CN116070141A - 信号检测方法、检测模型、检测设备及应用 - Google Patents
信号检测方法、检测模型、检测设备及应用 Download PDFInfo
- Publication number
- CN116070141A CN116070141A CN202310354438.9A CN202310354438A CN116070141A CN 116070141 A CN116070141 A CN 116070141A CN 202310354438 A CN202310354438 A CN 202310354438A CN 116070141 A CN116070141 A CN 116070141A
- Authority
- CN
- China
- Prior art keywords
- signal
- convolution
- weighting
- signals
- processing
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 33
- 238000001994 activation Methods 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 10
- 230000035790 physiological processes and functions Effects 0.000 abstract description 3
- 230000000052 comparative effect Effects 0.000 description 18
- 210000004556 brain Anatomy 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000012634 fragment Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000007958 sleep Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000008909 emotion recognition Effects 0.000 description 3
- 206010015037 epilepsy Diseases 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000008452 non REM sleep Effects 0.000 description 2
- 230000008667 sleep stage Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (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检测方法、检测模型、检测设备及应用，信号检测方法，包括：S1：对原始信号进行预处理得到待处理信号；S2：利用加权机制获得动态加权信号；S3：输出离散数组以获得分类结果。本发明利用加权机制对待处理信号进行处理，获得动态加权信号，动态加权信号能够更加贴合生理状态的变化，以提高后续检测结果的准确性；通过加权机制可以为不同通道赋予动态权重，并捕获更多的频带范围，具有很高的应用价值。
Description
技术领域
本发明涉及信号检测技术领域，尤其涉及一种信号检测方法、检测模型、检测设备及应用。
背景技术
信号检测技术常被应用于各种领域，通过对信号的实时检测，可以发现信号特征的变化趋势，从而得到想要的信息。现有技术中，对于信号的检测主要是采用不同通道采集的数据进行平均相加或者人为设置一个权重，这种方式忽略了被试对象处于不同状态时的权重变化以及不同通道在不同频率下的权重变化，导致检测结果的准确率较低，检测算法的泛化能力、鲁棒性较差。
发明内容
本发明要解决的技术问题是：如何提高信号检测方法的准确性、鲁棒性。
本发明提供一种信号检测方法、检测模型、检测设备及应用，可以提高检测结果的准确性和鲁棒性。
本发明解决其技术问题所采用的技术方案是：一种信号检测方法，包括：
S1：对原始信号进行预处理得到待处理信号；
S2：利用加权机制获得动态加权信号；
S3：输出离散数组以获得分类结果；
所述加权机制包括通道加权模型、卷积网络加权模型中的至少一种；其中，所述加权机制适用于调整通道在所述待处理信号中权重；所述卷积网络加权模型适用于通过多尺度卷积处理筛选关注频带的信号；
当所述通道加权模型、卷积网络加权模型同时存在时，所述通道加权模型的输出结果作为卷积网络加权模型的输入信号，以调整输入信号中各个通道对应频带的权重。
进一步的，所述通道加权模型包括：
对所述待处理信号依次进行时间池化处理、通道卷积处理、激活处理后，得到通道加权信号。
进一步的，所述卷积网络加权模型包括：
采用多尺度卷积网络对输入信号进行处理得到多个特征图注意力信号；
将所述多个特征图注意力信号进行级联。
进一步的，所述多尺度卷积网络包括至少两个卷积分支，每个卷积分支均包含时间卷积层和通道卷积层；
多个所述时间卷积层的卷积核大小不同；
所述时间卷积层的卷积核=[采样率/关注频带范围的最小值]+1，[]表示取整；
所述时间卷积层的卷积核用于获取关注频带范围的特征，并采用限制权重的方式约束卷积核参数，以筛选出关注频带。
进一步的，在步骤S2和S3之间，还包括步骤S2-1：对所述动态加权信号进行微调处理；
所述微调处理包括：
获取目标对象的原始信号以及其他对象的原始信号；
利用其他对象的原始信号进行K1-折训练验证，获取预训练网络；
取目标对象的原始信号的一部分作为微调训练数据，以权重限制损失为约束对所述预训练网络进行K2-折训练验证，获取微调网络；
以目标对象的原始信号的剩余部分作为微调测试数据对所述微调网络进行测试。
进一步的，所述对原始信号进行预处理包括：频域滤波、指数滑动标准化、多数据增强联用中的至少一种；其中，
所述多数据增强联用包括：对所述原始信号进行随机翻转处理、高斯噪声处理、时域交换处理和时域组合处理，以扩充信号的数据量。
进一步的，所述输出离散数组包括：对所述动态加权信号依次进行激活处理、批归一化处理、线性处理后得到离散数组；其中，
所述激活处理包括：平方激活、平均池化和LOG激活；
所述待处理信号未进行滑窗处理。
本发明还提供一种所述的信号检测方法的检测模型，包括：
预处理模块，用于对原始信号进行预处理；
加权机制模块，用于运行加权机制，以获取动态加权信号；
输出模块，用于输出离散数组。
本发明还提供一种检测设备，包括：
下位机，用于采集原始信号、存储信号数据、传输数据至上位机处理；
上位机，用于执行所述的信号检测方法；
显示器，用于显示所述上位机输出的检测结果；
执行部件，用于根据检测结果执行相应的指令。
本发明还提供一种所述的信号检测方法在生理信号分类中的应用，通过卷积网络加权模型筛选出不同频带的特征信息。
本发明的有益效果是，本发明利用加权机制对待处理信号进行处理，获得动态加权信号，动态加权信号能够更加贴合生理状态的变化，以提高后续检测结果的准确性。通过加权机制可以为不同通道赋予动态权重，并捕获更多的频带范围，具有很高的应用价值。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的信号检测方法的流程图。
图2是本发明的信号检测方法的具体实施流程图。
图3是本发明的通道加权模型的处理示意图。
图4是本发明的卷积网络加权模型的处理示意图。
图5是本发明的微调处理的示意图。
图6是本发明的多数据增强联用的示意图。
图7是本发明的多数据增强联用的流程图。
图8是本发明的实施例一的混淆矩阵。
图9是对比例一的混淆矩阵。
图10是实施例一和对比例一对不同被试者的检测准确率对比图。
图11本发明的实施例二的混淆矩阵。
图12是对比例二的混淆矩阵。
图13是实施例二和对比例二对不同被试者的检测准确率对比图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”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。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1至图2所示，本发明的信号检测方法，包括：S1：对原始信号进行预处理得到待处理信号；S2：利用加权机制获得动态加权信号；S3：输出离散数组以获得分类结果。需要说明的是，本发明利用加权机制对待处理信号进行处理，获得动态加权信号，动态加权信号能够更加贴合生理状态的变化，以提高后续分类结果的准确性。对动态加权信号进行处理后可以获得离散数组，应用于不同的领域和产品，其中离散数组的个数可以用来表示分类结果的数量。
本发明的加权机制包括通道加权模型、卷积网络加权模型中的至少一种。其中，加权机制适用于调整通道在待处理信号中权重；卷积网络加权模型适用于通过多尺度卷积处理筛选关注频带的信号。当通道加权模型、卷积网络加权模型同时存在时，通道加权模型的输出结果作为卷积网络加权模型的输入信号，以调整输入信号中各个通道对应频带的权重。也就是说，本发明在具体应用时，可以选择通道加权模型或者卷积网络加权模型或者二者联合使用。需要说明的是，本发明中的原始信号例如是多通道脑电信号或其他生理信号，每个通道均通过电极采集信号，不同通道的电极被布置在不同的靶点位置。因此，当被试者的身体或精神状态发生变化时，不同通道采集到的脑电信号的特征会有所不同。对此，本发明利用通道加权模型可以为各个通道赋予不同的权重，利用卷积网络加权模型筛选出关注频带的信号，关注频带例如是8Hz～13Hz。当通道加权模型、卷积网络加权模型联用时，通道加权模型的输出结果输入卷积网络加权模型中，实现各个通道对应频带的权重的调整，以提高检测结果的准确性和针对性。通道对应频带通过卷积网络加权模型获取。
如图3所示，通道加权模型包括：对待处理信号依次进行时间池化处理、通道卷积处理、激活处理后，得到通道加权信号。需要说明的是，待处理信号中包含时间参数、通道数量以及特征图维度，首先对时间参数进行池化处理，对时间维度进行全局池化以获得全局感受野，进行池化处理后，特征维度从“特征图×通道×时间”变为“特征图×通道×1”；然后对池化处理后的结果进行通道卷积处理，给不同通道赋予权重，再通过激活函数（依次进行平方激活、重叠池化、LOG激活）将结果进行映射。由此，可以获得通道加权信号，即每个通道均有对应的权重。例如，通道的数量为n个，那么就会n个权重～。
如图4所示，卷积网络加权模型包括：采用多尺度卷积网络对输入信号进行处理得到多个特征图注意力信号，将多个特征图注意力信号进行级联，即在特征图注意力后，两个支路分别输出特征图×通道×时间的矩阵，级联操作是在时间维度进行矩阵合并，变为特征图×通道×(2×时间)的矩阵。多尺度卷积网络包括至少两个卷积分支，每个卷积分支均包含时间卷积层和通道卷积层。多个时间卷积层的卷积核大小不同。时间卷积层的卷积核用于获取关注频带范围的特征，并采用限制权重的方式约束卷积核参数，以筛选出关注频带。
也就是说，卷积网络加权模型采用多个卷积分支对同一输入信号进行处理，再将不同卷积分支处理后的结果进行级联作为最终的输出结果。每个卷积分支的区别在于时间卷积核大小不同，这样，能够提取出不同时间尺度的局部特征，根据时间与频率的对偶性，即，不同卷积分支可以提取出不同频率的局部特征，所提取的频率范围为[采样率/卷积核大小，）。然后，将不同卷积分支的输出结果进行级联融合，形成具有多频段选择性的深度网络。
例如，时间卷积层的卷积核=[采样率/关注频带范围的最小值]+1，[]表示向下取整符号。通道卷积层的卷积核大小等于通道数量。时间卷积核大小和通道卷积核大小均受到平方范数的约束。例如，约束公式为：。例如，以两个卷积分支为例，第一卷积分支的时间卷积核=[采样率/x]+1，对应原始信号中大于xHz的频带范围；第二卷积分支的时间卷积核=[采样率/y]+1，对应原始信号中大于yHz的频带范围，。第一卷积分支和第二卷积分支的通道卷积核大小相同，通道卷积的输出结果为通道卷积的输入，由此，两个卷积分支的输出结果并不相同，可以提取出不同频带的特征信息。需要说明的是，多尺度卷积网络虽然可以提取不同频带信息，但是多个卷积分支的时间输入是相同的，如果设置过多的卷积分支会导致出现时域冗余，不仅会增加后续处理的参数量，而且会导致加权机制出现过度拟合，增加算法的复杂性。因此，为了平衡多尺度卷积网络的多频带提取性和算法复杂性，本发明优选设置两个卷积分支。与常规的过滤频带的方式相比，常规方式存在滤波器过渡限制、未进行通道加权等缺陷，而本发明采用多尺度卷积网络，不会出现过渡带，并且可以获得不同通道的特征加权，采用重叠卷积的方式，对时间方向进行特征提取，可以获得浅层特征，从而获得更多特征，这也是跟常规物理滤波筛选频带的显著差别。
需要说明的是，本方法在步骤S2和S3之间，还包括步骤S2-1：对动态加权信号进行微调处理。微调处理包括：获取目标对象的原始信号以及其他对象的原始信号；利用其他对象的原始信号进行K1-折训练验证，获取预训练网络；取目标对象的原始信号的一部分作为微调训练数据，以权重限制损失为约束对预训练网络进行K2-折训练验证，获取微调网络；以目标对象的原始信号的剩余部分作为微调测试数据对微调网络进行测试。
需要说明的是，本发明的步骤S1-S3可以理解成一个检测模型，该检测模型在投入应用之前会先利用大量数据进行训练，以提高检测模型的检测准确性。在实际应用中，检测模型的应用场景可以分为单被试和跨被试，单被试是指训练数据是某个被试者（记为被试者A）的脑电数据，训练后的检测模型应用于该被试者（即被试者A）。跨被试是指训练数据为其他被试者（记为被试者B）的脑电数据，训练后的检测模型应用于被试者A。由此可知，跨被试对于检测模型的泛化性能有着更高的要求。为了提升检测模型对跨被试的泛化性能，本发明对动态加权信号进行微调处理。例如图5所示，被试者B的数量可以试多个，记为1号被试者B～Z号被试者B，将所有被试者B的脑电数据打乱以后，按照一定比例划分为训练数据（例如占比a%）和验证数据（例如占比（100-a）%），采用K1-折训练验证方式获得预训练网络，即，将训练数据分成K1份，K1例如是5～10，每一份均作为一次测试集，其余几份作为训练集（例如K1=5时，将训练数据等分成5份，其中 1份作为测试集，其余4份作为训练集），训练完成后再用验证数据进行验证。获取预训练网络后，从被试者A的脑电数据中选取一部分数据作为微调训练数据（例如占比b%），其余部分作为微调测试数据（例如占比（100-b）%），以权重限制损失为约束进行K2-折训练验证获得微调网络，将微调训练数据分成K2份，K2例如是5～10，每一份均作为一次测试集，其余几份作为训练集（例如K2=5时，将微调训练数据等分成5份，其中 1份作为测试集，其余4份作为训练集）。其中，权重限制损失的公式为：，其中，为常数，表示在微调处理中的额外损失函数。
由此，经过微调处理后得到的动态加权信号具有更好的泛化性能，可用于跨被试的应用场景。需要说明的是，本发明采用多尺度卷积网络筛选出不同频带的特征信息，可应用于具有特定频带的脑电活动的场景，如运动想象(8Hz～13Hz)，情感识别（4Hz～28Hz）等，本方法使得模型可以依据应用场景选择频带，以提高模型的识别准确率和鲁棒性。
本发明对原始信号的预处理包括：频域滤波、指数滑动标准化、多数据增强联用中的至少一种。其中，多数据增强联用包括：对原始信号进行随机翻转处理、高斯噪声处理、时域交换处理和时域组合处理后以扩充信号的数据量。需要说明的是，频域滤波包括高通滤波（去除原始信号中的直流成分）、低通滤波（去除原始信号中的肌电信号，减少混叠频率）以及陷波滤波（去除50Hz/60Hz等工频干扰）。指数滑动标准化用于去除原始信号中的高频噪声。通过多数增强联用将数据量扩充为原来的M倍，以增加用于训练的数据量，避免模型过度拟合，提高检测模型的鲁棒性。例如图6至图7所示，将原始信号分为多个片段Trials，将每个片段Trials等分为多个切片Crops，以p%的概率抽取某个片段，将该片段的切片沿时域进行翻转，得到增强数据一；以p%的概率抽取某个片段，在该片段中加入均值为，标准差为的高斯噪声，得到增强数据二；随机选取两个标签相同的片段Ti和Tj，将两个片段中对应的切片Ck进行交换，得到增强数据三；然后将增强数据三叠加至原始信号中，循环上述数据增强的过程直至将数据量扩充为原来的M倍。数据量扩充为M倍后，随机选取片段Ti的1/q的数据替换片段Tj中的数据，进行时域组合。由此，通过预处理后，可以去除原始信号中的噪声以及干扰项，并将数据量进行扩充，以提高检测模型训练的准确率，提升模型的鲁棒性。
在本发明中，输出离散数组包括：对动态加权信号依次进行激活处理、批归一化处理、线性处理后得到离散数组。其中，激活处理包括：平方激活、平均池化和LOG激活。需要说明的是，本发明的待处理信号未进行滑窗处理。这是由于滑窗处理与平均池化（例如是平方平均池化）处理存在冲突，本发明采用平均池化处理可以显著降低参数量并提取出信号特征，如果对信号进行滑窗处理会导致平均池化出现二次重叠，引入过多的冗余信息，进而导致检测模型过度拟合。在本发明中，平方平均池化和LOG激活需要搭配使用，平方操作会使得激活值出现大数更大、小数更小的趋势，重叠平均池化会将扩充后的数据继续宁降维，提升扩充的影响力，例如，待激活值为0.1和100，未平方时采用平均池化得到（0.1+100）/2=50.05，经过平方平均池化后得到（0.12+1002）/2=5000.005＞50.052，然后采用LOG激活函数进行二次缩放，抑制过大的激活值，放大过小的激活值（log5000.005=3.7，log50.05=1.7），使得后续进行线性处理时更容易拟合和激活。
例如，输出的离散数组为[p1,p2,p3,...,pn]，p1～pn均表示概率值，分别对应不同的分类结果。需要说明的是，本发明的检测方法可应用于运动想象、情绪识别、癫痫检测、睡眠分期、疲劳检测等场景。例如，以运动想象为例，运动想象（Motor Imagery, MI）是指人在想象自己肢体（或肌肉）运动但没有实际运动输出时，人的特定脑区仍会有激活。通过分析脑电信号，检测识别不同脑区的激活效果来判断用户意图，进而实现人脑与外部设备之间的直接通信与控制。例如，常见的运动想象部位为：左手、右手、脚和舌头。由此，输出的离散数组可以设置为[p1,p2,p3,p4]，分别对应左手、右手、脚和舌头，比较p1、p2、p3、p4的数值大小，将概率值最大的部位最为最终的检测结果。例如，p2的数值是最大的，那么最终输出的检测结果为：运动想象的部位为“右手”。
下面通过具体的案例来说明本发明的技术效果。
实施例一：通道数量为22个，单被试场景，采用本发明的信号检测方法对9个被试者的原始信号进行处理，输出四分类离散数组。多尺度卷积网络设为2个卷积分支，第一卷积分支的时间卷积核大小设为1*30，即30=[250/x]+1，250表示采样率，对应频带的最小值是8.5Hz，即第一卷积分支对应的频带范围是大于8.5Hz的频带；第二卷积核分支的时间卷积核大小设为1*50，即50=[250/y]+1，250表示采样率，对应频带的最小值是5.1Hz，即第二卷积分支对应的频带范围是大于5.1Hz的频带。
对比例一：对比例一与实施例一的区别在于，采用M-Shallow ConvNet方法（浅层卷积网络）进行处理输出四分类离散数组，M-Shallow ConvNet方法的处理过程是，将原始运动想象脑电信号作为输入，通过时间卷积（卷积核大小为1*30）、空间卷积、平均池化等操作，得到输入的原始运动想象信号属于每个类别的概率。
表1为实施例一的模型参数，表2为对比例一的模型参数。对比表1和表2，本方法所涉及的参数量多于对比例一，本方法通过增加参数量可以提升最后的分类结果的准确率。图8是实施例一的混淆矩阵，图9是对比例一的混淆矩阵，对比图8和图9可知，本方法的分类准确率整体高于对比例一。请继续参考图10，图10显示了本方法和对比例一的方法对9个被试者的检测准确率对比，对于不同的被试者，本方法的检测准确率整体高于对比例一的方法。请参考表3，本方法的平均准确率为0.83，平均kappa系数为0.773，对比例一的平均准确率为0.816，平均kappa系数为0.755。Kappa系数用于一致性检验，取值为-1到1之间，用于衡量分类结果和实际结果之间的一致性，Kappa系数越高，表明一致性越好。本发明的方法与Shallow ConvNet相比较，本发明的识别准确率高出1.4％，kappa系数高出0.018，可见本方法对运动想象脑电信号分类效果（单被试）明显提升。
实施例二：实施例二与实施例一的区别在于，应用于跨被试场景。
对比例二：对比例二与实施例二的区别在于，采用PSTS-CNN（基于并行时空自注意力的运动想象分类网络）方法。
图11是实施例二的混淆矩阵，图12是对比例二的混淆矩阵，对比图11和图12可知，本方法的分类准确率整体高于对比例一。请继续参考图13，图13显示了本方法和对比例一的方法对9个被试者的检测准确率对比，对于不同的被试者，本方法的检测准确率整体高于对比例一的方法。请参考表4，本方法的平均准确率为0.756，平均kappa系数为0.675，对比例一的平均准确率为0.74，平均kappa系数为0.655。本发明的方法与PSTS-CNN相比较，本发明的识别准确率高出1.6％，kappa系数高出0.02，可见本方法对运动想象脑电信号分类效果（跨被试）也有明显提升。
表1
| 名称 | 通道数 | 核大小 | 输入大小 | 输出大小 | 参数量(k) |
| 通道注意力 | 1 | 3 | 1*22*751 | 1*22*751 | 1.5 |
| 时间卷积1 | 24 | 1*30 | 1*22*751 | 24*22*751 | 0.7 |
| 时间卷积2 | 24 | 1*50 | 1*22*751 | 24*22*751 | 1.2 |
| 通道卷积1 | 24 | 22*1 | 24*22*751 | 24*1*751 | 12.7 |
| 通道卷积2 | 24 | 22*1 | 24*22*751 | 24*1*751 | 12.7 |
| 特征图注意力1 | 24 | 3 | 24*1*751 | 24*1*751 | 0.003 |
| 特征图注意力2 | 24 | 3 | 24*1*751 | 24*1*751 | 0.003 |
| 平均池化 | 24 | 1*75 | 24*1*1502 | 24*1*65 | 0 |
| 线性层 | - | - | 1560 | 4 | 6.2 |
表2
| 名称 | 通道数 | 核大小 | 输入大小 | 输出大小 | 参数量(k) |
| 时间卷积 | 24 | 1*30 | 1*22*751 | 24*22*751 | 0.7 |
| 通道卷积 | 24 | 22*1 | 24*22*751 | 24*1*751 | 12.7 |
| 平均池化 | 24 | 1*75 | 24*1*751 | 24*1*31 | 0 |
| 线性层 | - | - | 751 | 4 | 3.0 |
表3
| 所用方法 | 平均准确率 | 平均kappa系数 |
| M-Shallow ConvNet | 0.816 | 0.755 |
| 本方法 | 0.830 | 0.773 |
表4
| 所用方法 | 平均准确率 | 平均kappa系数 |
| PSTS-CNN | 0.74 | 0.655 |
| 本方法 | 0.756 | 0.675 |
本发明还提供一种信号检测方法的检测模型，包括：预处理模块，用于对原始信号进行预处理；加权机制模块，用于获取动态加权信号；输出模块，用于输出离散数组。其中，预处理模块用于对原始数据进行频域滤波、指数滑动标准化和多数据增强联用处理。输出模块用于对动态加权信号进行激活处理、批归一化处理、线性处理后输出离散数组。预处理模块、加权机制模块、输出模块均可通过计算机（例如电脑）实现。
本发明还提供一种检测设备，包括：下位机，用于采集原始信号；上位机，用于执行信号检测方法；显示器，用于显示上位机输出的检测结果；执行部件，用于根据检测结果执行相应的指令。
本发明还提供一种信号检测方法在生理信号分类中的应用，即通过卷积网络加权模型筛选出不同频带的特征信息，可应用于具有特定频带的脑电活动的应用场景，尤其是多个应用场景的计算上，不需要重新构造检测模型，也不需要重复预处理、通道加权模型等步骤，只需要调整多尺度卷积网络的参数即可实现。生理信号例如但不限于脑电信号、心电信号、眼电信号、肌电信号等。例如，对脑电信号的应用场景及其关注频带，一般为临床经验值，例如但不限于包括：情绪识别（关注频带为4Hz～28Hz）、癫痫检测（关注频带与癫痫类型相关，可以覆盖全频带，也可以根据需要设定具体的关注频带）、运动想象识别 (关注频带为8Hz～13Hz)、睡眠分期识别（关注频带为0.5-12Hz）和疲劳检测（关注频带为4Hz～30Hz，可以分为两种情形：1）身体疲劳导致瞌睡，α波段能量下降，θ波段能量增强；2）大脑紧张、疲劳导致α波段能量下降，β波段能量增强）。其中，对于N分类识别，将信号检测方法输出的1×N的离散数组，选取数值最大的类别作为检测结果。对不不同的应用场景，分类识别的步骤是相同的。例如，以睡眠五分期为例，睡眠主要分为两大状态：非快动眼睡眠（non-rapideye movement sleep, NREM sleep）和快动眼睡眠（rapid eye movement sleep, REMsleep），NREM又可分为1～3期，分别记为：NREM1、NREM2、NREM3，因此，睡眠五分期包括：Wake/NREM1/NREM2/NREM3/REM期，即待识别的类型有5个，即N=5，信号检测方法输出1×5的离散数组，例如[p1,p2,p3,p4,p5]，分别表示Wake/NREM1/NREM2/NREM3/REM期的识别概率值，从p1～p5中选取最大的一者对应的分期作为最后的识别结果。
综上所述，本发明的信号检测方法、检测模型、检测设备及应用，通过对待处理信号进行动态加权，使得不同通道的权重可以跟随被试者身体活动或精神活动而动态变化，以及通道在不同频率下的权重也实现动态变化，以提高本方法的检测结果的准确率和鲁棒性。采用多尺度卷积网络可以捕获更多的频带范围的特征，有利于提升检测准确率。对原始信号进行预处理可以去除原始信号中的干扰性并增大数据量，有利于提升本方法的鲁棒性。通过平方平均池化、LOG激活可以模拟脑电信号节律能量的相对变化，通过LOG函数进行相对尺度的缩放，可以减少跳变的影响。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要如权利要求范围来确定其技术性范围。
Claims (10)
1.一种信号检测方法，其特征在于，包括：
S1：对原始信号进行预处理得到待处理信号；
S2：利用加权机制获得动态加权信号；
S3：输出离散数组以获得分类结果；
所述加权机制包括通道加权模型、卷积网络加权模型中的至少一种；
其中，所述加权机制适用于调整信号通道在所述待处理信号中权重；所述卷积网络加权模型适用于通过多尺度卷积处理筛选关注频带的信号；
当所述通道加权模型、卷积网络加权模型同时存在时，所述通道加权模型的输出结果作为卷积网络加权模型的输入信号，以调整输入信号中各个信号通道对应频带的权重。
2.如权利要求1所述的信号检测方法，其特征在于，
所述通道加权模型包括：
对所述待处理信号依次进行时间池化处理、通道卷积处理、激活处理后，得到通道加权信号。
3.如权利要求2所述的信号检测方法，其特征在于，
所述卷积网络加权模型包括：
采用多尺度卷积网络对输入信号进行处理得到多个特征图注意力信号；
将所述多个特征图注意力信号进行级联。
4.如权利要求3所述的信号检测方法，其特征在于，
所述多尺度卷积网络包括至少两个卷积分支，每个卷积分支均包含时间卷积层和通道卷积层；
多个所述时间卷积层的卷积核大小不同；
所述时间卷积层的卷积核=[采样率/关注频带范围的最小值]+1，[]表示取整；
所述时间卷积层的卷积核用于获取关注频带范围的特征，并采用限制权重的方式约束卷积核参数，以筛选出关注频带。
5.如权利要求1所述的信号检测方法，其特征在于，
在步骤S2和S3之间，还包括步骤S2-1：对所述动态加权信号进行微调处理；
所述微调处理包括：
获取目标对象的原始信号以及其他对象的原始信号；
利用其他对象的原始信号进行K1-折训练验证，获取预训练网络；
取目标对象的原始信号的一部分作为微调训练数据，以权重限制损失为约束对所述预训练网络进行K2-折训练验证，获取微调网络；
以目标对象的原始信号的剩余部分作为微调测试数据对所述微调网络进行测试。
6.如权利要求1所述的信号检测方法，其特征在于，
所述对原始信号进行预处理包括：频域滤波、指数滑动标准化、多数据增强联用中的至少一种；其中，
所述多数据增强联用包括：对所述原始信号进行随机翻转处理、高斯噪声处理、时域交换处理和时域组合处理，以扩充信号的数据量。
7.如权利要求1所述的信号检测方法，其特征在于，
所述输出离散数组包括：对所述动态加权信号依次进行激活处理、批归一化处理、线性处理后得到离散数组；其中，
所述激活处理包括：平方激活、平均池化和LOG激活；
所述待处理信号未进行滑窗处理。
8.一种如权利要求1～7任一项所述的信号检测方法的检测模型，其特征在于，包括：
预处理模块，用于对原始信号进行预处理；
加权模块，用于运行加权机制，以获取动态加权信号；
输出模块，用于输出离散数组。
9.一种检测设备，其特征在于，包括：
下位机，用于采集原始信号、存储信号数据、传输数据至上位机处理；
上位机，用于执行如权利要求1～7任一项所述的信号检测方法；
显示器，用于显示所述上位机输出的检测结果；
执行部件，用于根据检测结果执行相应的指令。
10.一种如权利要求1～7任一项所述的信号检测方法在生理信号分类中的应用，其特征在于，通过卷积网络加权模型筛选出不同频带的特征信息。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310646792.9A CN116702001A (zh) | 2023-04-06 | 2023-04-06 | 信号检测方法在生理信号分类中的应用 |
| CN202310354438.9A CN116070141B (zh) | 2023-04-06 | 2023-04-06 | 信号检测方法、检测模型、检测设备及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310354438.9A CN116070141B (zh) | 2023-04-06 | 2023-04-06 | 信号检测方法、检测模型、检测设备及应用 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310646792.9A Division CN116702001A (zh) | 2023-04-06 | 2023-04-06 | 信号检测方法在生理信号分类中的应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116070141A true CN116070141A (zh) | 2023-05-05 |
| CN116070141B CN116070141B (zh) | 2023-06-30 |
Family
ID=86175363
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310354438.9A Active CN116070141B (zh) | 2023-04-06 | 2023-04-06 | 信号检测方法、检测模型、检测设备及应用 |
| CN202310646792.9A Pending CN116702001A (zh) | 2023-04-06 | 2023-04-06 | 信号检测方法在生理信号分类中的应用 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310646792.9A Pending CN116702001A (zh) | 2023-04-06 | 2023-04-06 | 信号检测方法在生理信号分类中的应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN116070141B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610168A (zh) * | 2019-09-20 | 2019-12-24 | 合肥工业大学 | 一种基于注意力机制的脑电情绪识别方法 |
| CN111317468A (zh) * | 2020-02-27 | 2020-06-23 | 腾讯科技（深圳）有限公司 | 脑电信号分类方法、装置、计算机设备和存储介质 |
| CN113243924A (zh) * | 2021-05-19 | 2021-08-13 | 成都信息工程大学 | 基于脑电信号通道注意力卷积神经网络的身份识别方法 |
| CN113723557A (zh) * | 2021-09-08 | 2021-11-30 | 山东大学 | 一种基于多频带时空卷积网络的抑郁脑电分类系统 |
| CN114266276A (zh) * | 2021-12-25 | 2022-04-01 | 北京工业大学 | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 |
| WO2022179548A1 (zh) * | 2021-02-26 | 2022-09-01 | 腾讯科技（深圳）有限公司 | 脑电信号分类方法、装置、设备、存储介质及程序产品 |
| CN114997229A (zh) * | 2022-05-31 | 2022-09-02 | 北京航空航天大学 | 一种基于脑电信号的运动想象分类方法和系统 |
| CN115530847A (zh) * | 2022-09-30 | 2022-12-30 | 哈尔滨理工大学 | 一种基于多尺度注意力的脑电信号自动睡眠分期方法 |
-
2023
- 2023-04-06 CN CN202310354438.9A patent/CN116070141B/zh active Active
- 2023-04-06 CN CN202310646792.9A patent/CN116702001A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110610168A (zh) * | 2019-09-20 | 2019-12-24 | 合肥工业大学 | 一种基于注意力机制的脑电情绪识别方法 |
| CN111317468A (zh) * | 2020-02-27 | 2020-06-23 | 腾讯科技（深圳）有限公司 | 脑电信号分类方法、装置、计算机设备和存储介质 |
| WO2022179548A1 (zh) * | 2021-02-26 | 2022-09-01 | 腾讯科技（深圳）有限公司 | 脑电信号分类方法、装置、设备、存储介质及程序产品 |
| CN113243924A (zh) * | 2021-05-19 | 2021-08-13 | 成都信息工程大学 | 基于脑电信号通道注意力卷积神经网络的身份识别方法 |
| CN113723557A (zh) * | 2021-09-08 | 2021-11-30 | 山东大学 | 一种基于多频带时空卷积网络的抑郁脑电分类系统 |
| CN114266276A (zh) * | 2021-12-25 | 2022-04-01 | 北京工业大学 | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 |
| CN114997229A (zh) * | 2022-05-31 | 2022-09-02 | 北京航空航天大学 | 一种基于脑电信号的运动想象分类方法和系统 |
| CN115530847A (zh) * | 2022-09-30 | 2022-12-30 | 哈尔滨理工大学 | 一种基于多尺度注意力的脑电信号自动睡眠分期方法 |
Non-Patent Citations (2)
| Title |
|---|
| MOHAMMAD RAKIN UDDIN; ATIK JAWAD; TALHA IBN MAHMUD: "Motor Imagery Hand Movement Classification Using Attention Network Integrated Inception Model", 2022 12TH INTERNATIONAL CONFERENCE ON ELECTRICAL AND COMPUTER ENGINEERING (ICECE), pages 320 - 323 * |
| 陈忠野: "基于运动想象的脑电信号分类方法研究", 中国优秀硕士学位论文全文数据库基础科学辑, pages 1 - 59 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116070141B (zh) | 2023-06-30 |
| CN116702001A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Melissant et al. | A method for detection of Alzheimer's disease using ICA-enhanced EEG measurements | |
| Huggins et al. | Deep learning of resting-state electroencephalogram signals for three-class classification of Alzheimer’s disease, mild cognitive impairment and healthy ageing | |
| US20220093215A1 (en) | Discovering genomes to use in machine learning techniques | |
| CN114366124B (zh) | 一种基于半监督深度卷积通道注意力单分类网络的癫痫脑电识别方法 | |
| Ashokkumar et al. | RETRACTED: Implementation of deep neural networks for classifying electroencephalogram signal using fractional S‐transform for epileptic seizure detection | |
| CN113066502B (zh) | 基于vmd和多小波的心音分割定位方法 | |
| CN107391900A (zh) | 房颤检测方法、分类模型训练方法及终端设备 | |
| CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
| Kirar et al. | Relevant frequency band selection using Sequential forward feature selection for motor imagery brain computer interfaces | |
| 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 | |
| CN111370120B (zh) | 一种基于心音信号的心脏舒张功能障碍的检测方法 | |
| Putra et al. | EEG-based emotion classification using wavelet decomposition and K-nearest neighbor | |
| CN115414041A (zh) | 基于脑电数据的自闭症评估装置、方法、终端设备和介质 | |
| Qayyum et al. | Assessment of physiological states from contactless face video: a sparse representation approach | |
| CN116070141B (zh) | 信号检测方法、检测模型、检测设备及应用 | |
| Azami et al. | Automatic signal segmentation based on singular spectrum analysis and imperialist competitive algorithm | |
| CN116942172A (zh) | 一种基于编解码结构的小波双通道单导联心电去噪方法 | |
| CN116246654A (zh) | 一种基于改进的Swin-Transformer的呼吸音自动分类方法 | |
| CN114638271A (zh) | 基于运动想象特征提取的游戏操作方法及电子设备 | |
| CN115017960A (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
| CN115281685A (zh) | 基于异常检测的睡眠分期识别方法、装置以及计算机可读存储介质 | |
| Caldas et al. | Towards automatic EEG signal denoising by quality metric optimization | |
| Dhaka et al. | Classification of arrhythmia using time-domain features and support vector machine | |
| Kang et al. | A sleep stage classification method using deep learning by extracting the characteristics of frequency domain from a single EEG channel | |
| CN116825279A (zh) | 一种潜在运动功能康复能力评估模型训练方法及装置 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231213 Address after: 100097 4-3, floor 4, No. 25, South lantianchang Road, Haidian District, Beijing Patentee after: Boruikang Technology (Beijing) Co.,Ltd. Address before: 213164 chuangyangang 6-b602, Changzhou science and Education City, No. 18, Changwu Middle Road, Wujin District, Changzhou City, Jiangsu Province Patentee before: NEURACLE TECHNOLOGY (CHANGZHOU) CO.,LTD. |
|
| TR01 | Transfer of patent right |