CN115270847A - 基于小波包分解和卷积神经网络的设计决策脑电识别方法 - Google Patents
基于小波包分解和卷积神经网络的设计决策脑电识别方法 Download PDFInfo
- Publication number
- CN115270847A CN115270847A CN202210673893.0A CN202210673893A CN115270847A CN 115270847 A CN115270847 A CN 115270847A CN 202210673893 A CN202210673893 A CN 202210673893A CN 115270847 A CN115270847 A CN 115270847A
- Authority
- CN
- China
- Prior art keywords
- eeg
- wavelet
- layer
- frequency
- neural network
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及人工智能技术领域,且公开了基于小波包分解和卷积神经网络的设计决策脑电识别方法,该模型由四个连续的部分组成,包括EEG的收集、EEG的预处理、EEG的特征提取和分类器设计,首先,为被试者提供四幅风格不同的艺术设计作品并收集他们的EEG,然后,需要对原始的EEG进行预处理,包括工频滤波和去除基线漂移,以降低噪声的影响,接着,我们设计了时间窗口来改进小波包分解算法,以提取EEG特征。该基于小波包分解和卷积神经网络的设计决策脑电识别方法,解决了产品评价过程中主观性强和不可量化的问题,并提升了脑电信号识别的准确率。
Description
技术领域
本发明涉及人工智能技术领域,具体为基于小波包分解和卷积神经网络的设计决策脑电识别方法。
背景技术
大脑中无数的神经元之间依靠介质传递信息,当能量累积超过一定阈值后,形成时间序列上的电位差波动就是脑电波(Electroencephalogram,EEG),这是一种自发的有节律的神经元活动,EEG在医学诊断和心理康复领域的研究较为普遍,通常用于观测人脑活动中的情绪变化和认知状态,随着脑认知神经科学的兴起,大量的学者致力于通过分析EEG来解释个体行为和心理机能,探讨大脑对不同刺激信息的加工方式,通过EEG分析个体决策行为是一种全新的尝试,因为脑电信号能客观的揭示个体在不同任务下的认知状态变化,在艺术设计领域成为可行的研究方法。
近几年来,一些研究人员致力于使用脑电信号来分析决策行为背后的生理意义,由于生理信号的不可伪装性,其分析结果相对客观,这解决了设计决策中个体偏差的影响,从形式上改变了传统的专家评分方法,例如,有研究者应用并比较了EEG的功率谱密度、微分熵、微分不对称性和有理不对称性这四种算法,来计算脑电特征的分类结果,达到了理想的效果,在神经营销中,研究人员使用随机森林算法在DEAP数据集上预测EEG的分类结果,并在迁移学习的背景下探索消费者的决策行为,此外,还有人用样本熵特征和随机森林算法对EEG进行分类,但是采集生理信号的代价高昂,需要依赖精密的仪器和严格实验室环境,这对生理数据的处理提出了更高的挑战,另一方面,EEG是一种非平稳的随机信号,在受试者之间变化大,因此,识别脑电信号的生理特征通常需要专家的深厚知识和技能,其过程往往是耗时且低效的,最后,EEG在采集中容易受到噪声的干扰,这导致了一般的机器学习算法识别率偏低。
发明内容
(一)解决的技术问题
本发明的目的是为了解决了产品评价过程中主观性强和不可量化的问题,并提升了脑电信号识别的准确率,而提出的基于小波包分解和卷积神经网络的设计决策脑电识别方法。
(二)技术方案
本发明解决上述技术问题的技术方案如下:
基于小波包分解和卷积神经网络的设计决策脑电识别方法,该模型由四个连续的部分组成,包括EEG的收集、EEG的预处理、EEG的特征提取和分类器设计,首先,为被试者提供四幅风格不同的艺术设计作品并收集他们的EEG,然后,需要对原始的EEG进行预处理,包括工频滤波和去除基线漂移,以降低噪声的影响,接着,我们设计了时间窗口来改进小波包分解算法,以提取 EEG特征,最后,将WPD转化后的特征值输入8层卷积神经网络,得到分类的结果。
在上述技术方案的基础上,本发明还可以做如下改进。
优选地,所述EEG的收集采用32通道和256HZ的采样率的Bitbrain水电极脑电仪,并通过由Kingfar科技公司开发ErgoLab软件启动,使用该软件可以记录EEG等生理数据并实现可视化,在实验中,招募并收集被试者的 EEG,他们分别来自计算机学院和艺术学院,为消除以往个人经验的影响,从艺术设计领域中选取了4种受试者从未接触过的方案作为刺激进行实验,这四种方案主要用于产品的外包装,图案分别为漳州水仙花、少数民族、闽南土楼和宝塔,受试者在监视器上观看四种设计方案的同时,他们的脑电数据将被记录下来,每个设计方案有14s的观察时间,而各个方案之间都有3s的间隔以消除视觉残留,实验结束后,要求被试对四种方案进行排序,做出决策,整体实验加上受试者前期的准备工作,每个人需要大约20分钟。
优选地,所述EEG的预处理是将EEG原始的32通道信号分别进行工频滤波和去除基线漂移,预处理目的主要是为了滤除信号中与设计决策无关的频率成分,降低噪声对最终分类准确率的影响,EEG的频率集中在0.1~56HZ之间,而国家交流电工频是50HZ,因此使用50HZ的陷波器进行滤波,其幅频响应H的表达式为:
其中z=1是单位圆平面,k=0.88是调节参数,w0=2πf0/fs为角频率,f0是工频为50HZ,fs是采样频率为256HZ,从观察陷波器的幅频响应曲线可知,滤波器的过渡带急速下降并上升,因而在工频滤波中几乎不会对其他频段的信号产生影响;
此外,在数据收集的过程中系统噪声会随着时间变化而产生基线漂移,影响EEG识别的准确率,考虑到基线漂移是一种缓慢变化的低频信号,而一般的去趋势化算法只能消除线性趋势,因此该研究采用最小二乘拟合基线的方法来去除基线漂移,其表达式为:
根据偏导求取极值的方法,目的是为了得到待定系数ak,同时也就得到了预处理后的值。
优选地,所述EEG的特征提取中使用WPD算法,小波变换使用的是一组正交的、迅速衰减的小波函数基进行信号拟合,这种小波函数基可通过其尺度变量和平移变量,获得不同的频率和时间位置,此外,决策任务是随着时间变化的认知过程,因此引入时间窗口w(t)来提取EEG序列中更加丰富的上下文信息,首先将长度为N的数据x(t)分成L段,窗口的大小为M,窗口移动的步长为S,则有如下关系:
L=(N-M)/S,(4)
那么第i段的窗口数据表示为:
wi(t)=x(t+iM-M),0≤t≤M,1≤i≤L.(5)
接着,使用WPD处理上述各段数据,目的是为了计算出EEG的功率谱特征,特别地,WPD又称为最优子带树结构,是对小波分解的改进,WPD将信号高频分量和低频分量都进行分解,比小波变换更加精细和全面,重要地,该算法能够自适应选择频带,从而提高信号的时频分辨率,具有时频特征局部化特点;
此外,在WPD中最关键的是选择合适的小波基函数进行信号分解,我们在分析EEG的时频特征时,选择具有平滑且连续的小波是有利的,即满足紧支撑性和正交性,一方面,小波的紧支撑特性取决于它的尺度参数,信号的支撑区间越大,则算法的计算复杂度越高,导致高幅值的小波系数变多,另一方面,小波正交性是为了确保信号的分解没有冗余;
在小波包中提供了各种类型的小波基,而对于EEG这种离散型信号采用Daubechies母小波会有较好的效果,本研究使用Haar小波即Daubechies中的db1,对决策任务的32通道EEG进行3层分解,WPD算法的原理为:
其中s为尺度因子,b为平移因子,ψ为小波基信号,为了本研究分解信号的需要,将其表达式离散化:
式中cl为逼近系数,gj,l为细节系数,φ(·)为尺度函数,ψ(·)为小波基函数;
式中h0为低通滤波器,h1为高通滤波器,j表示分解的层数,l表示EEG 通道的编号,在信号分解后,计算第三层中每个结点的功率值,k为采样点个数,n表示结点编号,得到功率谱估计:
优选地,所述分类器设计构建了8层的ConvNet模型作为脑电信号功率谱特征的分类器,与传统的特征分类方法不同的是,卷积神经网络能在训练模型的过程中自适应地学习抽象特征,提高模型数据挖掘的能力,从而提高分类的准确率,一个典型的ConvNet模型包含以下结构:输入层、卷积层、池化层、全连接层和输出层,卷积层的作用是对前面的输入进行多核卷积,之后通过激励函数作为下一层输入的特征,其计算表达式为:
其中,表示第l层的第j个特征,表示第l层的第个j特征与第l-1层的第i个特征的连接权重,表示l层的j个特征的偏置,M是i的集合,“*”为卷积操作,随着网络层数的增加,模型会出现过拟合的现象,因此,池化层的作用是对卷积后的特征图进行下采样,以降低网络结构的维度,其表达式为:
其中,pool(·)表示下采样函数,经过降维再与系数相乘,同样需要经过激活函数作为下一层输入的特征,常见的卷积神经网络模型在初始阶段为卷积层和池化层的交替叠加,在最后几层使用全连接层,该研究最终构建了8层的ConvNet模型,为了保证各层输入数据的分布一致,在各层之间进行批归一化数据处理,同时加入Dropout策略防止模型训练的过拟合,此外,为了提高ConvNet模型的收敛速度,使用交叉熵损失函数,其中概率分布p为期望输出,概率分布q为实际输出,表达式为:
针对训练过程中参数的优化问题,当损失函数为非凸函数时,采用梯度下降法只能得到局部最优解,并不适用于所有参数得更新,因此采用Adam优化器去自适应的更新权重,相较于其他方法,Adam算法的收敛速度更快,且能缓解损失函数中梯度震荡的问题。
(三)有益效果
与现有技术相比,本申请的技术方案具有以下有益技术效果:
(1)针对产品评价过程中主观性强和不可量化的问题,本发明将EEG技术引入到艺术设计决策中,在真实的场景中收集数据,使用深度学习的方法揭示了决策行为背后的生理意义;
(2)针对脑电信号识别准确率较低的问题,本发明提出了WPD-ConvNet 分类模型,达到88.9%的准确率,比传统的机器学习算法提升了约8%;
(3)EEG在不同群体之间也存在差异,我们从生理数据层面说明了艺术类学生比工程类学生对于设计决策的判断更加敏锐。
附图说明
图1为本发明提供的WPD-ConvNet脑电识别方法图;
图2为本发明提供的32通道EEG的3层分解图;
图3为本发明提供的脑电信号功率谱特征的分类器结构图;
图4为本发明提供的整体流程图;
图5为本发明提供的六种方法对比的直方图。
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。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例中,由图1-5给出,基于小波包分解和卷积神经网络的设计决策脑电识别方法,该模型由四个连续的部分组成,包括EEG的收集、EEG的预处理、EEG的特征提取和分类器设计,首先,为被试者提供四幅风格不同的艺术设计作品并收集他们的EEG,然后,需要对原始的EEG进行预处理,包括工频滤波和去除基线漂移,以降低噪声的影响,接着,我们设计了时间窗口来改进小波包分解算法,以提取EEG特征,最后,将WPD转化后的特征值输入8 层卷积神经网络,得到分类的结果。
EEG的收集采用32通道和256HZ的采样率的Bitbrain水电极脑电仪,并通过由Kingfar科技公司开发ErgoLab软件启动,使用该软件可以记录EEG 等生理数据并实现可视化,在实验中,招募并收集被试者的EEG,他们分别来自计算机学院和艺术学院,为消除以往个人经验的影响,从艺术设计领域中选取了4种受试者从未接触过的方案作为刺激进行实验,这四种方案主要用于产品的外包装,图案分别为漳州水仙花、少数民族、闽南土楼和宝塔,受试者在监视器上观看四种设计方案的同时,他们的脑电数据将被记录下来,每个设计方案有14s的观察时间,而各个方案之间都有3s的间隔以消除视觉残留,实验结束后,要求被试对四种方案进行排序,做出决策,整体实验加上受试者前期的准备工作,每个人需要大约20分钟。
EEG的预处理是将EEG原始的32通道信号分别进行工频滤波和去除基线漂移,预处理目的主要是为了滤除信号中与设计决策无关的频率成分,降低噪声对最终分类准确率的影响,EEG的频率集中在0.1~56HZ之间,而国家交流电工频是50HZ,因此使用50HZ的陷波器进行滤波,其幅频响应H的表达式为:
其中z=1是单位圆平面,k=0.88是调节参数,w0=2πf0/fs为角频率,f0是工频为50HZ,fs是采样频率为256HZ,从观察陷波器的幅频响应曲线可知,滤波器的过渡带急速下降并上升,因而在工频滤波中几乎不会对其他频段的信号产生影响;
此外,在数据收集的过程中系统噪声会随着时间变化而产生基线漂移,影响EEG识别的准确率,考虑到基线漂移是一种缓慢变化的低频信号,而一般的去趋势化算法只能消除线性趋势,因此该研究采用最小二乘拟合基线的方法来去除基线漂移,其表达式为:
根据偏导求取极值的方法,目的是为了得到待定系数ak,同时也就得到了预处理后的值。
EEG的特征提取中使用WPD算法,小波变换使用的是一组正交的、迅速衰减的小波函数基进行信号拟合,这种小波函数基可通过其尺度变量和平移变量,获得不同的频率和时间位置,此外,决策任务是随着时间变化的认知过程,因此引入时间窗口w(t)来提取EEG序列中更加丰富的上下文信息,首先将长度为N的数据x(t)分成L段,窗口的大小为M,窗口移动的步长为S,则有如下关系:
L=(N-M)/S, (4)
那么第i段的窗口数据表示为:
wi(t)=x(t+iM-M),0≤t≤M,1≤i≤L. (5)
接着,使用WPD处理上述各段数据,目的是为了计算出EEG的功率谱特征,特别地,WPD又称为最优子带树结构,是对小波分解的改进,WPD将信号高频分量和低频分量都进行分解,比小波变换更加精细和全面,重要地,该算法能够自适应选择频带,从而提高信号的时频分辨率,具有时频特征局部化特点;
此外,在WPD中最关键的是选择合适的小波基函数进行信号分解,我们在分析EEG的时频特征时,选择具有平滑且连续的小波是有利的,即满足紧支撑性和正交性,一方面,小波的紧支撑特性取决于它的尺度参数,信号的支撑区间越大,则算法的计算复杂度越高,导致高幅值的小波系数变多,另一方面,小波正交性是为了确保信号的分解没有冗余;
在小波包中提供了各种类型的小波基,而对于EEG这种离散型信号采用Daubechies母小波会有较好的效果,本研究使用Haar小波即Daubechies中的db1,对决策任务的32通道EEG进行3层分解,WPD算法的原理为:
其中s为尺度因子,b为平移因子,ψ为小波基信号,为了本研究分解信号的需要,将其表达式离散化:
式中cl为逼近系数,gj,l为细节系数,φ(·)为尺度函数,ψ(·)为小波基函数;
式中h0为低通滤波器,h1为高通滤波器,j表示分解的层数,l表示EEG 通道的编号,在信号分解后,计算第三层中每个结点的功率值,k为采样点个数,n表示结点编号,得到功率谱估计:
分类器设计构建了8层的ConvNet模型作为脑电信号功率谱特征的分类器,与传统的特征分类方法不同的是,卷积神经网络能在训练模型的过程中自适应地学习抽象特征,提高模型数据挖掘的能力,从而提高分类的准确率,一个典型的ConvNet模型包含以下结构:输入层、卷积层、池化层、全连接层和输出层,卷积层的作用是对前面的输入进行多核卷积,之后通过激励函数作为下一层输入的特征,其计算表达式为:
其中,表示第l层的第j个特征,表示第l层的第个j特征与第l-1层的第i个特征的连接权重,表示l层的j个特征的偏置,M是i的集合,“*”为卷积操作,随着网络层数的增加,模型会出现过拟合的现象,因此,池化层的作用是对卷积后的特征图进行下采样,以降低网络结构的维度,其表达式为:
其中,pool(·)表示下采样函数,经过降维再与系数相乘,同样需要经过激活函数作为下一层输入的特征,常见的卷积神经网络模型在初始阶段为卷积层和池化层的交替叠加,在最后几层使用全连接层,该研究最终构建了8层的ConvNet模型,为了保证各层输入数据的分布一致,在各层之间进行批归一化数据处理,同时加入Dropout策略防止模型训练的过拟合,此外,为了提高ConvNet模型的收敛速度,使用交叉熵损失函数,其中概率分布p为期望输出,概率分布q为实际输出,表达式为:
针对训练过程中参数的优化问题,当损失函数为非凸函数时,采用梯度下降法只能得到局部最优解,并不适用于所有参数得更新,因此采用Adam优化器去自适应的更新权重,相较于其他方法,Adam算法的收敛速度更快,且能缓解损失函数中梯度震荡的问题。
根据具体实验结果对本技术方案进一步的说明;
1.方案实施
1.1总体模型的实施细节描述
我们招募并收集被试者的脑电信号,他们分别来自计算机学院和艺术学院,为消除以往个人经验的影响,从艺术设计领域中选取了4种受试者从未接触过的方案作为刺激进行实验,这四种方案主要用于产品的外包装,图案分别为漳州水仙花、少数民族、闽南土楼和宝塔,受试者在监视器上观看四种设计方案的同时,他们的脑电数据将被记录下来,每个设计方案有14s 的观察时间,而各个方案之间都有3s的间隔以消除视觉残留,实验结束后,要求被试对四种方案进行排序,做出决策,
我们首先分析了个体对4种方案的排序结果,采用统计分析法来确定艺术设计产品和个体主观决策两者之间的关系,此外,对于本研究提出的EEG 识别模型,采用两个个定量评价指标来评估模型性能,即准确率(Accuracy) 和和均方误差(Mean Square Error,MSE),相关表达式如下:
其中,TP的含义是被模型预测为正确的正样本数量,FP为被模型预测为正确的负样本数量,TN表示为被模型预测为错误的正样本数量,FN则为被模
在WPD-ConvNet脑电识别模型的训练过程中,采用批量训练的方法进行训练更新,共300轮的训练,为了展现实验结果,本研究从两方面具体介绍,一方面,在特征提取阶段本研究对比了WPD的五种小波基性能,实际操作为将被试者的数据打乱再随机分成五份,然后进行五次训练并取平均值,每一次中四份为训练集,一份为不重复的验证集,另一方面,为了验证模型的泛化能力,本研究与五种方法进行对比,把每位被试者的数据单独作为测试集,最终可计算出所有被试者在WPD-ConvNet识别模型上的平均准确率。
1.2数据采集结果的实施说明
在艺术设计决策中,被试者需要在观察4种方案后从积极到消极对它们依次排序并记录,其中0代表积极的态度,3代表消息的态度,1和2代表中立但有程度上的差别,本研究采用Kendall系数来判断艺术设计产品和个体主观决策两者之间是否存在相关性,结果表明,设计产品和主观决策存在明显的正相关性(K=0.271,p<0.01),具有统计学意义,由于不同个体在设计方案的决策上存在差异,需要进一步的分析,我们招募的被试者对设计方案做出的决策百分比如表1所示,统计数据表明,对于这4种设计方案(具体样式见图1)每个人的决策态度都有不同,从总体来看,大部分人对方案(1) 和方案(4)表现出积极的态度,这可能是因为这两种方案样式复杂,能够受到被试者的青睐,此外,对于方案(2)有62.5%的人选择了消极的态度,这可能是由于该方案的样式过于朴素,但仍有12.5%的人喜欢这种风格;
表1
决策 | (1)漳州水仙花 | (2)少数民族 | (3)福建土楼 | (4)宝塔 |
0(积极) | 37.50% | 12.50% | 12.50% | 37.50% |
1 | 31.25% | 12.50% | 31.25% | 25.00% |
2 | 31.25% | 12.50% | 31.25% | 25.00% |
3(消极) | 0.00% | 62.50% | 25.00% | 12.50% |
为了细化研究过程,按照专业背景把被试者分为两组,其中,有9名是工程专业的学生和7名艺术专业的学生,表2显示了两类受试者对于各个方案决策的方差对比,相比之下我们能发现艺术类学生的方差波较小,这也表明了他们的决策一致性较高,而工程类学生对于设计方案的敏感性就要差一些,
表2
被试 | (1) | (2) | (3) | (4) |
艺术专业 | 0.816 | 0.378 | 1.134 | 0.756 |
工程专业 | 0.928 | 1.302 | 0.928 | 1.236 |
1.3EEG特征提取结果的实施说明
我们选取了5种小波基函数进行对比,如表3所示,结果表明,“Haar”小波使得EEG识别模型的准确率最高,达到了95.8%,Haar是最简单的一个小波函数,具有紧支撑性和正交性,是Daubechies函数中支持长度为1的一个特例,Daubechies通常简称为“dbN”,N为分解级数,随着N的增加,虽然在频域的可区分性增强,但小波的消失矩也在增大,在时域的紧支撑性降低,因此表中“db4”对于EEG模型的准确率就相对较低,“bior2.4”是双正交小波,它借由牺牲一部分的正交性来扩大函数空间,对于EEG模型的准确率和“db4”相当,“demy”和“coif4”的性能就相对较差,只有74%和77.7%,由此可见,“Haar”小波在决策任务的EEG特征提取中会有较好的表现,
表3
1.4分类器设计结果的实施说明
我们在分类器的对比实验随机选择10名被试进行实验,表4对比了本研究方法与其他五种分类算法的准确率,包括三种机器学习和两种常见的深度学习算法,从表中可以看出,本文的方法达到了88.9%的准确率,而传统的机器学习算法存在明显的差异,例如,虽然RF方法在所有机器学习中取得了较高的准确率(79.9%),但是对于被试1和被试8的分类准确率相差了近10%,说明该方法的泛化性能较差,另外,在常用的深度学习方法中使用DNN和LSTM 作为对比,其中DNN取得了较好的效果,值得注意的是该方法在被试2的测试中甚至接近了本文的方法,然而LSTM的性能表现不佳,这可能是因为该方法适用于处理和预测时间序列中间隔和延迟非常长的任务,对于短时间内设计决策的EEG并没有太大作用,相对而言,本文的方法能够取得较好的效果,被试者之间也没有表现出较大的差异,其重要原因在于卷积神经网络在处理特征时具有平移不变性,总体来看,卷积神经网络的平移不变性使得模型更加健壮,它不会因为EEG中的个体差异或噪音而降低模型的性能,图4选取了表4中典型的4个人,绘制了六种方法对比的直方图,显然,我们的方法取得了较好的效果,
表4
2.结果分析
为了进一步验证EEG在艺术设计决策中群体之间存在的差异,本研究使用WPD-ConvNet方法训练了两个模型,分别基于7名艺术类学生和7名工程类学生,如表5所示,具有艺术背景的被试者们达到了85.2%的准确率,这略高于具有工程背景的被试者,这一实验结果证实了上述主观决策的结论,综上,这项研究从生理数据层面说明了艺术类学生比工程类学生对于设计决策的判断更加敏锐,
表5
变量 | Accuracy | MSE |
艺术专业被试 | 85.2% | 0.521 |
工程专业被试 | 82.8% | 0.534 |
创新点:
(1)针对产品评价过程中主观性强和不可量化的问题,本发明将EEG技术引入到艺术设计决策中,在真实的场景中收集数据,使用深度学习的方法揭示了决策行为背后的生理意义;
(2)针对脑电信号识别准确率较低的问题,本发明提出了WPD-ConvNet 分类模型,达到88.9%的准确率,比传统的机器学习算法提升了约8%;
(3)EEG在不同群体之间也存在差异,我们从生理数据层面说明了艺术类学生比工程类学生对于设计决策的判断更加敏锐。
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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.基于小波包分解和卷积神经网络的设计决策脑电识别方法,其特征在于,该模型由四个连续的部分组成,包括EEG的收集、EEG的预处理、EEG的特征提取和分类器设计,首先,为被试者提供四幅风格不同的艺术设计作品并收集他们的EEG,然后,需要对原始的EEG进行预处理,包括工频滤波和去除基线漂移,以降低噪声的影响,接着,我们设计了时间窗口来改进小波包分解算法,以提取EEG特征,最后,将WPD转化后的特征值输入8层卷积神经网络,得到分类的结果。
2.根据权利要求1所述的基于小波包分解和卷积神经网络的设计决策脑电识别方法,其特征在于:所述EEG的收集采用32通道和256HZ的采样率的Bitbrain水电极脑电仪,并通过由Kingfar科技公司开发ErgoLab软件启动,使用该软件可以记录EEG等生理数据并实现可视化,在实验中,招募并收集被试者的EEG,他们分别来自计算机学院和艺术学院,为消除以往个人经验的影响,从艺术设计领域中选取了4种受试者从未接触过的方案作为刺激进行实验,这四种方案主要用于产品的外包装,图案分别为漳州水仙花、少数民族、闽南土楼和宝塔,受试者在监视器上观看四种设计方案的同时,他们的脑电数据将被记录下来,每个设计方案有14s的观察时间,而各个方案之间都有3s的间隔以消除视觉残留,实验结束后,要求被试对四种方案进行排序,做出决策,整体实验加上受试者前期的准备工作,每个人需要大约20分钟。
3.根据权利要求2所述的基于小波包分解和卷积神经网络的设计决策脑电识别方法,其特征在于:所述EEG的预处理是将EEG原始的32通道信号分别进行工频滤波和去除基线漂移,预处理目的主要是为了滤除信号中与设计决策无关的频率成分,降低噪声对最终分类准确率的影响,EEG的频率集中在0.1~56HZ之间,而国家交流电工频是50HZ,因此使用50HZ的陷波器进行滤波,其幅频响应H的表达式为:
其中z=1是单位圆平面,k=0.88是调节参数,w0=2πf0/fs为角频率,f0是工频为50HZ,fs是采样频率为256HZ,从观察陷波器的幅频响应曲线可知,滤波器的过渡带急速下降并上升,因而在工频滤波中几乎不会对其他频段的信号产生影响;
此外,在数据收集的过程中系统噪声会随着时间变化而产生基线漂移,影响EEG识别的准确率,考虑到基线漂移是一种缓慢变化的低频信号,而一般的去趋势化算法只能消除线性趋势,因此该研究采用最小二乘拟合基线的方法来去除基线漂移,其表达式为:
根据偏导求取极值的方法,目的是为了得到待定系数ak,同时也就得到了预处理后的值。
4.根据权利要求3所述的基于小波包分解和卷积神经网络的设计决策脑电识别方法,其特征在于:所述EEG的特征提取中使用WPD算法,小波变换使用的是一组正交的、迅速衰减的小波函数基进行信号拟合,这种小波函数基可通过其尺度变量和平移变量,获得不同的频率和时间位置,此外,决策任务是随着时间变化的认知过程,因此引入时间窗口w(t)来提取EEG序列中更加丰富的上下文信息,首先将长度为N的数据x(t)分成L段,窗口的大小为M,窗口移动的步长为S,则有如下关系:
L=(N-M)/S,(4)
那么第i段的窗口数据表示为:
wi(t)=x(t+iM-M),0≤t≤M,1≤i≤L.(5)
接着,使用WPD处理上述各段数据,目的是为了计算出EEG的功率谱特征,特别地,WPD又称为最优子带树结构,是对小波分解的改进,WPD将信号高频分量和低频分量都进行分解,比小波变换更加精细和全面,重要地,该算法能够自适应选择频带,从而提高信号的时频分辨率,具有时频特征局部化特点;
此外,在WPD中最关键的是选择合适的小波基函数进行信号分解,我们在分析EEG的时频特征时,选择具有平滑且连续的小波是有利的,即满足紧支撑性和正交性,一方面,小波的紧支撑特性取决于它的尺度参数,信号的支撑区间越大,则算法的计算复杂度越高,导致高幅值的小波系数变多,另一方面,小波正交性是为了确保信号的分解没有冗余;
在小波包中提供了各种类型的小波基,而对于EEG这种离散型信号采用Daubechies母小波会有较好的效果,本研究使用Haar小波即Daubechies中的db1,对决策任务的32通道EEG进行3层分解,WPD算法的原理为:
其中s为尺度因子,b为平移因子,ψ为小波基信号,为了本研究分解信号的需要,将其表达式离散化:
式中cl为逼近系数,gj,l为细节系数,φ(·)为尺度函数,ψ(·)为小波基函数;
式中h0为低通滤波器,h1为高通滤波器,j表示分解的层数,l表示EEG通道的编号,在信号分解后,计算第三层中每个结点的功率值,k为采样点个数,n表示结点编号,得到功率谱估计:
5.根据权利要求4所述的基于小波包分解和卷积神经网络的设计决策脑电识别方法,其特征在于:所述分类器设计构建了8层的ConvNet模型作为脑电信号功率谱特征的分类器,与传统的特征分类方法不同的是,卷积神经网络能在训练模型的过程中自适应地学习抽象特征,提高模型数据挖掘的能力,从而提高分类的准确率,一个典型的ConvNet模型包含以下结构:输入层、卷积层、池化层、全连接层和输出层,卷积层的作用是对前面的输入进行多核卷积,之后通过激励函数作为下一层输入的特征,其计算表达式为:
其中,表示第l层的第j个特征,表示第l层的第个j特征与第l-1层的第i个特征的连接权重,表示l层的j个特征的偏置,M是i的集合,“*”为卷积操作,随着网络层数的增加,模型会出现过拟合的现象,因此,池化层的作用是对卷积后的特征图进行下采样,以降低网络结构的维度,其表达式为:
其中,pool(·)表示下采样函数,经过降维再与系数相乘,同样需要经过激活函数作为下一层输入的特征,常见的卷积神经网络模型在初始阶段为卷积层和池化层的交替叠加,在最后几层使用全连接层,该研究最终构建了8层的ConvNet模型,为了保证各层输入数据的分布一致,在各层之间进行批归一化数据处理,同时加入Dropout策略防止模型训练的过拟合,此外,为了提高ConvNet模型的收敛速度,使用交叉熵损失函数,其中概率分布p为期望输出,概率分布q为实际输出,表达式为:
针对训练过程中参数的优化问题,当损失函数为非凸函数时,采用梯度下降法只能得到局部最优解,并不适用于所有参数得更新,因此采用Adam优化器去自适应的更新权重,相较于其他方法,Adam算法的收敛速度更快,且能缓解损失函数中梯度震荡的问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210673893.0A CN115270847A (zh) | 2022-06-14 | 2022-06-14 | 基于小波包分解和卷积神经网络的设计决策脑电识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210673893.0A CN115270847A (zh) | 2022-06-14 | 2022-06-14 | 基于小波包分解和卷积神经网络的设计决策脑电识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270847A true CN115270847A (zh) | 2022-11-01 |
Family
ID=83760536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210673893.0A Withdrawn CN115270847A (zh) | 2022-06-14 | 2022-06-14 | 基于小波包分解和卷积神经网络的设计决策脑电识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270847A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117496256A (zh) * | 2023-11-14 | 2024-02-02 | 中国人民解放军军事科学院系统工程研究院 | 一种小样本电磁信号识别方法及装置 |
-
2022
- 2022-06-14 CN CN202210673893.0A patent/CN115270847A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117496256A (zh) * | 2023-11-14 | 2024-02-02 | 中国人民解放军军事科学院系统工程研究院 | 一种小样本电磁信号识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gandhi et al. | A comparative study of wavelet families for EEG signal classification | |
Pachori et al. | Epileptic seizure classification in EEG signals using second-order difference plot of intrinsic mode functions | |
Guo et al. | Epileptic seizure detection using multiwavelet transform based approximate entropy and artificial neural networks | |
CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
Song et al. | Automatic recognition of epileptic EEG patterns via extreme learning machine and multiresolution feature extraction | |
CN109674468A (zh) | 一种单导脑电自动睡眠分期方法 | |
CN107657868A (zh) | 一种基于脑电波的教学跟踪辅助系统 | |
CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
Bouallegue et al. | A dynamic filtering DF-RNN deep-learning-based approach for EEG-based neurological disorders diagnosis | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN111956221B (zh) | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 | |
CN112541415B (zh) | 基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法 | |
Furui et al. | Non-Gaussianity detection of EEG signals based on a multivariate scale mixture model for diagnosis of epileptic seizures | |
CN111387975A (zh) | 基于机器学习的脑电信号识别方法 | |
Sun et al. | A novel complex network-based graph convolutional network in major depressive disorder detection | |
CN115270847A (zh) | 基于小波包分解和卷积神经网络的设计决策脑电识别方法 | |
Raiesdana | Automated sleep staging of OSAs based on ICA preprocessing and consolidation of temporal correlations | |
CN117113015A (zh) | 一种基于时空深度学习的脑电信号识别方法及装置 | |
CN111887811A (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
CN116522106A (zh) | 一种基于迁移学习并行多尺度滤波器组时域卷积的运动想象脑电信号分类方法 | |
Nagwanshi et al. | Wearable Sensors with Internet of Things (IoT) and Vocabulary-Based Acoustic Signal Processing for Monitoring Children's Health | |
CN116196015A (zh) | 一种基于节律特征融合卷积神经网络的脑电分类模型 | |
Gómez-Gil et al. | Identification of epilepsy seizures using multi-resolution analysis and artificial neural networks | |
CN113558637A (zh) | 一种基于相位传递熵的音乐感知下脑网络构建方法 | |
Vedavathi et al. | Wavelet transform based neural network model to detect and characterise ECG and EEG signals simultaneously |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221101 |
|
WW01 | Invention patent application withdrawn after publication |