变换信号数据；
信号取样单元，用于对所述小波变换信号数据进行取样，得到所述样本点数据。
7.根据权利要求6所述的左右手脑电信号识别系统，其特征在于，所述信号取样单元，具体用于根据预设频率区间对所述小波变换信号数据进行取样，得到所述样本点数据。
8.根据权利要求5所述的左右手脑电信号识别系统，其特征在于，所述信号特征识别模块，包括：
卷积层处理单元，用于采用所述简化卷积神经网络的卷积层对所述样本点数据进行特征提取处理，得到特征映射；
Flatten层处理单元，用于采用所述简化卷积神经网络的Flatten层对所述特征映射进行特征向量转换，得到一维化特征向量；
全连接层处理单元，用于采用所述简化卷积神经网络的全连接层对所述一维化特征向量进行处理，得到所述目标特征。
9.一种左右手脑电信号识别装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述的左右手脑电信号识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的左右手脑电信号识别方法的步骤。
CN201910899845.1A 2019-09-23 2019-09-23 一种左右手脑电信号识别方法及相关装置 Pending CN110674738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910899845.1A CN110674738A (zh) 2019-09-23 2019-09-23 一种左右手脑电信号识别方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910899845.1A CN110674738A (zh) 2019-09-23 2019-09-23 一种左右手脑电信号识别方法及相关装置

Publications (1)

Publication Number Publication Date
CN110674738A true CN110674738A (zh) 2020-01-10

Family

ID=69077322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910899845.1A Pending CN110674738A (zh) 2019-09-23 2019-09-23 一种左右手脑电信号识别方法及相关装置

Country Status (1)

Country Link
CN (1) CN110674738A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111317468A (zh) * 2020-02-27 2020-06-23 腾讯科技（深圳）有限公司 脑电信号分类方法、装置、计算机设备和存储介质
CN111950455A (zh) * 2020-08-12 2020-11-17 重庆邮电大学 一种基于lffcnn-gru算法模型的运动想象脑电信号特征识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102058413A (zh) * 2010-12-03 2011-05-18 上海交通大学 基于连续小波变换的脑电信号警觉度检测方法
WO2016113718A1 (en) * 2015-01-16 2016-07-21 Puneet Agarwal System and method to diagnose and predict different systemic disorders and mental states
CN107423668A (zh) * 2017-04-14 2017-12-01 山东建筑大学 基于小波变换和稀疏表达的脑电信号分类系统与方法
CN109711383A (zh) * 2019-01-07 2019-05-03 重庆邮电大学 基于时频域的卷积神经网络运动想象脑电信号识别方法
CN110101383A (zh) * 2019-04-19 2019-08-09 长沙理工大学 一种基于小波能量的心电信号去噪算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102058413A (zh) * 2010-12-03 2011-05-18 上海交通大学 基于连续小波变换的脑电信号警觉度检测方法
WO2016113718A1 (en) * 2015-01-16 2016-07-21 Puneet Agarwal System and method to diagnose and predict different systemic disorders and mental states
CN107423668A (zh) * 2017-04-14 2017-12-01 山东建筑大学 基于小波变换和稀疏表达的脑电信号分类系统与方法
CN109711383A (zh) * 2019-01-07 2019-05-03 重庆邮电大学 基于时频域的卷积神经网络运动想象脑电信号识别方法
CN110101383A (zh) * 2019-04-19 2019-08-09 长沙理工大学 一种基于小波能量的心电信号去噪算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BAOGUO XU, ET AL.: ""Wavelet Transform Time-Frequency Image and Convolutional Network-Based Motor Imagery EEG Classification"", 《IEEE ACCESS》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111317468A (zh) * 2020-02-27 2020-06-23 腾讯科技（深圳）有限公司 脑电信号分类方法、装置、计算机设备和存储介质
CN111317468B (zh) * 2020-02-27 2024-04-19 腾讯科技（深圳）有限公司 脑电信号分类方法、装置、计算机设备和存储介质
CN111950455A (zh) * 2020-08-12 2020-11-17 重庆邮电大学 一种基于lffcnn-gru算法模型的运动想象脑电信号特征识别方法
CN111950455B (zh) * 2020-08-12 2022-03-22 重庆邮电大学 一种基于lffcnn-gru算法模型的运动想象脑电信号特征识别方法

Similar Documents

Publication Publication Date Title
CN108363493B (zh) 基于脑机接口的用户特征模型建立方法、系统及存储介质
CN110472649B (zh) 基于多尺度分析和集成树模型的脑电情感分类方法及系统
CN110680313A (zh) 一种基于脉冲群智能算法并结合stft-psd和pca的癫痫时期分类方法
Carbonneau et al. Feature learning from spectrograms for assessment of personality traits
Leidal et al. Learning modality-invariant representations for speech and images
Halkias et al. Classification of mysticete sounds using machine learning techniques
CN110674738A (zh) 一种左右手脑电信号识别方法及相关装置
CN114692680A (zh) 脑电信号特征处理方法及装置
CN108229432A (zh) 人脸标定方法及装置
CN113935380B (zh) 一种基于模板匹配的自适应运动想象脑机接口方法与系统
Xie et al. WT feature based emotion recognition from multi-channel physiological signals with decision fusion
CN114384999B (zh) 基于自适应学习的用户无关肌电手势识别系统
Naranjo-Alcazar et al. On the performance of residual block design alternatives in convolutional neural networks for end-to-end audio classification
CN115238796A (zh) 基于并行damscn-lstm的运动想象脑电信号分类方法
Yarga et al. Efficient spike encoding algorithms for neuromorphic speech recognition
CN116561533B (zh) 一种教育元宇宙中虚拟化身的情感演化方法及终端
CN113421546A (zh) 基于跨被试多模态的语音合成方法及相关设备
Franco et al. FPGA-based muscle synergy extraction for surface EMG gesture classification
CN107894837A (zh) 动态情感分析模型样本处理方法及装置
CN112420056A (zh) 基于变分自编码器的说话人身份鉴别方法、系统及无人机
CN114638253B (zh) 基于情感脑电特征融合优化机制的身份识别系统及方法
CN116434758A (zh) 声纹识别模型训练方法、装置、电子设备及存储介质
Abenna et al. BCI: Classifiers optimization for EEG signals acquiring in real-time
CN114548262B (zh) 一种情感计算中多模态生理信号的特征级融合方法
CN113504891B (zh) 一种音量调节方法、装置、设备以及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200110

RJ01 Rejection of invention patent application after publication