CN115337026B - 一种基于卷积神经网络的eeg信号特征检索方法、装置 - Google Patents

一种基于卷积神经网络的eeg信号特征检索方法、装置 Download PDF

Info

Publication number
CN115337026B
CN115337026B CN202211276168.6A CN202211276168A CN115337026B CN 115337026 B CN115337026 B CN 115337026B CN 202211276168 A CN202211276168 A CN 202211276168A CN 115337026 B CN115337026 B CN 115337026B
Authority
CN
China
Prior art keywords
eeg signal
label
feature
sample
data set
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
Application number
CN202211276168.6A
Other languages
English (en)
Other versions
CN115337026A (zh
Inventor
冯琳清
田琪
魏伊娜
唐弢
朱琴
姜思逸
周津润
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202211276168.6A priority Critical patent/CN115337026B/zh
Publication of CN115337026A publication Critical patent/CN115337026A/zh
Application granted granted Critical
Publication of CN115337026B publication Critical patent/CN115337026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]
    • 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
    • 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
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Psychology (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Dermatology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Human Computer Interaction (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于卷积神经网络的EEG信号特征检索方法、装置，包括：对待检索的EEG信号数据集预处理；基于卷积神经网络构建特征提取模型；使用特征提取模型对EEG信号进行特征提取，再进行聚类，得到K个聚类中心，并计算每个聚类中心的坐标；计算所有样本与K个聚类中心的欧式距离并排序，得到将第一标签和第二标签，将该标签作为样本构建的索引；对EEG信号数据集中的所有样本构建索引得到索引库；通过索引在索引库中查询待检索的EEG信号数据集中与待查询的目标样本相似的检索结果信号；计算检索结果信号与目标样本的相似度并排序，得到EEG信号特征检索结果。本发明能快速有效地从数据集中检索出相似的信号数据。

Description

一种基于卷积神经网络的EEG信号特征检索方法、装置
技术领域
本发明涉及脑电图信号（Electroencephalogram，EEG）处理领域，具体涉及一种基于卷积神经网络（Convolutional Neural Network，CNN）的EEG信号检索技术。
背景技术
EEG是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，是通过电极记录下来的脑细胞群的自发性、节律性电活动。作为一种能够检测到大脑活动的无创性检查手段，EEG在临床方面有重要的应用，是癫痫、抑郁症、阿尔兹海默症等疾病诊治中的重要检查方法。在科学研究领域，EEG也是探究生物大脑活动规律的重要途径之一，是脑机接口（Brain Computer Interface）研究领域中的重要研究手段，在研究大脑活动机理、探索脑疾病致病原因、构建脑机交互机器人等方面发挥重要作用。
随着EEG技术的不断应用与发展，越来越多的EEG数据不断累积，成为临床应用与科学研究中的宝贵资源。然而，想要有效发掘海量EEG数据的巨大潜力，从海量数据中快速找到符合要求的数据是基本前提。在临床方面，在众多病例中找到具有特定EEG特征的患者，能够帮助医生分析相似病例，对类似病症的诊治给予决策支持；在科研方面，找到包含特定特征的EEG数据，能够帮助研究者快速完成实验对象的筛选，推进研究的开展。因此，在海量的EEG数据中找到符合要求的EEG数据，是广大临床、科研工作者所面临的重要需求。
目前传统的EEG数据检索技术大多数基于数据所对应的结构化标签实现的。需要领域专家提前对EEG数据进行判别并进行标注，从而在适用过程中根据标注的内容进行数据查找。该方法能够满足一定场景需求，然而也存在一定的局限：首先，该方法检索的条件需基于标注内容所包含的字段（例如年龄、性别、诊断等），对于标注不包含的字段则无法进行检索；其次，对于没有标签的数据，需人工进行标注之后方可进行检索，日益增长的海量数据意味着繁重的人力负担；最后，基于标注描述EEG信号特征的方式，其效果取决于描述人选择标签和标注内容的准确性，难以保障EEG信号中的丰富特征被全面、准确地表达。
CNN是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。CNN具有特征学习的能力，在各类图像检索、语音识别等任务中有出色表现，因此被广泛应用于各类相关的任务场景中。面对临床医生和科学研究者日益增涨的急迫需求，当前亟需一种针对EEG信号特征的检索方法，能够根据EEG信号的特征，快速，准确地从海量数据中查找与该特征相似的信号数据，促进临床应用和科学研究的顺利开展。
发明内容
针对现有技术的不足，本发明提出一种基于CNN的EEG信号特征检索方法。
为实现上述技术目的，本发明的技术方案为：
本发明实施例的第一方面提供了一种基于卷积神经网络的EEG信号特征检索方法，所述方法具体包括以下步骤：
（1）采集EEG信号得到待检索的EEG信号数据集，并对EEG信号数据集中的每个EEG信号进行包括滤波、截取特征片段在内的预处理；
（2）基于卷积神经网络构建特征提取模型并训练；
（3）使用特征提取模型对EEG信号进行特征提取，并对提取到的特征样本进行聚类，得到K个聚类中心，并计算每个聚类中心的坐标；
（4）计算EEG信号数据集中的所有样本与K个聚类中心的欧式距离并排序；自定义排序阈值，取前排序阈值的聚类中心作为某一样本的第一标签；取后排序阈值的聚类中心作为某一样本的第二标签，将第一标签和第二标签作为样本构建的索引；对EEG信号数据集中的所有样本构建索引得到索引库；
（5）通过特征提取模型对待查询的目标样本进行特征提取，并基于特征进行聚类，得到目标样本对应的第一标签及第二标签；以第一标签及第二标签作为索引在索引库中查询待检索的EEG信号数据集中与目标样本相似的检索结果信号；
（6）计算检索结果信号与目标样本的相似度并排序，得到EEG信号特征检索结果。
本发明实施例的第二方面提供了一种基于卷积神经网络的EEG信号特征检索装置，包括一个或多个处理器，用于实现上述的基于卷积神经网络的EEG信号特征检索方法。
本发明实施例的第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，用于上述的基于卷积神经网络的EEG信号特征检索方法。
与现有技术相比，本发明的有益技术效果为：
1）基于数据本身特征的相似性信息数据检索，检索精确度不会受到标签类型、精确度等因素的影响；
2）通过机器学习的方法自动获得描述样本特征的关键字，极大减少了构建索引过程中的人力消耗，降低索引构建的难度和成本；
3）基于第一标签以及第二标签两种类型的标签构建索引，快速检索出数据库中可能与目标相似的信号，并进一步计算快速检索结果与检索目标的相似度，基于相似度对结果进行重新排序，提高检索精确度；
4）方法的通用性与灵活性高，对于数据集的变换，无需再重新对数据进行标注来构建索引。基于新数据可以快速训练模型并构建相应索引，实现检索功能。
附图说明
图1为检索构建以及数据查询的整体流程图；
图2为本发明构建的特征提取模型结构图；
图3为待查询的目标样本的示意图；
图4为EEG信号特征检索结果排序的示意图；
图5为本发明实例提供的基于卷积神经网络的EEG信号特征检索装置的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图，对本发明提出的基于卷积神经网络的EEG信号特征检索方法、装置进行详细的阐述。
本发明的实施例提出了基于卷积神经网络的EEG信号特征检索方法，如图1所示，包括以下步骤：
（1）采集EEG信号得到待检索的EEG信号数据集，并对EEG信号数据集中的每个EEG信号进行滤波、截取特征片段在内的预处理。
步骤（1）中对EEG数据进行预处理的过程具体为：由于EEG信号在采集过程中会可能由于肌肉、眼球运动、以及环境中的生产用电造成噪音干扰，因此在进行研究之前，通常需要研究者对EEG数据进行滤波。常见的滤波方法有高通滤波器、低通滤波器、带通滤波器以及陷波滤波器等，研究者可以根据自身研究需求选择相应的滤波器以及滤波参数，以滤除干扰噪音，保留研究所需使用的信号成分。
如在一稳态视觉诱发刺激实验的实施例中，诱发频率范围主要在10Hz-60hz，因此可选择使用参数为30Hz的低通滤波器、10Hz-90Hz的带通滤波器以及50Hz的陷波滤波器进行数据预处理。
在经过滤波器滤除干扰信号后，需要将EEG信号文件分割为长度为1024的片段，以进行下一步的特征提取和索引构建。为了能够提取更显著的特征，信号截取的内容应优先选择施加刺激后大脑的反应时段。
（2）基于卷积神经网络构建特征提取模型并训练；
其中，训练后的特征提取模型能够经若干次卷积和池化操作降低EEG信号的特征维度，并能通过反卷积和反池化操作进行重建还原输入的EEG信号。
本发明基于卷积神经网络CNN构建了自编码器模型作为特征提取模型来对EEG片段中的特征进行提取，本发明实施例中，特征提取模型结构如图2所示，包括编码器模块和解码器模块。其中，编码器模块包括依次连接的第一卷积层，第一池化层，第二卷积层，第二池化层，第三卷积层，第三池化层和第四卷积层。解码器模块则包括依次连接的第一反卷积层，第一反池化层，第二反卷积层，第二反池化层，第三反卷积层，第三反池化层和第五卷积层。经过预处理之后的训练数据在通过模型的编码器模块后，经过反复的卷积和池化操作，特征维度得到大幅度的降低，最终输出则为64*1的特征矩阵。该特征矩阵又作为解码器模块的输入，经过重复的反卷积和反池化的操作对信号进行重建，最终输出基于特征所重建得到的输出信号。重建的输出信号尽可能的与输入信号保持一致。特征提取模型中间所提取得到的特征矩阵是对原始输入信号的降维表达，本发明选择基于该特征矩阵构建相应信号的索引。每层模型的详细参数如表1所示。
表1：自编码器模型的详细参数
Figure 934851DEST_PATH_IMAGE001
训练特征提取模型以提升特征提取模型的效果，训练的过程具体包括：选取训练数据集，其中，所述训练数据可以来源于步骤（1）采集的待检索的EEG信号数据集中的部分数据，也可以为网上选取的同种类的EEG信号数据集。本发明在训练过程中选择的优化器是“Adagrad”，损失函数则选用“binary_crossentropy”。训练数据在进入模型之前，还需对训练数据中的样本数据进行标准化处理，在不改变数据分布的前提下将样本数据的大小映射到0-1的区间。本发明实施例选择的标准化方法为极大值极小值标准化方法，转换公式如下：
Figure 152949DEST_PATH_IMAGE002
其中，
Figure 148587DEST_PATH_IMAGE003
代表数据集x中的最小值，
Figure 771460DEST_PATH_IMAGE004
则代表数据集x中的最大值。
（3）使用特征提取模型对EEG信号进行特征提取，并对提取到的特征样本进行聚类，得到K个聚类中心，并计算每个聚类中心的坐标。
如在一实施例中，所需要构建索引的样本数量为2535，在经过特征提取模型进行特征提取后，对所得到的特征样本进行K-means聚类，每个聚类中心可视为描述样本特征的一个“中心点”。本发明选用K-means中的“手肘法”确定K值的大小，K值即聚类中心的数量。“手肘法”是根据聚类后不同K值下簇内误差平方和（Sum of Square Error，SSE）的大小变化情况来确定K值大小的一种方法，是K-means聚类算法中常用的一种方法。该方法通过计算不同K值下样本的SSE数值，并绘制变化曲线，选择曲线斜率变化最大的点所对应的K值大小作为最终的聚类中心点个数。在本实施例中，最终确定的K值大小为43，即以43作为聚类中心点的个数。并且可以计算每个中心点的坐标。
（4）计算EEG信号数据集中的所有样本与K个聚类中心的欧式距离并排序；自定义排序阈值，取前排序阈值的聚类中心作为某一样本的第一标签；取后排序阈值的聚类中心作为某一样本的第二标签，将第一标签和第二标签作为样本构建的索引；对EEG信号数据集中的所有样本构建索引得到索引库。
本发明方法通过基于聚类中心作为标签来构建索引，并将标签分为第一标签、第二标签两个类型，来分别作为索引，以提高单类型索引的精确度。本发明实施例还可以设置一定的排序阈值以提升检索效率。
示例性地，本发明实施例中，设置排序阈值为30%，则以欧式距离为衡量方法，选择离EEG信号样本最近的30%的“中心点”（即聚类中心）作为该样本的第一标签；同样的，选择距离样本最远的30%的“中心点”（即聚类中心）作为EEG信号样本的第二标签，最终基于第一标签和第二标签两组标签为该样本构建索引。[0027] 具体地，所述步骤（4）具体包括以下子步骤：
（4.1）计算EEG信号数据集中的所有样本与各聚类中心的欧氏距离。欧式距离是衡量欧式空间中两样本之间的距离的一种方式，在n维空间中，欧氏距离D的计算公式如下：
Figure 659432DEST_PATH_IMAGE005
式中，
Figure 600712DEST_PATH_IMAGE006
为第i个EEG信号样本，
Figure 370347DEST_PATH_IMAGE007
为第i个聚类中心。
（4.2）依据步骤（4.1）计算的EEG信号数据集中的所有样本到各聚类中心的欧式距离，对聚类中心进行排序。
（4.3）自定义设定排序阈值，取前排序阈值的聚类中心作为样本的第一标签；取后排序阈值的聚类中心作为样本的第二标签。
（4.4）将第一标签与第二标签与样本编号进行关联，分别作为样本的索引；
（4.5）对EEG信号数据集中的所有样本重复步骤（4.1）~步骤（4.4）操作，对EEG信号数据集中的所有样本构建索引形成样本的索引库。
（5）通过特征提取模型对待查询的目标样本进行特征提取，并基于特征进行聚类，得到目标样本对应的第一标签及第二标签；以第一标签及第二标签作为索引在索引库中查询待检索的EEG信号数据集中与目标样本相似的检索结果信号。
具体地，通过步骤（2）训练好的特征提取模型对待查询的目标样本进行特征提取，基于提取得到的特征进行K-means聚类，得到目标样本对应的第一标签及第二标签；基于目标样本对应的第一标签及第二标签，在步骤（4）得到的索引库中查询与其具有相似索引的样本，通过步骤（4.4）索引与样本编号的关联关系，即可得到待检索的EEG信号数据集中与目标样本相似的检索结果信号。
示例性地，本发明实施例中，步骤（5）中基于索引对与目标样本相似的检索结果信号进行快速检索：对于待查询的目标样本（图3），首先通过与步骤（1）中相同的预处理以滤除信号中包含的噪音。其次，基于步骤（2）训练好的特征提取模型对其进行特征提取，然后通过步骤（3）中的K-means聚类模型将其表达在与聚类中心相同的聚类空间中。接着计算该目标样本与各聚类中心的欧式距离，并得到相同排序阈值设定下的第一标签与第二标签。最后，基于待查询的目标样本的第一标签以及第二标签的内容，在索引库中查找与其标签有相似性的样本，并根据索引标签与样本编号的对应关系，查询数据库中与其相似度较高（例如top10，或者top50）的样本作为检索结果信号。
（6）计算步骤（5）中所得到的检索结果信号与目标样本的相似度并排序，得到EEG信号特征检索结果的排序，如图4所示。
其中，对步骤（5）中所得到的检索结果信号进行与目标样本的相似度计算原理如下：
基于目标样本到每个聚类中心的欧氏距离，将目标样本表达为一个K维的表征向量V，目标样本i所对应的表征向量为：
Figure 18366DEST_PATH_IMAGE008
其中，
Figure 602538DEST_PATH_IMAGE009
表示目标样本i到聚类中心C k 的欧式距离。
计算每个检索结果信号与目标样本的中心表征向量的相似度，目标样本i与EEG信号数据集中某一样本信号j的相似度S计算公式为：
Figure 375321DEST_PATH_IMAGE010
其中，T为聚类中心中自定义排序阈值对应的数量（在本实例中，T为聚类中心点数 量的30%），Ts为目标样本i、EEG信号数据集中某一样本信号j这两样本在索引中能够相互匹 配的标签个数，
Figure 775079DEST_PATH_IMAGE011
则为i、j两样本表征向量
Figure 575807DEST_PATH_IMAGE012
之间的欧氏距离。
与前述基于卷积神经网络的EEG信号特征检索方法的实施例相对应，本发明还提供了基于卷积神经网络的EEG信号特征检索装置的实施例。
参见图5，本发明实施例提供的一种基于卷积神经网络的EEG信号特征检索装置，包括一个或多个处理器，用于实现上述实施例中的基于卷积神经网络的EEG信号特征检索方法。
本发明基于卷积神经网络的EEG信号特征检索装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本发明基于卷积神经网络的EEG信号特征检索装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于卷积神经网络的EEG信号特征检索方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

Claims (9)

1.一种基于卷积神经网络的EEG信号特征检索方法，其特征在于，所述方法包括以下步骤：
（1）采集EEG信号得到待检索的EEG信号数据集，并对EEG信号数据集中的每个EEG信号进行包括滤波、截取特征片段在内的预处理；
（2）基于卷积神经网络构建特征提取模型并训练；
（3）使用特征提取模型对EEG信号进行特征提取，并对提取到的特征样本进行聚类，得到K个聚类中心，并计算每个聚类中心的坐标；
（4）计算EEG信号数据集中的所有样本与K个聚类中心的欧式距离并排序；自定义排序阈值，取前排序阈值的聚类中心作为某一样本的第一标签；取后排序阈值的聚类中心作为某一样本的第二标签，将第一标签和第二标签作为样本构建的索引；对EEG信号数据集中的所有样本构建索引得到索引库；
（5）通过特征提取模型对待查询的目标样本进行特征提取，并基于特征进行聚类，得到目标样本对应的第一标签及第二标签；以第一标签及第二标签作为索引在索引库中查询待检索的EEG信号数据集中与目标样本相似的检索结果信号；
（6）计算检索结果信号与目标样本的相似度并排序，得到EEG信号特征检索结果；
计算步骤（6）中所得到的检索结果信号与目标样本的相似度的过程包括：
基于目标样本到每个聚类中心的欧氏距离，将目标样本表达为一个K维的表征向量V，目标样本i所对应的表征向量为：
Figure 248165DEST_PATH_IMAGE001
其中，
Figure 696464DEST_PATH_IMAGE002
表示目标样本i到聚类中心C k 的欧式距离；
计算每个检索结果信号与目标样本的中心表征向量的相似度，目标样本i与EEG信号数据集中某一样本信号j的相似度S计算公式为：
Figure 617147DEST_PATH_IMAGE003
其中，T为聚类中心中自定义排序阈值对应的数量，Ts为目标样本i、EEG信号数据集中 某一样本信号j这两样本在索引中能够相互匹配的标签个数，
Figure 543514DEST_PATH_IMAGE004
则为i、j两样本表 征向量
Figure 764411DEST_PATH_IMAGE005
之间的欧氏距离。
2.根据权利要求1所述的基于卷积神经网络的EEG信号特征检索方法，其特征在于，所述步骤（1）中对EEG信号数据集中的每个EEG信号进行包括滤波、截取特征片段在内的预处理具体为：选取滤波器以及滤波参数，以滤除EEG信号中的干扰噪音；针对每个EEG信号，根据刺激时间，截取刺激后长度为1024的EEG信号作为特征片段。
3.根据权利要求1所述的基于卷积神经网络的EEG信号特征检索方法，其特征在于，所述步骤（2）中的特征提取模型包括编码器模块和解码器模块，所述编码器模块经若干次卷积和池化操作后，降低EEG信号的特征维度，得到特征矩阵；所述解码器模块将特征矩阵经反卷积和反池化操作进行重建还原EEG信号。
4.根据权利要求3所述的基于卷积神经网络的EEG信号特征检索方法，其特征在于，所述编码器模块包括依次连接的第一卷积层，第一池化层，第二卷积层，第二池化层，第三卷积层，第三池化层和第四卷积层；所述解码器模块包括依次连接的第一反卷积层，第一反池化层，第二反卷积层，第二反池化层，第三反卷积层，第三反池化层和第五卷积层。
5.根据权利要求1所述的基于卷积神经网络的EEG信号特征检索方法，其特征在于，所述步骤（2）中训练特征提取模型包括：选取步骤（1）采集的待检索的EEG信号数据集中的部分数据作为训练数据，并对训练数据进行标准化处理，训练过程中的优化器选用Adagrad，损失函数选用binary_crossentropy。
6.根据权利要求1所述的基于卷积神经网络的EEG信号特征检索方法，其特征在于，所述步骤（4）具体包括以下子步骤：
（4.1）计算EEG信号数据集中的所有样本与各聚类中心的欧氏距离；
（4.2）依据步骤（4.1）计算的EEG信号数据集中的所有样本到各聚类中心的欧式距离，对聚类中心进行排序；
（4.3）自定义设定排序阈值，取前排序阈值的聚类中心作为样本的第一标签；取后排序阈值的聚类中心作为样本的第二标签；
（4.4）将第一标签与第二标签与样本编号进行关联，分别作为样本的索引；
（4.5）对EEG信号数据集中的所有样本重复步骤（4.1）~步骤（4.4）操作，对EEG信号数据集中的所有样本构建索引形成样本的索引库。
7.根据权利要求1所述的基于卷积神经网络的EEG信号特征检索方法，其特征在于，所述步骤（5）中还包括：对待查询的目标样本先进行包括滤波、截取特征片段在内的预处理。
8.一种基于卷积神经网络的EEG信号特征检索装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-7中任一项所述的基于卷积神经网络的EEG信号特征检索方法。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，用于实现权利要求1-7中任一项所述的基于卷积神经网络的EEG信号特征检索方法。
CN202211276168.6A 2022-10-19 2022-10-19 一种基于卷积神经网络的eeg信号特征检索方法、装置 Active CN115337026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211276168.6A CN115337026B (zh) 2022-10-19 2022-10-19 一种基于卷积神经网络的eeg信号特征检索方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211276168.6A CN115337026B (zh) 2022-10-19 2022-10-19 一种基于卷积神经网络的eeg信号特征检索方法、装置

Publications (2)

Publication Number Publication Date
CN115337026A CN115337026A (zh) 2022-11-15
CN115337026B true CN115337026B (zh) 2023-03-10

Family

ID=83957757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211276168.6A Active CN115337026B (zh) 2022-10-19 2022-10-19 一种基于卷积神经网络的eeg信号特征检索方法、装置

Country Status (1)

Country Link
CN (1) CN115337026B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115905373B (zh) * 2023-03-09 2023-06-06 北京永洪商智科技有限公司 一种数据查询以及分析方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722727A (zh) * 2012-06-11 2012-10-10 杭州电子科技大学 基于脑功能网络邻接矩阵分解的脑电特征提取方法
CN107122809A (zh) * 2017-04-24 2017-09-01 北京工业大学 基于图像自编码的神经网络特征学习方法
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
CN111198959A (zh) * 2019-12-30 2020-05-26 郑州轻工业大学 一种基于卷积神经网络的两阶段图像检索方法
CN113191395A (zh) * 2021-04-07 2021-07-30 杭州电子科技大学 一种基于双脑的多层次信息融合的目标检测方法
CN114781441A (zh) * 2022-04-06 2022-07-22 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
CN114795247A (zh) * 2022-04-13 2022-07-29 北京脑陆科技有限公司 脑电信号分析方法、装置、电子设备和存储介质
CN114947882A (zh) * 2022-05-24 2022-08-30 天津宇迪智能技术有限公司 一种基于卷积神经网络和eeg的大脑疲劳检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460892A (zh) * 2020-03-02 2020-07-28 五邑大学 一种脑电图模式分类模型的训练方法、分类方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722727A (zh) * 2012-06-11 2012-10-10 杭州电子科技大学 基于脑功能网络邻接矩阵分解的脑电特征提取方法
CN107122809A (zh) * 2017-04-24 2017-09-01 北京工业大学 基于图像自编码的神经网络特征学习方法
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
CN111198959A (zh) * 2019-12-30 2020-05-26 郑州轻工业大学 一种基于卷积神经网络的两阶段图像检索方法
CN113191395A (zh) * 2021-04-07 2021-07-30 杭州电子科技大学 一种基于双脑的多层次信息融合的目标检测方法
CN114781441A (zh) * 2022-04-06 2022-07-22 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
CN114795247A (zh) * 2022-04-13 2022-07-29 北京脑陆科技有限公司 脑电信号分析方法、装置、电子设备和存储介质
CN114947882A (zh) * 2022-05-24 2022-08-30 天津宇迪智能技术有限公司 一种基于卷积神经网络和eeg的大脑疲劳检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络的脑电信号情绪分类方法;张学军，陈都，孙知信;《电子测量技术》;20220131;第45卷(第1期);全文 *
基于深度卷积神经网络的脑电图异常检测;杜云梅等;《华南师范大学学报(自然科学版)》;20200415(第02期);全文 *

Also Published As

Publication number Publication date
CN115337026A (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
Zebari et al. A comprehensive review of dimensionality reduction techniques for feature selection and feature extraction
Li et al. A channel-projection mixed-scale convolutional neural network for motor imagery EEG decoding
Yuan et al. Wave2vec: Deep representation learning for clinical temporal data
Exarchos et al. EEG transient event detection and classification using association rules
Peng et al. Automatic epileptic seizure detection via Stein kernel-based sparse representation
Yu et al. Conditional mutual information-based feature selection for congestive heart failure recognition using heart rate variability
CN111134664B (zh) 一种基于胶囊网络的癫痫放电识别方法、系统和存储介质
CN111797674B (zh) 基于特征融合和粒子群优化算法的mi脑电信号识别方法
CN115337026B (zh) 一种基于卷积神经网络的eeg信号特征检索方法、装置
Golge et al. Conceptmap: Mining noisy web data for concept learning
Zhang et al. A CNN model for cardiac arrhythmias classification based on individual ECG signals
Wu et al. Plant leaf identification based on shape and convolutional features
CN114595725B (zh) 一种基于加法网络和监督对比学习的脑电信号分类方法
CN114003636A (zh) 一种基于变量相关性的多元时间序列相似性搜索方法
Asghar et al. Semi-skipping layered gated unit and efficient network: hybrid deep feature selection method for edge computing in EEG-based emotion classification
CN107045624B (zh) 一种基于最大加权团的脑电信号预处理与分类方法
CN114781441A (zh) Eeg运动想象分类方法及多空间卷积神经网络模型
Yuan et al. Learning sparse representations for fruit-fly gene expression pattern image annotation and retrieval
He et al. Unsupervised feature selection based on decision graph
Ohannesian et al. Epileptic seizures detection from EEG recordings based on a hybrid system of Gaussian mixture model and random forest classifier
Yu et al. Wavelet-based multiscale sample entropy and chaotic features for congestive heart failure recognition using heart rate variability
CN115758118A (zh) 一种基于脑电互信息的多源流形嵌入特征选择方法
Low et al. Automatic classification of periodic heart sounds using convolutional neural network
Prusty et al. Scalar invariant transform based deep learning framework for detecting heart failures using ECG signals
CN113171105A (zh) 基于集成cnn的心肌缺血的识别分类方法

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Feng Linqing

Inventor after: Tian Qi

Inventor after: Wei Yina

Inventor after: Tang Tao

Inventor after: Zhu Qin

Inventor after: Jiang Siyi

Inventor after: Zhou Jinrun

Inventor before: Feng Linqing

Inventor before: Tian Qi

Inventor before: Wei Yina

Inventor before: Tang Tao

Inventor before: Zhu Qin

Inventor before: Jiang Siyi

Inventor before: Zhou Jinrun