CN113343753B - 一种信号分类方法、电子设备以及计算机可读存储介质 - Google Patents
一种信号分类方法、电子设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113343753B CN113343753B CN202110431715.2A CN202110431715A CN113343753B CN 113343753 B CN113343753 B CN 113343753B CN 202110431715 A CN202110431715 A CN 202110431715A CN 113343753 B CN113343753 B CN 113343753B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- classification
- frequency signal
- classification result
- 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 53
- 238000013145 classification model Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 52
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims description 50
- 230000015654 memory Effects 0.000 claims description 23
- 210000004556 brain Anatomy 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 101100099288 Schizosaccharomyces pombe (strain 972 / ATCC 24843) thi1 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 208000018360 neuromuscular disease Diseases 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 208000020431 spinal cord injury Diseases 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
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Psychology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种信号分类方法、电子设备以及计算机可读存储介质，分类方法包括：获取训练数据以及测试数据；对训练数据进行时频分解，得到第一时频信号；以及对测试数据进行时频分解，得到第二时频信号；利用分类模型对第一时频信号进行分类，得到第一预测分类结果；以及利用分类模型对第二时频信号进行分类，得到第二预测分类结果；基于第一预测分类结果、第二预测分类结果以及第一时频信号的真实分类结果，计算得到测试数据的最终分类结果。以此解决现有技术中脑电信号分类不准确的问题。
Description
技术领域
本发明涉及信号处理技术领域，特别是涉及一种信号分类方法、电子设备以及计算机可读存储介质。
背景技术
脑机接口技术(Brain-Computer Interface，BCI)是一种新兴的人机交互技术，能够建立起大脑与外界控制设备传递信息的直接通路，可以很方便的将大脑的意图转化成计算机的控制命令，实现对外界设备的控制。对于患有神经肌肉疾病的患者(如瘫痪、脊髓损伤)，脑机接口技术是帮助他们恢复一些日常运动功能的十分有效的解决办法。借助于脑机接口技术，患者可以控制外骨骼机器人、轮椅或矫形器等康复设备，实现行走、抓取物品等运动能力。
当大脑想象身体某个部位的肢体运动时，大脑皮层中的感觉运动区域会产生一个有规律的电位信号变化，这种现象也称为事件相关同步(event relatedsynchronization，ERS)和事件相关不同步(event-related desynchronization，ERD)。因而，在大脑想象肢体运动时，检测大脑感觉运动区域的电位信号可以很方便地获取人体的运动意图，这使得基于运动想象实验范式的脑电信号成为了脑电信号分析中最常用的电位。
准确地解码运动想象脑电信号中包含的意图信息是帮助患者的关键。然而，运动想象脑电信号中固有的低信噪比、非平稳特性，从信号中准确地获取运动意图面临着许多挑战。公共空间模式(Common Spatial Pattern，CSP)是二分类运动想象脑电信号中最常用的特征提取方法，该方法对两种类别的信号协方差矩阵进行对角化，寻找到一个最佳的滤波器，使得相同类别的信号的方差最大，不同类别的信号的方差最小，进而得到具有很高区分度的特征向量。然而，公共空间模式的性能受训练样本数量和信号的频带影响很大。同时，被试者对运动提示的反应时间具有很大的差异，这使得很容易导致错误的分类。
发明内容
本发明提供一种信号分类方法、电子设备以及计算机可读存储介质，解决现有技术中脑电信号分类不准确的问题。
为解决上述技术问题，本发明提供的第一个技术方案为：提供一种信号分类方法，包括：获取训练数据以及测试数据；对训练数据进行时频分解，得到第一时频信号；以及对测试数据进行时频分解，得到第二时频信号；利用分类模型对第一时频信号进行分类，得到第一预测分类结果；以及利用分类模型对第二时频信号进行分类，得到第二预测分类结果；基于第一预测分类结果、第二预测分类结果以及第一时频信号的真实分类结果，计算得到测试数据的最终分类结果。
其中，对训练数据进行时频分解，得到第一时频信号；以及对测试数据进行时频分解，得到第二时频信号，包括：基于预设频带长度、预设重叠大小将训练数据或测试数据分布的频段进行划分，得到多个子频带；基于子频带的频率范围对训练数据或测试数据进行滤波；基于预设时间窗范围从滤波后的训练数据或测试数据中提取信号样本，进而得到第一时频信号或第二时频信号。
其中，获取训练数据以及测试数据包括：获取样本数据，从样本数据中进行有放回采样，进而得到至少两组训练数据以及至少一组测试数据。
其中，利用分类模型对第一时频信号进行分类，得到第一预测分类结果；以及利用分类模型对第二时频信号进行分类，得到第二预测分类结果，包括：利用特征提取模型对第一时频信号进行特征提取，以得到第一特征数据，以及利用特征提取模型对第二时频信号进行特征提取，以得到第二特征数据；利用分类模型对第一特征数据进行分类，以得到第一预测分类结果；以及利用分类模型对第二特征数据进行分类，以得到第二预测分类结果。
其中，利用特征提取模型对第一时频信号进行特征提取，以得到第一特征数据，以及利用特征提取模型对第二时频信号进行特征提取，以得到第二特征数据的步骤，包括：利用每一训练数据对应的第一时频信号分别对每一初始特征提取模型进行训练，进而得到多个特征提取模型；利用每一特征提取模型对对应的第一时频信号进行特征提取，以得到多个第一特征数据，以及利用每一特征提取模型对第二时频信号进行特征提取，以得到多个第二特征数据。
其中，利用分类模型对第一特征数据进行分类，以得到第一预测分类结果；以及利用分类模型对第二特征数据进行分类，以得到第二预测分类结果的步骤，包括：利用多个第一特征数据分别对每一初始分类模型进行训练，进而得到多个分类模型；利用每一分类模型对对应的第一特征数据进行分类，以得到多个第一预测分类结果，以及利用每一分类模型对对应的第二特征数据进行分类，以得到多个第二预测分类结果。
其中，基于第一预测分类结果、第二预测分类结果以及第一时频信号的真实分类结果，计算得到测试数据的最终分类结果，包括：基于每一第一预测分类结果以及对应的第一时频信号的真实分类结果，计算得到每一分类模型的权重值；基于每一分类模型的权重值以及每一第二预测分类结果计算得到测试数据的最终分类结果。
其中，基于每一分类模型的权重值以及每一第二预测分类结果计算得到测试数据的最终分类结果，包括：基于加权求和的方法，基于每一分类模型的权重值以及每一第二预测分类结果计算得到测试数据的最终分类结果。
其中，基于每一第一预测分类结果以及对应的第一时频信号的真实分类结果，计算得到每一分类模型的权重值，包括：利用多元线性算法基于每一第一预测分类结果以及对应的第一时频信号的真实分类结果，计算得到每一分类模型的权重值。
其中，样本数据为预设位置的脑电信号的样本数据；其中，训练数据占样本数据的85％～95％，测试数据占样本数据的5％～15％。
为解决上述技术问题，本发明提供的第二个技术方案为：提供一种电子设备，包括：存储器和处理器，其中，存储器存储有程序指令，处理器从存储器调取程序指令以执行上述任一项的方法。
为解决上述技术问题，本发明提供的第三个技术方案为：提供一种计算机可读存储介质，存储有程序文件，程序文件能够被执行以实现上述任一项的方法。
本发明的有益效果是：区别于现有技术的情况，本发明通过对训练数据以及测试数据进行时频分解，然后基于时频分解后的时频信号进行分类，以此能够解决现有技术中脑电信号分类不准确的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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它的附图，其中：
图1为本发明信号分类方法的第一实施例的流程示意图；
图2为本发明脑电信号采集时的电极分布结构示意图；
图3为图1中步骤S13的一具体实施例的流程示意图；
图4为图1中步骤S14的一具体实施例的流程示意图；
图5为本发明电子设备的第一实施例的结构示意图；
图6为本发明计算机可读存储介质的一实施例的结构示意图。
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，所描述的实施例仅是本申请的一部分实施例，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。
本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
请参见图1，为本发明信号分类方法的第一实施例的流程示意图，具体包括：
步骤S11：获取训练数据以及测试数据。
具体的，获取样本数据，从样本数据中进行有放回采样，进而得到至少两组训练数据以及至少一组测试数据。具体的，样本数据为预设位置的脑电信号的样本数据；其中，训练数据占样本数据的85％～95％，测试数据占样本数据的5％～15％。
具体的，例如，假设具有15个样本数据，其中13个样本数据作为训练数据，剩余两个样本数据作为测试数据。对13个样本数据进行有放回采样，得到8组训练数据。在一具体实施例中，样本数据来源于BCI Competition IV Data Set 2b实验，例如该实验可以包含9名被试者，分别记为被试者1、2、3、4、5、6、7、8、9。通过三个双极电极记录了C3、C4和Cz位置处的脑电信号进而得到样本数据，电极的采样频率为250Hz，电极位置如图2所示。具体的，样本数据是BCI Competition IV Data Set 2b数据集中第三阶段的数据，即命名为“B0103T”、“B0203T”、、、“B0903T”的数据。在数据集中，每名被试者总共执行了160次运动想象脑电信号实验，其中左手和右手的运动想象实验分别为80次。
步骤S12：对训练数据进行时频分解，得到第一时频信号；以及对测试数据进行时频分解，得到第二时频信号。
具体的，本申请中，为了解决脑电信号中固有的低信噪比、非平稳特性的影响，进而提高脑电信号的分类准确性，本申请采样时频分解的方法对脑电信号进行处理，将原始数据分解为多个小的频带和时间窗，进而消除工频干扰。
在一实施例中，可以基于预设频带长度、预设重叠大小将训练数据或测试数据分布的频段进行划分，得到多个子频带；具体的，运动脑电信号的电位主要分布在4～40HZ，例如，可以将该频带划分为多个重叠的子频带，子频带之间的预设重叠大小为2HZ，预设频带长度为4HZ，以此可以将脑电信号分为17个子频带，17个子频带的频率范围为4～8Hz，6～10Hz，…，36～40Hz。基于子频带的频率范围对训练数据或测试数据进行滤波，具体的，可以采用五阶零相位的巴特沃斯带通滤波器对所有的脑电信号数据进行带通滤波，带通滤波的范围即为子带的大小，得到17个具有不同频带分布的数据。在进行滤波后，基于预设时间窗范围从滤波后的训练数据或测试数据中提取信号样本，进而得到第一时频信号或第二时频信号。具体的，预设时间窗范围由每个时间窗的大小以及重叠范围决定。具体的，可以将3.5s～7.5s之间的数据划分为5个时间窗，每个时间窗的大小为2s，重叠范围为0.5s，即0～2s、0.5～2.5s、1～3s、1.5～3.5s、2～4s。对滤波后的数据分别提取每个时间窗内的数据，得到具有不同时间分布的数据，进而得到第一时频信号或第二时频信号。这样单次试验的原始信号数据将被划分为85个具有不同频带和时间分布的时频子带，则训练数据以及测试数据经过时频分解后得到的第一时频信号或第二时频信号TF为：
TF＝[tf1,1……tf1,n……tf1,N]；
其中tf1，n表示第n个训练数据时频分解后的数据，对于tf1，n，有：
其中ti,j表示在第i个滤波频带下提取的第j个时间窗的数据点。
步骤S13：利用分类模型对第一时频信号进行分类，得到第一预测分类结果；以及利用分类模型对第二时频信号进行分类，得到第二预测分类结果。
具体的，请结合图3，步骤S13具体包括：
步骤S131：利用特征提取模型对第一时频信号进行特征提取，以得到第一特征数据，以及利用特征提取模型对第二时频信号进行特征提取，以得到第二特征数据。
具体的，在对训练数据以及测试数据进行时频分解以得到第一时频信号以及第二时频信号之后，利用特征提取模型对第一时频信号以及第二时频信号进行特征提取，进而得到第一特征数据以及第二特征数据。
具体的，利用每一训练数据对应的第一时频信号分别对每一初始特征提取模型进行训练，进而得到多个特征提取模型，利用每一特征提取模型对对应的第一时频信号进行特征提取，以得到多个第一特征数据，以及利用每一特征提取模型对第二时频信号进行特征提取，以得到多个第二特征数据。
例如，假设共有36组训练数据，1组测试数据；在进行时频分解后，得到36组第一时频信号集合以及一组第二时频信号；利用36组第一时频信号集合分别对每一个初始特征提取模型进行训练，得到36个特征提取模型W＝[w1，w2，…，wn]，Wn表示第n个特征提取模型。具体的，初始特征提取模型为公共空间模式(Common Spatial Pattern，CSP)特征提取模型。
利用该36个特征提取模型分别对对应的36组第一时频信号集合进行特征提取，得到36个第一特征数据Ztrain＝[ztrain1,ztrain2,…,ztrainN]，ZtrainN表示第N个第一特征数据；并且利用该36个特征提取模型分别对第二时频信号进行特征提取，得到36个第二特征数据Ztest＝[ztest1,ztest2,…,ztestN]；其中，ZtestN表示第N个第二特征数据。
步骤S132：利用分类模型对第一特征数据进行分类，以得到第一预测分类结果；以及利用分类模型对第二特征数据进行分类，以得到第二预测分类结果。
具体的，利用多个第一特征数据分别对每一初始分类模型进行训练，进而得到多个分类模型；利用每一分类模型对对应的第一特征数据进行分类，以得到多个第一预测分类结果，以及利用每一分类模型对对应的第二特征数据进行分类，以得到多个第二预测分类结果。
具体的，利用36个第一特征数据分别对每一个初始分类模型进行训练，进而得到36个分类模型，该初始分类模型为支持向量机(Support Vector Machine，SVM)分类器模型。然后利用每一个分类模型对对应的36个第一特征数据进行分类，进而得到36个第一预测分类结果。以及利用36个分类模型分别对36个第二特征数据进行分类，进而得到36个第二预测分类结果。
步骤S14：基于第一预测分类结果、第二预测分类结果以及第一时频信号的真实分类结果，计算得到测试数据的最终分类结果。
具体的，请结合图4，步骤S14具体包括：
步骤S141：基于每一第一预测分类结果以及对应的第一时频信号的真实分类结果，计算得到每一分类模型的权重值。
在一实施例中，利用多元线性算法基于每一第一预测分类结果以及对应的第一时频信号的真实分类结果，计算得到每一分类模型的权重值。
具体的，可以利用第一预测分类结果以及对应的第一时频信号的真实分类结果，计算得到每一分类模型的权重值。具体计算方法为：
其中，其中T表示第一时频信号的真实分类结果，P表示分类模型的第一预测分类结果，β表示分类模型的权重系数，K表示训练数据的数量。
以此可以计算出每一分类模型的权重系数，也即权重值。
步骤S142：基于每一分类模型的权重值以及每一第二预测分类结果计算得到测试数据的最终分类结果。
具体的，权重系数对分类器的决策影响很大，因此，本发明采用最小二乘估计的方法确定每个分类器的权重系数。假定分类器的预测标签与真实标签满足线性的关系，即应满足：
TRUE＝P×β+ε；
其中，TRUE表示样本的真实标签，TRUE∈RK×1；β是每个分类器的权重系数，β∈RN ×1；ε是一个均值为零的随机变量，ε∈RK×1。
计算真实标签与最终预测标签的距离Q(β)：
Q(β)＝||TRUE-Pβ||2＝(TRUE-Pβ)T(TRUE-Pβ)；
对β求偏导数，并另偏导数Q(β)’＝0，则：
PTPβ＝PTTRUE；
则可以得到分类模型的权重系数β：
β＝(PTP)-1PTTRUE；
将训练子集的预测标签平展成列向量，即：
其中，Ptrain为训练数据对应的第一预测分类结果。
则分类器的权重值β如下所示：
利用分类模型的权重值以及每一第二预测分类结果计算得到测试数据的最终分类结果：
在一具体实施例中，还可以基于加权求和的方法，基于每一分类模型的权重值以及每一第二预测分类结果计算得到测试数据的最终分类结果。
进一步的，本申请还可以采用10折叠交叉验证的方法对算法的分类性能进行评估。该方法将原始脑电数据均等的划分为10份，轮流的将其中的一份作为测试集数据，剩余的9份数据作为训练集，然后实验重复计算10次，直至10份数据都被用于测试集为止，10次实验的平均结果将作为最终的分类结果，定义如下：
进一步将10折叠交叉验证的方法计算得到的10次实验的平均结果作为测试数据的最终分类结果。
本申请的方法，将集成学习方法结合在脑电信号分类问题中，通过对训练数据采样来获得具有不同样本分布的训练数据，增加了训练数据集的多样性，解决了运动想象脑电信号数据样本量小的问题。本发明提出的方法可以获得具有时频分布多样性的集成学习分类器，以改善公共空间模式算法的特征提取性能。在本发明中，对采样后的训练数据进行时频分解，得到具有不同频带和时间分布的时频子带，然后用于训练特征提取模型和分类器模型，可以很好的提高算法的分类性能。对于多分类器的预测结果，本发明采用加权融合的方法融合所有分类器的预测类别，然后采用最小二乘估计的方法为分类器分配权重，权重值的分配更加精准和有效，可以充分利用多分类器决策做出更加智能的最终决策，使得分类结果具有更好的准确性。
请参见图5，为本发明电子设备的一实施例的结构示意图，电子设备包括相互连接的存储器202和处理器201。
存储器202用于存储实现上述任意一项的设备的方法的程序指令。
处理器201用于执行存储器202存储的程序指令。
其中，处理器201还可以称为CPU(Central Processing Unit，中央处理单元)。处理器201可能是一种集成电路芯片，具有信号的处理能力。处理器201还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器202可以为内存条、TF卡等，可以存储设备的电子设备中全部信息，包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器中。它根据控制器指定的位置存入和取出信息。有了存储器，电子设备才有记忆功能，才能保证正常工作。电子设备的存储器按用途存储器可分为主存储器(内存)和辅助存储器(外存),也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等，能长期保存信息。内存指主板上的存储部件，用来存放当前正在执行的数据和程序，但仅用于暂时存放程序和数据，关闭电源或断电，数据会丢失。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，系统服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。
请参阅图6，为本发明计算机可读存储介质的结构示意图。本申请的存储介质存储有能够实现上述所有方法的程序文件203，其中，该程序文件203可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储装置包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
以上仅为本发明的实施方式，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内。
Claims (11)
1.一种信号分类方法，其特征在于，包括：
获取样本数据；所述样本数据为预设位置的脑电信号的样本数据；
从所述样本数据中获取训练数据以及测试数据；
对所述训练数据进行时频分解，得到第一时频信号；以及对所述测试数据进行时频分解，得到第二时频信号；
利用分类模型对所述第一时频信号进行分类，得到第一预测分类结果；以及利用所述分类模型对所述第二时频信号进行分类，得到第二预测分类结果；
基于所述第一预测分类结果、所述第二预测分类结果以及所述第一时频信号的真实分类结果，计算得到所述测试数据的最终分类结果；
所述基于所述第一预测分类结果、所述第二预测分类结果以及所述第一时频信号的真实分类结果，计算得到所述测试数据的最终分类结果，包括：
基于每一所述第一预测分类结果以及对应的所述第一时频信号的真实分类结果，计算得到每一分类模型的权重值；
基于每一分类模型的权重值以及每一所述第二预测分类结果计算得到所述测试数据的最终分类结果。
2.根据权利要求1所述的分类方法，其特征在于，所述对所述训练数据进行时频分解，得到第一时频信号；以及对所述测试数据进行时频分解，得到第二时频信号，包括：
基于预设频带长度、预设重叠大小将所述训练数据或测试数据分布的频段进行划分，得到多个子频带；
基于所述子频带的频率范围对所述训练数据或测试数据进行滤波；
基于预设时间窗范围从滤波后的所述训练数据或测试数据中提取信号样本，进而得到所述第一时频信号或第二时频信号。
3.根据权利要求2所述的分类方法，其特征在于，所述从所述样本数据中获取训练数据以及测试数据包括：
从所述样本数据中进行有放回采样，进而得到至少两组所述训练数据以及至少一组所述测试数据。
4.根据权利要求3所述的分类方法，其特征在于，所述利用分类模型对所述第一时频信号进行分类，得到第一预测分类结果；以及利用所述分类模型对所述第二时频信号进行分类，得到第二预测分类结果，包括：
利用特征提取模型对所述第一时频信号进行特征提取，以得到第一特征数据，以及利用所述特征提取模型对所述第二时频信号进行特征提取，以得到第二特征数据；
利用所述分类模型对所述第一特征数据进行分类，以得到所述第一预测分类结果；以及利用所述分类模型对所述第二特征数据进行分类，以得到所述第二预测分类结果。
5.根据权利要求4所述的分类方法，其特征在于，所述利用特征提取模型对所述第一时频信号进行特征提取，以得到第一特征数据，以及利用所述特征提取模型对所述第二时频信号进行特征提取，以得到第二特征数据的步骤，包括：
利用每一所述训练数据对应的所述第一时频信号分别对每一初始特征提取模型进行训练，进而得到多个所述特征提取模型；
利用每一所述特征提取模型对对应的所述第一时频信号进行特征提取，以得到多个所述第一特征数据，以及利用每一所述特征提取模型对所述第二时频信号进行特征提取，以得到多个所述第二特征数据。
6.根据权利要求5所述的分类方法，其特征在于，所述利用所述分类模型对所述第一特征数据进行分类，以得到所述第一预测分类结果；以及利用所述分类模型对所述第二特征数据进行分类，以得到所述第二预测分类结果的步骤，包括：
利用多个所述第一特征数据分别对每一初始分类模型进行训练，进而得到多个所述分类模型；
利用每一所述分类模型对对应的所述第一特征数据进行分类，以得到多个所述第一预测分类结果，以及利用每一所述分类模型对对应的所述第二特征数据进行分类，以得到多个所述第二预测分类结果。
7.根据权利要求1所述的分类方法，其特征在于，所述基于每一分类模型的权重值以及每一所述第二预测分类结果计算得到所述测试数据的最终分类结果，包括：
基于加权求和的方法，基于每一分类模型的权重值以及每一所述第二预测分类结果计算得到所述测试数据的最终分类结果。
8.根据权利要求1所述的分类方法，其特征在于，所述基于每一所述第一预测分类结果以及对应的所述第一时频信号的真实分类结果，计算得到每一分类模型的权重值，包括：
利用多元线性算法基于每一所述第一预测分类结果以及对应的所述第一时频信号的真实分类结果，计算得到每一分类模型的权重值。
9.根据权利要求3所述的分类方法，其特征在于，所述训练数据占所述样本数据的85%~95%，所述测试数据占所述样本数据的5%~15%。
10.一种电子设备，其特征在于，包括：存储器和处理器，其中，所述存储器存储有程序指令，所述处理器从所述存储器调取所述程序指令以执行如权利要求1-9任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，存储有程序文件，所述程序文件能够被执行以实现如权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110431715.2A CN113343753B (zh) | 2021-04-21 | 2021-04-21 | 一种信号分类方法、电子设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110431715.2A CN113343753B (zh) | 2021-04-21 | 2021-04-21 | 一种信号分类方法、电子设备以及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113343753A CN113343753A (zh) | 2021-09-03 |
| CN113343753B true CN113343753B (zh) | 2024-04-16 |
Family
ID=77468330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110431715.2A Active CN113343753B (zh) | 2021-04-21 | 2021-04-21 | 一种信号分类方法、电子设备以及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343753B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113842152B (zh) * | 2021-09-28 | 2023-05-30 | 西交利物浦大学 | 脑电信号分类网络训练方法、分类方法、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
| CN109994203A (zh) * | 2019-04-15 | 2019-07-09 | 江南大学 | 一种基于eeg信号深度多视角特征学习的癫痫检测方法 |
| CN111062250A (zh) * | 2019-11-12 | 2020-04-24 | 西安理工大学 | 基于深度特征学习的多受试者运动想象脑电信号识别方法 |
| CN111832416A (zh) * | 2020-06-16 | 2020-10-27 | 杭州电子科技大学 | 一种基于增强卷积神经网络的运动想象脑电信号识别方法 |
| CN112085052A (zh) * | 2020-07-28 | 2020-12-15 | 中国科学院深圳先进技术研究院 | 运动想象分类模型的训练方法、运动想象方法及相关设备 |
-
2021
- 2021-04-21 CN CN202110431715.2A patent/CN113343753B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
| CN109994203A (zh) * | 2019-04-15 | 2019-07-09 | 江南大学 | 一种基于eeg信号深度多视角特征学习的癫痫检测方法 |
| CN111062250A (zh) * | 2019-11-12 | 2020-04-24 | 西安理工大学 | 基于深度特征学习的多受试者运动想象脑电信号识别方法 |
| CN111832416A (zh) * | 2020-06-16 | 2020-10-27 | 杭州电子科技大学 | 一种基于增强卷积神经网络的运动想象脑电信号识别方法 |
| CN112085052A (zh) * | 2020-07-28 | 2020-12-15 | 中国科学院深圳先进技术研究院 | 运动想象分类模型的训练方法、运动想象方法及相关设备 |
Non-Patent Citations (5)
| Title |
|---|
| Time-frequency decomposition-based weighted ensemble learning for motor imagery EEG classification;Liangsheng Zheng 等;《Proceedings of The 2021 IEEE International Conference on Real-time Computing and Robotics》;第620-625页 * |
| 一种基于时-空-频联合选择与相关向量机的运动想象脑电信号分析算法;王洪涛;李霆;黄辉;贺跃帮;刘旭程;;控制理论与应用(10);第146-151页 * |
| 基于多类运动想象任务的EEG信号分类研究;马满振;郭理彬;苏奎峰;;计算机测量与控制(10);第237-240，244页 * |
| 基于小波包和深度信念网络的脑电特征提取方法;李明爱;张梦;孙炎;;电子测量与仪器学报(01);第116-123页 * |
| 多元线性回归在非负矩阵分解人脸识别中的应用;高亮;潘积远;于佳平;;计算机与现代化(11);第41-45, 54页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113343753A (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ko et al. | Multi-scale neural network for EEG representation learning in BCI | |
| Belwafi et al. | An embedded implementation based on adaptive filter bank for brain–computer interface systems | |
| Miao et al. | A spatial-frequency-temporal optimized feature sparse representation-based classification method for motor imagery EEG pattern recognition | |
| Bentlemsan et al. | Random forest and filter bank common spatial patterns for EEG-based motor imagery classification | |
| CN103735262B (zh) | 一种双树复小波与共空间模式结合的脑电特征提取方法 | |
| Zhang et al. | Hierarchical feature fusion framework for frequency recognition in SSVEP-based BCIs | |
| Thomas et al. | Adaptive tracking of discriminative frequency components in electroencephalograms for a robust brain–computer interface | |
| Duan et al. | Recognition of motor imagery tasks for BCI using CSP and chaotic PSO twin SVM | |
| CN111671420A (zh) | 一种从静息态脑电数据中提取特征的方法及终端设备 | |
| CN113343753B (zh) | 一种信号分类方法、电子设备以及计算机可读存储介质 | |
| Sarin et al. | Automated ocular artifacts identification and removal from EEG data using hybrid machine learning methods | |
| CN109009098A (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
| Wu et al. | Classification of seizure types based on multi-class specific bands common spatial pattern and penalized ensemble model | |
| CN108491792B (zh) | 基于眼电信号的办公场景人机交互行为识别方法 | |
| Nguyen et al. | EEG data classification using wavelet features selected by Wilcoxon statistics | |
| CN110321856B (zh) | 一种时频多尺度散度csp的脑机接口方法及装置 | |
| HALTAŞ et al. | Classification methods in EEG based motor imagery BCI systems | |
| Faradji et al. | A self-paced two-state mental task-based brain-computer interface with few EEG channels | |
| CN113159205A (zh) | 一种基于最佳通道的稀疏时频块共空间模式特征提取方法 | |
| Asghar et al. | Real-time EEG-based driver's fatigue detection system using deep neural network | |
| Seifzadeh et al. | Fast and efficient four-class motor imagery electroencephalography signal analysis using common spatial pattern–ridge regression algorithm for the purpose of brain–computer interface | |
| Mohammadi et al. | Improving the efficiency of an EEG-based brain computer interface using Filter Bank Common Spatial Pattern | |
| Oikonomou et al. | Sparse Bayesian Learning for Multiclass Classification with Application to SSVEP-BCI. | |
| Gupta et al. | EEG features extraction using PCA plus LDA approach based on L1-norm for motor imaginary classification | |
| Zhang et al. | Filter bank riemannian-based kernel support vector machine for motor imagery decoding |
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 |