CN114818803A - 基于神经元优化的单侧肢体患者运动想象脑电建模方法 - Google Patents
基于神经元优化的单侧肢体患者运动想象脑电建模方法 Download PDFInfo
- Publication number
- CN114818803A CN114818803A CN202210436298.5A CN202210436298A CN114818803A CN 114818803 A CN114818803 A CN 114818803A CN 202210436298 A CN202210436298 A CN 202210436298A CN 114818803 A CN114818803 A CN 114818803A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- motor imagery
- patient
- neuron
- data
- 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
- 210000002569 neuron Anatomy 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013136 deep learning model Methods 0.000 claims abstract description 6
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 230000010354 integration Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06F2218/12—Classification; Matching
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- 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
- A61B5/24—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]
- A61B5/386—Accessories or supplementary instruments therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Abstract
本发明公开了一种基于神经元优化的单侧肢体患者运动想象脑电建模方法,其包括以下步骤:步骤一,专业人员帮助患者佩戴并使用脑电采集设备;步骤二,患者根据提示进行运动想象,脑电采集设备通过有线或无线传输方式将运动想象脑电信号传送给电脑进行个性化训练建模;步骤三,电脑系统接收到脑电数据后首先对数据进行预处理,包括滤波、去基线以及数据切片整合;步骤四,处理后的数据送入深度学习模型进行特征提取。本发明使用深度学习对单侧肢体患者的运动想象脑电数据进行解码,在建模之后对全连接层上的神经元进行优化,目的是在保证不影响分类精度的前提下使用较少神经元达到类似的输出结果。
Description
技术领域
本发明涉及一种脑电建模方法,特别是涉及一种基于神经元优化的单侧肢体患者运动想象脑电建模方法。
背景技术
脑卒中是我国成年人致死、致残的首位病因,具有发病率高、致残率高、死亡率高和复发率高的特点,对个人、家庭和社会造成沉重负担[1]。运动想象脑机接口技术能通过对患者的脑电信号采集和解码,判断患者运动意图,由运动意图触发康复外设进行治疗工作,实现闭环训练和主动康复。相较于传统的康复训练技术,运动想象脑机接口对脑卒中病人的康复训练有更好的效果。
脑电信号本质上是一种非平稳、非线性并有大量噪声的电信号,难以解析并提取出有关患者运动意图的信号特征,过量冗余的信息对患者意图的分类判断带来了干扰。深度学习作为传统机器学习算法的一个分支,在自然语言处理和计算机视觉分析等领域中对信号有良好的解析能力,也逐渐成为脑电信号分析的主流方法。然而为了能提取脑电信号中有用的信息,深度学习往往需要构建较为复杂的模型,也意味着需要更多的神经元参与训练。模型神经元的增多也需要更多的训练参数以及每次学习迭代循环时使用的特征,极大延长了训练和测试模型的时间,增加了计算成本。考虑到脑机接口技术往往需要结合实时在线的系统,以满足患者与电脑或其他康复设备及时的交互,深度学习的模型需要减少训练和测试的时间。如何在保证意图识别精度的同时大量减少训练参数、剔除冗余的神经元以降低计算成本是亟待解决的技术难题。
发明内容
针对上述情况,为了克服现有技术的缺陷,本发明提供一种基于神经元优化的单侧肢体患者运动想象脑电建模方法。
本发明是通过下述技术方案来解决上述技术问题的:一种基于神经元优化的单侧肢体患者运动想象脑电建模方法,其特征在于,其包括以下步骤:
步骤一,专业人员帮助患者佩戴并使用脑电采集设备;
步骤二,患者根据提示进行运动想象,脑电采集设备通过有线或无线传输方式将运动想象脑电信号传送给电脑进行个性化训练建模;
步骤三,电脑系统接收到脑电数据后首先对数据进行预处理,包括滤波、去基线以及数据切片整合;
步骤四,处理后的数据送入深度学习模型进行特征提取;
步骤五,当提取脑电数据的时空特征后,进行平均池化,每四个神经元求和,然后计算平均值作为输出;
步骤六,处理后的特征最终送入全连接层进行整合输出并建立模型;
步骤七,减少模型全连接层上的神经元个数,并对新层中的参数重新计算调整;
步骤八,计算新连接层的输出和原始输出的差异;
步骤九,调整参数后的最终模型用于患者之后的运动意图识别与判断。
优选地,所述步骤六使用全连接层对特征进行整合并最终通过softmax激活函数输出分类结果。
优选地,所述步骤四首先使用一维的卷积层对脑电数据的每个通达进行时间特征的提取,之后使用深度卷积层学习脑电数据的空间特征,得到的时空特征将送入接下来的池化层。
优选地,所述脑电采集设备采用CGX公司的Quick30系列导联干电极帽。
优选地,所述步骤七使用快速递归的算法对全连接层的参数进行优化,去除冗余神经元。
优选地,所述步骤七至步骤九将全连接层上的每个输入神经元从一个到全部依次叠加作为新的输入,用多项式函数进行拟合输出,拟合后的输出再与原始模型的输出进行比较。
本发明的积极进步效果在于:
一,本发明使用深度学习对单侧肢体患者的运动想象脑电数据进行解码,在建模之后对全连接层上的神经元进行优化,目的是在保证不影响分类精度的前提下使用较少神经元达到类似的输出结果。最终使用的模型神经元个数减少意味着参数减少,计算成本降低,响应时间缩短,有利于脑机接口实时系统对单侧肢体患者的运动想象意图进行快速准确的识别分类。
二,使用本方法后的模型大小也会随之降低,减少堆电脑内存空间使用的占比。随着脑电设备移动化,小型化的发展,未来将会把相关的模型存储到移动端的芯片中。模型使用空间小可使得同等空间的芯片存储更多的模型,为更多的患者提供个性化的康复策略,同时也有利于研究人员进行额外功能开发。
附图说明
图1为本发明基于神经元优化的单侧肢体患者运动想象脑电建模方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1所示,本发明基于神经元优化的单侧肢体患者运动想象脑电建模方法包括以下步骤:
步骤一,专业人员帮助患者佩戴并使用脑电采集设备;
步骤二,患者根据提示进行运动想象,脑电采集设备通过有线或无线传输方式将运动想象脑电信号传送给电脑进行个性化训练建模;
步骤三,电脑系统接收到脑电数据后首先对数据进行预处理,包括滤波、去基线以及数据切片整合;这样做可以有效的过滤脑电信号的无用信息,降低数据的冗余度,提高信号的信噪比,使得深度学习模型能更好的学习脑电信号中的有效特征。
步骤四,处理后的数据送入深度学习模型进行特征提取。首先使用一维的卷积层对脑电数据的每个通达进行时间特征的提取,之后使用深度卷积层学习脑电数据的空间特征。得到的时空特征将送入接下来的池化层;
步骤五,当提取脑电数据的时空特征后,进行平均池化,每四个神经元求和,然后计算平均值作为输出。平均池化的步长也为四,以确保相互池化的内容不重复。
步骤六,处理后的特征最终送入全连接层进行整合输出并建立模型;
步骤七,减少模型全连接层上的神经元个数,并对新层中的参数重新计算调整;
步骤八,计算新连接层的输出和原始输出的差异。如果差异过大,就说明神经元个数使用的太少,并没有很好的拟合分类曲线,导致没有办法对不同标签的数据正常分类。如果差异过小,说明神经元个数已经足够多,拟合效果足够好,还有进步一缩减神经元个数的空间。再不断尝试后设定一个阈值,既能是新的输出和原始输出的差异不大,同时有大大减少神经元使用的个数;
步骤九,调整参数后的最终模型用于患者之后的运动意图识别与判断。
步骤六使用全连接层对特征进行整合并最终通过softmax激活函数输出分类结果,这样所有的特征将融合在一层当中,而这些特征都将对最后的分类产生影响,更好的判断患者的运动意图。
步骤七使用快速递归的算法对全连接层的参数进行优化,去除冗余神经元,缩减模型大小,最终建立的模型可节约大量时间以及内存空间,快速给出患者脑电意图的分类结果。
步骤七至步骤九将全连接层上的每个输入神经元从一个到全部依次叠加作为新的输入,用多项式函数进行拟合输出,拟合后的输出再与原始模型的输出进行比较;如果两者的差异低于预先设定的阈值(即差异很小),那么就可以认为即使删减部分神经元,仍然能得到类似大小的输出;在拟合的过程中同时会计算减少神经元的条件下新的权重和偏置并加以保存,最终的模型将会使用这些新参数,通过这种方法就可以减小最后使用模型的大小、减少参数、降低计算成本同时保证不影响对患者意图的识别。
全连接层上的神经元会有大量的冗余参数,在使用建立好的模型对患者意图判别时,即使删除部分神经元参数的权重和偏置,最终的分类结果基本不会受到影响。通过这种方法就可以大量减少模型最后使用的参数,缩减模型占所内存大小,降低计算成本。
脑电采集设备可以采用CGX公司的Quick30系列导联干电极帽,通过有线串口通讯或无线蓝牙方式与电脑连接,由医院专业人员使用电脑帮助患者采集运动想象样本数据,结构简单,方便连接和使用。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于神经元优化的单侧肢体患者运动想象脑电建模方法,其特征在于,其包括以下步骤:
步骤一,专业人员帮助患者佩戴并使用脑电采集设备;
步骤二,患者根据提示进行运动想象,脑电采集设备通过有线或无线传输方式将运动想象脑电信号传送给电脑进行个性化训练建模;
步骤三,电脑系统接收到脑电数据后首先对数据进行预处理,包括滤波、去基线以及数据切片整合;
步骤四,处理后的数据送入深度学习模型进行特征提取;
步骤五,当提取脑电数据的时空特征后,进行平均池化,每四个神经元求和,然后计算平均值作为输出;
步骤六,处理后的特征最终送入全连接层进行整合输出并建立模型;
步骤七,减少模型全连接层上的神经元个数,并对新层中的参数重新计算调整;
步骤八,计算新连接层的输出和原始输出的差异;
步骤九,调整参数后的最终模型用于患者之后的运动意图识别与判断。
2.如权利要求1所述的基于神经元优化的单侧肢体患者运动想象脑电建模方法,其特征在于,所述步骤六使用全连接层对特征进行整合并最终通过softmax激活函数输出分类结果。
3.如权利要求1所述的基于神经元优化的单侧肢体患者运动想象脑电建模方法,其特征在于,所述步骤四首先使用一维的卷积层对脑电数据的每个通达进行时间特征的提取,之后使用深度卷积层学习脑电数据的空间特征,得到的时空特征将送入接下来的池化层。
4.如权利要求1所述的基于神经元优化的单侧肢体患者运动想象脑电建模方法,其特征在于,所述脑电采集设备采用CGX公司的Quick30系列导联干电极帽。
5.如权利要求1所述的基于神经元优化的单侧肢体患者运动想象脑电建模方法,其特征在于,所述步骤七使用快速递归的算法对全连接层的参数进行优化,去除冗余神经元。
6.如权利要求1所述的基于神经元优化的单侧肢体患者运动想象脑电建模方法,其特征在于,所述步骤七至步骤九将全连接层上的每个输入神经元从一个到全部依次叠加作为新的输入,用多项式函数进行拟合输出,拟合后的输出再与原始模型的输出进行比较。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210436298.5A CN114818803A (zh) | 2022-04-25 | 2022-04-25 | 基于神经元优化的单侧肢体患者运动想象脑电建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210436298.5A CN114818803A (zh) | 2022-04-25 | 2022-04-25 | 基于神经元优化的单侧肢体患者运动想象脑电建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818803A true CN114818803A (zh) | 2022-07-29 |
Family
ID=82506835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210436298.5A Pending CN114818803A (zh) | 2022-04-25 | 2022-04-25 | 基于神经元优化的单侧肢体患者运动想象脑电建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818803A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700120A (zh) * | 2015-03-23 | 2015-06-10 | 南京工业大学 | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 |
CN109214513A (zh) * | 2018-10-23 | 2019-01-15 | 江南大学 | 一种基于自适应深度置信网络的固液废弃物智能耦合处理方法 |
CN110069958A (zh) * | 2018-01-22 | 2019-07-30 | 北京航空航天大学 | 一种密集深度卷积神经网络的脑电信号快速识别方法 |
CN110163180A (zh) * | 2019-05-29 | 2019-08-23 | 长春思帕德科技有限公司 | 运动想象脑电数据分类方法及系统 |
WO2020034481A1 (zh) * | 2018-08-13 | 2020-02-20 | 深圳市商汤科技有限公司 | 一种图像风格转换方及装置、设备、存储介质 |
CN111221578A (zh) * | 2017-07-20 | 2020-06-02 | 上海寒武纪信息科技有限公司 | 计算装置以及计算方法 |
CN111476283A (zh) * | 2020-03-31 | 2020-07-31 | 上海海事大学 | 基于迁移学习的青光眼眼底图像识别方法 |
-
2022
- 2022-04-25 CN CN202210436298.5A patent/CN114818803A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700120A (zh) * | 2015-03-23 | 2015-06-10 | 南京工业大学 | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 |
CN111221578A (zh) * | 2017-07-20 | 2020-06-02 | 上海寒武纪信息科技有限公司 | 计算装置以及计算方法 |
CN110069958A (zh) * | 2018-01-22 | 2019-07-30 | 北京航空航天大学 | 一种密集深度卷积神经网络的脑电信号快速识别方法 |
WO2020034481A1 (zh) * | 2018-08-13 | 2020-02-20 | 深圳市商汤科技有限公司 | 一种图像风格转换方及装置、设备、存储介质 |
CN109214513A (zh) * | 2018-10-23 | 2019-01-15 | 江南大学 | 一种基于自适应深度置信网络的固液废弃物智能耦合处理方法 |
CN110163180A (zh) * | 2019-05-29 | 2019-08-23 | 长春思帕德科技有限公司 | 运动想象脑电数据分类方法及系统 |
CN111476283A (zh) * | 2020-03-31 | 2020-07-31 | 上海海事大学 | 基于迁移学习的青光眼眼底图像识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948647B (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
CN111407243B (zh) | 一种基于深度学习的脉搏信号压力识别方法 | |
CN113951900B (zh) | 一种基于多模态信号的运动想象意图识别方法 | |
CN109934125B (zh) | 一种半监督手术视频流程识别方法 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN110974219A (zh) | 一种基于侵入式bci的人脑意念识别系统 | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
CN111387974A (zh) | 基于深度自编码的脑电特征优化与癫痫发作检测方法 | |
CN115187610A (zh) | 基于图神经网络的神经元形态分析方法、设备及存储介质 | |
CN107992807A (zh) | 一种基于cnn模型的人脸识别方法及装置 | |
CN114781441B (zh) | Eeg运动想象分类方法及多空间卷积神经网络模型 | |
CN113180692A (zh) | 一种基于特征融合和注意力机制的脑电信号分类识别方法 | |
CN115238796A (zh) | 基于并行damscn-lstm的运动想象脑电信号分类方法 | |
CN113344933B (zh) | 一种基于多层次特征融合网络的腺体细胞分割方法 | |
CN110008847A (zh) | 一种基于卷积神经网络的泳姿识别方法 | |
CN114818803A (zh) | 基于神经元优化的单侧肢体患者运动想象脑电建模方法 | |
CN116910464A (zh) | 一种肌电信号假肢手控制系统及方法 | |
CN116035598B (zh) | 一种睡眠纺锤波智能识别方法及系统 | |
Ma | Summary of Research on Application of Deep Learning in Image Recognition | |
CN115565168A (zh) | 一种基于注意力机制残差胶囊网络的甘蔗病害识别方法 | |
CN114767120A (zh) | 基于深度学习的单侧肢体患者运动想象脑电通道选择方法 | |
CN112336354A (zh) | 一种基于eeg信号癫痫监测方法 | |
CN112800958A (zh) | 一种基于热点图的轻量级人体关键点检测方法 | |
CN112270359A (zh) | 一种一维序列升维聚类方法及系统 | |
CN112932431A (zh) | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 |
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 |