CN113011239B - 一种基于最优窄频带特征融合的运动想象分类方法 - Google Patents
一种基于最优窄频带特征融合的运动想象分类方法 Download PDFInfo
- Publication number
- CN113011239B CN113011239B CN202011399435.XA CN202011399435A CN113011239B CN 113011239 B CN113011239 B CN 113011239B CN 202011399435 A CN202011399435 A CN 202011399435A CN 113011239 B CN113011239 B CN 113011239B
- Authority
- CN
- China
- Prior art keywords
- frequency
- band
- motor imagery
- frequency band
- optimal narrow
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000004927 fusion Effects 0.000 title claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 210000004556 brain Anatomy 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 14
- 238000002474 experimental method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000002507 cathodic stripping potentiometry Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Discrete Mathematics (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种基于最优窄频带特征融合的运动想象分类方法。本发明将四分类运动想象任务整合成4个二分类运动想象任务,然后对于每2类运动想象任务,均获取1个最优窄频带,总共得到4个最优窄频带;利用最优窄频带对每2类运动想象脑电信号进行带通滤波,然后对滤波后脑电信号进行特征提取,生成维度为32×7的结果矩阵;构建深度卷积神经网络模型,输入为32×7的结果矩阵,输出为脑电信号预测类别。本发明通过一种新颖的四叉搜索树自动确定最优窄频带,并通过共空间模式算法提取动态能量特征,最后将多个窄频带通过卷积神经网络进行特征融合,并实现多类别运动想象脑电信号的分类。
Description
技术领域
本发明属于脑-机接口领域中的运动想象范式,涉及一种基于最优窄频带特征融合的运动想象分类方法。
背景技术
脑-机接口(BCI)是一种在人脑和计算机或其他电子设备之间建立不依赖于常规大脑信息输出通路的对外信息交流和控制的技术。自BCI诞生以来,其研究开发的主流多是控制外部设备和替代病人的一些缺失功能,例如通过控制轮椅和文字拼写器等设备来实现缺失功能的代偿。脑电图作为一种非侵入式信号采集方式,由于其安全性和低成本,是BCI的主要应用方式,而运动想象则是脑电图中研究最广泛的范例,针对不同运动想象的脑电信号分类也是目前研究的重点。
目前已经提出了一些针对运动想象脑电信号特征提取的方法,其中最经典的方法是通过共空间模式(CSP)算法生成空域滤波器。通过应用空域滤波器,将脑电信号投影到一个子空间,在该子空间内,两个运动图像之间呈现出最高的区分度。但CSP算法的有效性与选择的滤波频段有非常大的关联,并且仅能解决二分类运动想象问题。为了提高分类准确率,出现了该算法的各种变体,例如滤波器组共空间模式算法(FBCSP)和判别式滤波器组共空间模式算法(DFBCSP),这些变体表明在不同的频带上应用CSP可以提高分类精度,同时也在BCI竞赛数据集上表现出了更高的性能。但MI-BCI现有的特征提取方法仍集中在静态能量特征的提取上,而忽略了在执行运动想象过程中信号的动态性。FBCSP算法选择与数据集无关的固定滤波器组,无法针对特定用户进行优化,而DFBCSP利用单信道的频带功率从多个重叠自带中选择最具判别性的子带,存在单信道区分度不足,整个模型鲁棒性低的缺陷。虽然DFBCSP出现了很多的变体,但分类精度并没有较大的提升,甚至在应用不同数据集时会出现下降的情况。
除了经典的共空间模式外,近期很多工作已经将卷积神经网络应用于脑电信号的分类,并在图像处理等其他领域取得了重大成果,基于卷积神经网络的脑电信号处理主要分为两类,原始信号输入网络与特征输入网络。原始信号输入网络是一种端到端的模型,将时间序列下的EEG信号直接输入,特征提取和分类组合在同一个模型中,仅带有(或不带有)少量的预处理。特征输入网络对于EEG信号的处理分为两部分,先通过小波变换、空域滤波器等特征提取方法将EEG信号转换为特征向量,再将这些特征向量作为CNN的输入,通过CNN进行训练并分类。两种不同的输入模式都有其优缺点,端到端的神经网络可以从原始数据中自动学习有用的特征,但是对于小的训练数据集,很难获得满意的效果,并且对于不同任务下的数据集,需要根据相关背景知识调节模型。特征输入网络适合小型数据集,并且优于传统方法,但是先经过特征提取再输入到网络,会丢失一些潜在信息,从而影响分类性能。
为了解决当前在运动想象脑电信号分类中存在的问题,提出了一种基于最优窄频带特征融合的运动想象分类方法,以提高最终的分类效果。
发明内容
本发明针对现有技术的不足,提供了一种基于最优窄频带特征融合的运动想象分类方法。
为实现上述目的,本发明的技术方案具体内容如下:
一种基于最优窄频带特征融合的运动想象分类方法,其特征在于该方法包括以下步骤:
步骤(1)、获取运动想象脑电信号
使用BCI竞赛IV 2a四分类运动想象数据集对多分类运动想象任务进行测试;根据四分类运动想象任务,分别设置4个一对多(OVR)分类器,每个分类器设定其中某一种运动想象为第一类,其他所有运动想象为第二类,构成二分类任务;且4个分类器的第一类均不同;
步骤(2)、获取最优窄频带
对于每2类运动想象任务,均获取1个最优窄频带,总共得到4个最优窄频带;最优窄频带获取方式如下;
2.1确定宽频带0.1-32Hz为根节点,并将其等分成4个频带,分别为0.1-8Hz,8-16Hz,16-24Hz和24-32Hz;
2.2对上述四个频带进行带通滤波,得到滤波后的脑电信号;
2.3对滤波后的脑电信号使用CSP算法提取特征,具体是:
设滤波后的脑电信号表示为X∈RC×N,其中C表示通道数,N表示采样点;将脑电信号的训练数据分为两类,分别为X1和X2,其中Xd∈RC×N,d∈{1,2}表示类别标签;Xd=[xd,1,…,xd,N]的均值表示为Xd使用空域滤波器ω映射后的时间方差表示为:
其中T表示转置;
CSP算法通过构建空域滤波器ω,将脑电信号映射到一个新的子空间,使得在使用ω映射后两个类别之间的方差差值最大,故空域滤波器ω约束条件为:
定义Σd表示类别标签为d的脑电信号的协方差矩阵:
利用公式(3)将公式(2)表示为以下形式:
求解空域滤波器的表达式(4)可以由公式(5)广义特征值问题求解得到;通过求解最小的4个和最大的4个广义特征值对应的8个特征向量,得到最终的空域滤波器ω∈RC×8;
Σdω=λ(Σ1+Σ2)ω (5)
将计算得到的空域滤波器ω处理带通滤波后的脑电信号X,得到子空间映射后的脑电信号X′表示为:
X′=ωT·X (6)
对子空间映射后的脑电信号提取方差特征得到:
y=σ2(X,ω) (7)
其中y∈R8;
2.4构建具有线性核的支持向量机模型,输入为脑电信号的特征向量,输出为类别标签;根据输出的类别标签与真实的类别标签进行对比,得到当前频带下的分类精度;
2.5从四个频带中选取分类精度最高频带以及与分类精度最高频带相邻的频带中分类精度较大者,将这两个频带共同作为父节点,并将这该父节点等分为4个频带,重复步骤2.2-2.5,直至得到的等分后4个频带内步长为1,则输出整个搜索过程中分类精度最高的频带作为最优窄频带;
步骤(3)、特征提取
3.1利用步骤2.5得到的最优窄频带对步骤(1)运动想象脑电信号进行带通滤波,然后对滤波后脑电信号进行特征提取:
传统的CSP算法,仅获取公式(7)的信号方差作为特征,但是我们观察到子空间中的信号在时频域特征上有明显的差别;
因此对于公式(6)中每个映射后的脑电信号X′,通过最大值、最小值、均值以及标准差表示X′的时域特征,通过频率均值、频率方差以及频率熵表示X′的频域特征;
3.1.1时域特征,包括脑电信号的最大值、最小值、均值以及标准差;
3.1.2频域特征,包括脑电信号的频率均值、频率方差以及频率熵;
频率均值表示如下:
其中F(k),k=1,2…,N表示经过快速傅里叶变换后的频谱图,N表示最高频率的一半;
频率方差表示如下:
频率熵表示如下:
3.2针对四分类运动想象任务构成的4个二分类的分类器,得到4个8×7的特征矩阵,并进行垂直级联,生成维度为32×7的结果矩阵:
其中表示最优窄频带k的第i个特征向量中的第j个特征,k的范围为1≤k≤4,i的范围为1≤i≤8,j的范围为1≤j≤7,1至7分别代表脑电信号的最大值、最小值、均值、标准差、频率均值、频率方差以及频率熵;
步骤(4)、构建深度卷积神经网络模型
深度卷积神经网络模型包括第一卷积层、第二卷积层、全连接层;输入为步骤(3)32×7的结果矩阵Ainput,输出为脑电信号预测类别;
所述的第一卷积层包括两个可分离2D卷积,核大小为1×3和8×1,用于融合最优窄频带内的特征,同时缩小特征图的尺寸;
所述的第二卷积层为核大小为4×1的可分离2D卷积,用于融合最优窄频带间的特征,特征数所在的维度被压缩为1;
由于输入数据已经过特征的预提取,因此整个网络中不进行池化处理,对融合后的特征直接进行归一化操作;
所述的全连接层,用于最终的分类,为避免过拟合,使用了Dropout,其中rate=0.5。经过实验,ReLU相对于其他激D活函数具有更好的效果,因此在卷积层和全连接层均设置了ReLU激活函数;
网络训练过程中,使用交叉熵损失函数,定义如下:
其中p是目标分布,q是观察到的分布,n表示样本数量;模型使用Adam优化器进行优化,学习率为1e-3,衰减权重为1e-7;采用零均值和单位方差的正态分布初始化卷积层权重,批归一化层使用1初始化,批处理大小为16;
与MLP类似,全连接层中的每个神经元都与前一层的所有神经元进行全连接;最后一层全连接的输出值会给出一个输出,采用softmax逻辑回归进行分类;得到分类结果与正确结果进行对比并计算损失函数,通过反向传播修改参数;模型训练完成之后,应用于测试集并进行分类,得到最终的分类结果。
本发明通过一种新颖的四叉搜索树自动确定最优窄频带,并通过共空间模式算法提取动态能量特征,最后将多个窄频带通过卷积神经网络进行特征融合,并实现多类别运动想象脑电信号的分类。
附图说明
图1为BCI-VR数据采集电极分布图。
图2为四叉搜索树架构图。
图3为多频带融合架构图。
图4为深度卷积神经网络模型架构图。
具体实施方式
为使本发明的目的、技术方案和要点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
一种基于最优窄频带特征融合的运动想象分类方法,包括以下步骤:
步骤1:获取运动想象脑电信号
实验选择BCI竞赛IV 2a四分类运动想象数据集(下面统称为BCI竞赛数据集)。其中包括左手,右手,双脚和舌头四类运动想象任务,一共包括来自22个电极的EEG信号以及来自3个电极的EOG信号,信号采样率为250Hz,并经过0.5-100Hz的带通滤波处理。图1为BCI-VR数据采集电极分布图。
步骤1.1:BCI竞赛数据集中,9名被试执行四类运动想象任务,一共进行了两次实验。每一次实验均包括288个试次,每个试次中运动想象的持续时间为3秒,采用前一次实验获得的288个试次作为训练集,后一次实验获得的288个试次作为测试集进行评估。
步骤1.2:对于四分类运动想象任务,设置4个分类器处理对应的二分类任务。每个分类器都设定其中某一种运动想象为第一类,其他所有运动想象为第二类,构成二分类任务,且4个分类器的第一类均不相同。训练集和测试集的划分方式相同,当训练集使用某一类为第一类时,测试集也需要使用该类为第一类。
图2为四叉搜索树架构图。
图3为多频带融合架构图。
步骤2:获取最佳窄频带
步骤2.1:确定宽频带0.1-32Hz为根节点,并将其等分成4个频带,分别为0.1-8Hz,8-16Hz,16-24Hz和24-32Hz。
步骤2.2:分别通过这四个频带进行带通滤波,并得到滤波后的脑电信号。
步骤2.3:对滤波后的脑电信号使用CSP算法提取特征,具体是:
设滤波后的脑电信号表示为X∈RC×N,其中C表示通道数,N表示采样点;将脑电信号的训练数据分为两类,分别为X1和X2,其中Xd∈RC×N,d∈{1,2}表示类别标签;Xd=[xd,1,…,xd,N]的均值表示为Xd使用空域滤波器ω映射后的时间方差表示为:
其中T表示转置;
CSP算法通过构建空域滤波器ω,将脑电信号映射到一个新的子空间,使得在使用ω映射后两个类别之间的方差差值最大,故空域滤波器ω约束条件为:
定义Σd表示类别标签为d的脑电信号的协方差矩阵:
利用公式(3)将公式(2)表示为以下形式:
求解空域滤波器的表达式(4)可以由公式(5)广义特征值问题求解得到;通过求解最小的4个和最大的4个广义特征值对应的8个特征向量,得到最终的空域滤波器ω∈RC×8;
Σdω=λ(Σ1+Σ2)ω (5)
将计算得到的空域滤波器ω处理带通滤波后的脑电信号X,得到子空间映射后的脑电信号X′表示为:
X′=ωT·X (6)
对子空间映射后的脑电信号提取方差特征得到:
y=σ2(X,ω) (7)
其中y∈R8;
步骤2.4:将训练集的80%作为训练数据,20%作为测试数据。构建具有线性核的支持向量机(SVM)模型,输入为脑电信号的特征向量,输出为类别标签;根据输出的类别标签和真实的类别标签进行对比,得到当前频带下的分类精度。SVM模型构建方式具体是:
设有N个维度为n的训练数据,表示为T={(x1,y1),(x2,y2),…,(XN,Yn)},其中xi∈Rn,yi∈{-1,1},i=1,2,…,N。选择惩罚参数C>0,构造并求解凸二次规划问题,找到最能将一类数据与另一类数据分离的超平面(w,b)。
其中α表示拉格朗日乘子向量,K(·)表示核函数,K(x,y)=φ(x)*φ(x),φ(·)表示映射函数。求得最优解计算/>选择α*的一个分量适合条件/>根据公式(9)计算b*。
求得分离超平面w*·x+b*=0,分类决策函数为f(x)=sign(w*·x+b*)。
在训练分类器的过程中,由于第一类和第二类样本数量比例为1:3,属于类别数量分布不均衡样本,因此使用F1 Score代替准确率作为模型评价指标进行模型优化。假设分类样本为正样本和负样本,那么预测为正的可能有两种,分别是把正类预测成正类(TP)和把负类预测成正类(FP),精确率定义为:
召回率指的是相对于原来的样本而言,样本的正类中有多少被成功预测了。同样也有两种可能,一种是把原来的正类预测成正类(TP),另一种是把原来的正类预测成负类(FN),召回率定义为:
F1 Score是分类问题的一个衡量指标,是精确率和召回率的调和平均数,最大为1,最小为0,定义为:
步骤2.5:从四个频带中选取分类精度最高的频带以及与分类精度最高频带相邻的频带中分类精度较大者,将这两个频带共同作为父节点,并将这该父节点等分为4个频带,重复步骤2.2-2.5,直至得到的等分后4个频带内步长为1。每轮搜索结束时,都更新全局分类精度最大值,并保存得到最大值对应的滤波频带。最终输出整个搜索过程中分类精度最高的频带作为最优窄频带。
步骤3:特征提取阶段
步骤3.1:利用步骤2.5得到的最优窄频带对步骤(1)运动想象脑电信号进行带通滤波,然后对滤波后脑电信号进行特征提取:
3.1.1时域特征,包括脑电信号的最大值、最小值、均值以及标准差;
3.1.2频域特征,包括脑电信号的频率均值、频率方差以及频率熵;
频率均值表示如下:
其中F(k),k=1,2…,N表示经过快速傅里叶变换后的频谱图,N表示最高频率的一半;
频率方差表示如下:
频率熵表示如下:
步骤3.2:针对四分类运动想象任务构成的4个二分类的分类器,得到4个8×7的特征矩阵,并进行垂直级联,生成维度为32×7的结果矩阵:
其中表示最优窄频带k的第i个特征向量中的第j个特征,k的范围为1≤k≤4,i的范围为1≤i≤8,j的范围为1≤j≤7,1至7分别代表脑电信号的最大值、最小值、均值、标准差、频率均值、频率方差以及频率熵;
步骤4:构建深度卷积神经网络模型,如图4
深度卷积神经网络模型包括第一卷积层、第二卷积层、全连接层;输入为步骤(3)32×7的结果矩阵Ainput,输出为脑电信号预测类别;
步骤4.1:第一卷积层包含两个2D卷积,核大小为1×3和8×3,用于融合频带内的特征,同时缩小特征图的尺寸,经过频带内特征融合后,每个卷积核对应的输出的特征维度表示如下。
其中,表示第k个频带融合后的第i个特征,k的范围为1≤k≤4,i的范围为1≤i≤7。
步骤4.2:第一卷积层的输出矩阵Aout1作为第二卷积层的输入。第二卷积层使用核大小为4×1的2D卷积,用于融合频带间的特征,在第二部分卷积结束之后,特征数所在的维度被压缩为1。经过频带间特征融合后,每个卷积核对应的输出特征维度表示如下。
Aout1=(a1,a2,…,a7)
步骤4.3:由于输入数据已经过特征的预提取,因此整个网络中不进行池化处理,直接通过卷积层进行降采样,以增强网络的学习能力。对融合后的特征进行归一化操作并输入到全连接层。
步骤4.4:所述的全连接层,用于最终的分类,为避免过拟合,使用了Dropout,其中rate=0.5。经过实验,ReLU相对于其他激活函数具有更好的效果,因此在卷积层和全连接层均设置了ReLU激活函数,激活函数表达式如下:
f(x)=max(0,x) (16)
步骤4.5:网络训练过程中,使用交叉熵损失函数,定义如下:
其中p是目标分布,q是观察到的分布。模型使用Adam优化器进行优化,学习率为1e-3,衰减权重为1e-7。采用零均值和单位方差的正态分布初始化卷积层权重,批归一化层使用1初始化,批处理大小为16。
步骤5.6:与MLP类似,全连接层中的每个神经元都与前一层的所有神经元进行全连接。最后一层全连接的输出值会给出一个输出,采用softmax逻辑回归进行分类。得到分类结果与正确结果进行对比并计算损失函数,通过反向传播修改参数。模型训练完成之后,应用于测试集并进行分类,得到最终的分类结果。
Claims (4)
1.一种基于最优窄频带特征融合的运动想象分类方法,其特征在于该方法包括以下步骤:
步骤(1)、获取运动想象脑电信号
对四分类运动想象任务,通过设置4个分类器获取2类运动想象任务脑电信号;每个分类器设定其中某一种运动想象为第一类,其他所有运动想象为第二类,构成二分类任务,且4个分类器的第一类均不同;
步骤(2)、获取最优窄频带
对于每2类运动想象任务,均获取1个最优窄频带,总共得到4个最优窄频带;最优窄频带获取方式如下;
2.1确定宽频带0.1-32Hz为根节点,并将其等分成4个频带,分别为0.1-8Hz,8-16Hz,16-24Hz和24-32Hz;
2.2对上述四个频带进行带通滤波,得到滤波后的脑电信号;
2.3对滤波后的脑电信号使用CSP算法提取特征;
2.4构建具有线性核的支持向量机模型,输入为脑电信号的特征向量,输出为类别标签;根据输出的类别标签与真实的类别标签进行对比,得到当前频带下的分类精度;
2.5从四个频带中选取分类精度最高频带以及与分类精度最高频带相邻的频带中分类精度较大者,将这两个频带共同作为父节点,并将这该父节点等分为4个频带,重复步骤2.2-2.5,直至得到的等分后4个频带内步长为1,则输出整个搜索过程中分类精度最高的频带作为最优窄频带;
步骤(3)、特征提取
3.1利用步骤2.5得到的最优窄频带对步骤(1)运动想象脑电信号进行带通滤波,然后对滤波后脑电信号进行特征提取:
3.1.1时域特征,包括脑电信号的最大值、最小值、均值以及标准差;
3.1.2频域特征,包括脑电信号的频率均值、频率方差以及频率熵;
频率均值表示如下:
其中F(k),k=1,2…,N表示经过快速傅里叶变换后的频谱图,N表示最高频率的一半;
频率方差表示如下:
频率熵表示如下:
3.2针对四分类运动想象任务构成的4个二分类的分类器,得到4个8×7的特征矩阵,并进行垂直级联,生成维度为32×7的结果矩阵:
其中表示最优窄频带k的第i个特征向量中的第j个特征,k的范围为1≤k≤4,i的范围为1≤i≤8,j的范围为1≤j≤7,1至7分别代表脑电信号的最大值、最小值、均值、标准差、频率均值、频率方差以及频率熵;
步骤(4)、构建深度卷积神经网络模型,输入为步骤(3)32×7的结果矩阵Ainput,输出为脑电信号预测类别。
2.如权利要求1所述的方法,其特征在于步骤2.3具体是:
设滤波后的脑电信号表示为X∈RC×N,其中C表示通道数,N表示采样点;将脑电信号的训练数据分为两类,分别为X1和X2,其中Xd∈RC×N,d∈{1,2}表示类别标签;Xd=[xd,1,…,xd,N]的均值表示为Xd使用空域滤波器ω映射后的时间方差表示为:
其中T表示转置;
CSP算法通过构建空域滤波器ω,将脑电信号映射到一个新的子空间,使得在使用ω映射后两个类别之间的方差差值最大,故空域滤波器ω约束条件为:
定义∑d表示类别标签为d的脑电信号的协方差矩阵:
利用公式(3)将公式(2)表示为以下形式:
求解空域滤波器的表达式(4)可以由公式(5)广义特征值问题求解得到;通过求解最小的4个和最大的4个广义特征值对应的8个特征向量,得到最终的空域滤波器ω∈RC×8;
∑dω=λ(∑1+∑2)ω (5)
将计算得到的空域滤波器ω处理带通滤波后的脑电信号X,得到子空间映射后的脑电信号X′表示为:
X′=ωT·X (6)
对子空间映射后的脑电信号提取方差特征得到:
y=σ2(X,ω) (7)
其中y∈R8。
3.如权利要求1所述的方法,其特征在于深度卷积神经网络模型包括第一卷积层、第二卷积层、全连接层;
所述的第一卷积层包括两个可分离2D卷积,核大小为1×3和8×1,用于融合最优窄频带内的特征,同时缩小特征图的尺寸;
所述的第二卷积层为核大小为4×1的可分离2D卷积,用于融合最优窄频带间的特征,特征数所在的维度被压缩为1;
所述的全连接层,用于最终的分类。
4.如权利要求1所述的方法,其特征在于网络训练过程中,使用交叉熵损失函数,定义如下:
其中p是目标分布,q是观察到的分布,n表示样本数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011399435.XA CN113011239B (zh) | 2020-12-02 | 2020-12-02 | 一种基于最优窄频带特征融合的运动想象分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011399435.XA CN113011239B (zh) | 2020-12-02 | 2020-12-02 | 一种基于最优窄频带特征融合的运动想象分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011239A CN113011239A (zh) | 2021-06-22 |
CN113011239B true CN113011239B (zh) | 2024-02-09 |
Family
ID=76383184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011399435.XA Active CN113011239B (zh) | 2020-12-02 | 2020-12-02 | 一种基于最优窄频带特征融合的运动想象分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011239B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705324A (zh) * | 2021-06-29 | 2021-11-26 | 重庆邮电大学 | 基于决策树和csp-svm的多类运动想象脑电信号特征提取与分类方法 |
CN114081508B (zh) * | 2021-10-28 | 2024-05-14 | 杭州电子科技大学 | 一种基于深度神经网络与cca特征融合的棘波检测方法 |
CN113967022B (zh) * | 2021-11-16 | 2023-10-31 | 常州大学 | 一种基于个体自适应的运动想象脑电特征表征方法 |
CN114533083B (zh) * | 2022-01-24 | 2023-12-01 | 江苏省人民医院(南京医科大学第一附属医院) | 基于多融合式卷积神经网络的运动想象状态识别方法 |
CN114578963B (zh) * | 2022-02-23 | 2024-04-05 | 华东理工大学 | 一种基于特征可视化和多模态融合的脑电身份识别方法 |
CN114781441B (zh) * | 2022-04-06 | 2024-01-26 | 电子科技大学 | Eeg运动想象分类方法及多空间卷积神经网络模型 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102096565B1 (ko) * | 2018-11-08 | 2020-04-02 | 광운대학교 산학협력단 | 움직임 상상 뇌신호 인식을 위한 웨이블릿 변환 기반의 컨볼루션 신경망 분석 방법 |
CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
-
2020
- 2020-12-02 CN CN202011399435.XA patent/CN113011239B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102096565B1 (ko) * | 2018-11-08 | 2020-04-02 | 광운대학교 산학협력단 | 움직임 상상 뇌신호 인식을 위한 웨이블릿 변환 기반의 컨볼루션 신경망 분석 방법 |
CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113011239A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011239B (zh) | 一种基于最优窄频带特征融合的运动想象分类方法 | |
CN110728224B (zh) | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 | |
Zhang et al. | Multi-person brain activity recognition via comprehensive EEG signal analysis | |
Nunes et al. | EEG signal classification for epilepsy diagnosis via optimum path forest–A systematic assessment | |
CN114052735B (zh) | 一种基于深度领域自适应的脑电情绪识别方法及系统 | |
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 | |
CN112800998A (zh) | 融合注意力机制和dmcca的多模态情感识别方法及系统 | |
CN112465069B (zh) | 一种基于多尺度卷积核cnn的脑电情绪分类方法 | |
Jinliang et al. | EEG emotion recognition based on granger causality and capsnet neural network | |
CN111582082B (zh) | 基于可解释聚类模型的二分类运动想象脑电信号识别方法 | |
Chatterjee et al. | Discernibility matrix based dimensionality reduction for EEG signal | |
CN112800928A (zh) | 融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法 | |
CN115804602A (zh) | 基于注意力机制的多通道特征融合的脑电情绪信号检测方法、设备和介质 | |
Deepthi et al. | An intelligent Alzheimer’s disease prediction using convolutional neural network (CNN) | |
Wu et al. | Enhanced feature fusion through irrelevant redundancy elimination in intra-class and extra-class discriminative correlation analysis | |
Diwan et al. | Model hybridization & learning rate annealing for skin cancer detection | |
Oppong et al. | A Novel Computer Vision Model for Medicinal Plant Identification Using Log‐Gabor Filters and Deep Learning Algorithms | |
Ramakrishnan et al. | Epileptic eeg signal classification using multi-class convolutional neural network | |
CN114781441A (zh) | Eeg运动想象分类方法及多空间卷积神经网络模型 | |
Padole et al. | Graph wavelet-based multilevel graph coarsening and its application in graph-CNN for alzheimer’s disease detection | |
CN116763324A (zh) | 基于多尺度和多注意力的单通道脑电信号睡眠分期方法 | |
CN112733727B (zh) | 基于线性分析的特征决策融合的脑电意识动态分类方法 | |
Stuchi et al. | A frequency-domain approach with learnable filters for image classification | |
Peng | Research on Emotion Recognition Based on Deep Learning for Mental Health | |
CN114626408A (zh) | 脑电信号分类方法、装置、电子设备、介质及产品 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |