CN116350239A - 一种脑电信号专注度分类方法及系统 - Google Patents
一种脑电信号专注度分类方法及系统 Download PDFInfo
- Publication number
- CN116350239A CN116350239A CN202310254021.5A CN202310254021A CN116350239A CN 116350239 A CN116350239 A CN 116350239A CN 202310254021 A CN202310254021 A CN 202310254021A CN 116350239 A CN116350239 A CN 116350239A
- Authority
- CN
- China
- Prior art keywords
- lead
- electroencephalogram
- electroencephalogram signal
- concentration
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013145 classification model Methods 0.000 claims abstract description 71
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 210000004556 brain Anatomy 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 210000001061 forehead Anatomy 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
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]
- 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
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种脑电信号专注度分类方法及系统，属于信号处理技术领域，包括：对单导联脑电信号原始数据集预处理得到预处理后单导联脑电信号原始数据集；构建卷积神经网络模型，基于超参数寻优将预处理后单导联脑电信号原始数据集输入至卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型；基于脉冲神经网络对初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型；将待识别单导联脑电信号数据输入至脑电信号专注度分类模型，得到脑电信号专注度分类结果。本发明通过将卷积神经网络和脉冲神经网络相结合构建针对单导联脑电信号专注度的分类模型，既保证了分类准确性又降低了模型能耗，具有识别准确度高和运算速度快的特点。
Description
技术领域
本发明涉及信号处理技术领域，尤其涉及一种脑电信号专注度分类方法及系统。
背景技术
在脑电信号分析处理领域，常常需要对获取的脑电信号进行分析处理。
目前，越来越多的方法采用基于机器学习的信号处理方法对脑电波信号(Electroencephalogram，EEG)，根据机器学习方法的特性要求需要对EEG进行较复杂的信号预处理工作，即特征提取处理。脑电信号特征主要分为三类：时域特征、频域特征和时频特征。例如，利用主成分分析(Principle Component Analysis,PCA)方法提取EEG信号的时域特征,研究不同EEG信号类别之间的时域差异性；还有利用稀疏化贝叶斯学习算法,分析EEG信号的不同频率区间,结合稀疏化贝叶斯学习选择重要的特征,实现了对运动想象信号的识别；还有方法选择不同的时间窗和频带,通过多个共空滤波器提取时频特征,结合相关向量机实现运动想象信号识别；还有方法使用可调优化Q因子小波变换的多特征融合算法,通过自适应特征选择方法构建特征子空间，在该特征子空间下对EEG信号进行识别。
随着深度学习的快速发展，出现了采用卷积神经网络(Convolutional NeuralNetwork，CNN)、脉冲神经网络(Recurrent Neural Network，RNN)等网络模型进行对脑电信号的分类，相比于经典机器学习方法，不仅无需人工提取特征，而且在分类效果上有明显提升。例如，有方法采用CNN和堆叠自编码器(Stacked Auto Encoder，SAE)相结合，通过深度网络SAE对CNN中提取的特征进行归类来识别脑电信号；还有方法采用(ConvolutionalNeural Network-Long short term memory，CNN-LSTM)网络模型，对EEG信号进行情感识别；还有方法采用多核学习对中性、消极和积极情绪进行了三分类实验。
可以看出，现有的脑电信号分析方法侧重于对脑电信号测量的准确度、或者是脑电信号反应的具体情绪类别等进行分析，而对于产生脑电信号的用户专注度的识别却鲜有应用。
因此，针对脑电信号专注度的分类识别，需要提出一种新的方法。
发明内容
本发明提供一种脑电信号专注度分类方法及系统，用以解决现有技术中缺乏脑电信号专注度分类方法的缺陷。
第一方面，本发明提供一种脑电信号专注度分类方法，包括：
采集单导联脑电信号原始数据集；
对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集；
构建卷积神经网络模型，基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型；
基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型；
将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果。
根据本发明提供的一种脑电信号专注度分类方法，所述采集单导联脑电信号原始数据集，包括：
待被采集用户额头达到预设清洁程度后，将信号采集电极贴于所述被采集用户额头的预设采集位置；
根据预设提示信息采集单导联脑电信号数据；
将所述单导联脑电信号数据进行标注后存放于预设文件中，形成所述单导联脑电信号原始数据集。
根据本发明提供的一种脑电信号专注度分类方法，所述对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集，包括：
依次采用预设带通频段的带通滤波器和小波变换对所述单导联脑电信号原始数据集进行去噪，得到去噪后的单导联脑电信号原始数据集；
对所述去噪后的单导联脑电信号原始数据集进行降采样，获得降采样的单导联脑电信号原始数据集；
基于预设大小窗口和预设步长的滑动窗口对所述降采样的单导联脑电信号原始数据集进行数据切割，得到分割后的单导联脑电信号原始数据集；
对所述分割后的单导联脑电信号原始数据集进行归一化处理，输出所述预处理后单导联脑电信号原始数据集。
根据本发明提供的一种脑电信号专注度分类方法，所述构建卷积神经网络模型，包括：
确定采用重复三次的卷积层连接平均池化层结构，所述重复三次的卷积层连接平均池化层结构用于提取单导联脑电信号特征，其中激活函数采用校正线性单元；
在所述重复三次的卷积层连接平均池化层结构之后连接全连接层，所述全连接层用于汇总所述单导联脑电信号特征，并通过Softmax运算输出专注度分类概率。
根据本发明提供的一种脑电信号专注度分类方法，所述基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型，包括：
采用所述预处理后单导联脑电信号原始数据集训练所述卷积神经网络模型，直至所述卷积神经网络模型的准确率不再增加时停止训练，得到收敛的脑电信号专注度分类模型；
确定进化代数计数器、最大进化代数和包含若干个体的初始群体，所述若干个体为超参数组合；
计算所述初始群体中各个个体的适应度，所述适应度为分类准确度；
确定选择算子，基于所述选择算子将满足预设优秀属性的适应度遗传至下一代个体，或者采用配对交叉算法将所述预设优秀属性的适应度遗传至下一代；
在预设小概率变异下遍历所述进化代数计数器，直至达到所述最大进化代数，输出最优超参数组合，基于所述最优超参数组合输出所述初始脑电信号专注度分类模型。
根据本发明提供的一种脑电信号专注度分类方法，所述基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型，包括：
将所述初始脑电信号专注度分类模型的模型权值数据进行保存，将所述初始脑电信号专注度分类模型的输入数据采用0或1编码，并将激活函数校正线性单元替换为LIF脉冲神经元，得到所述脑电信号专注度分类模型。
根据本发明提供的一种脑电信号专注度分类方法，所述将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果，包括：
确定预设专注度阈值和运行时长；
在所述运行时长内将采集的所述待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，输出脑电信号专注数据和脑电信号不专注数据；
若确定所述脑电信号专注数据与所述脑电信号不专注数据的比值小于所述预设专注度阈值，则输出告警提示信息。
第二方面，本发明还提供一种脑电信号专注度分类系统，包括：
采集模块，用于采集单导联脑电信号原始数据集；
预处理模块，用于对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集；
训练优化模块，用于构建卷积神经网络模型，基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型；
转换模块，用于基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型；
处理模块，用于将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述脑电信号专注度分类方法。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述脑电信号专注度分类方法。
本发明提供的脑电信号专注度分类方法及系统，通过将卷积神经网络和脉冲神经网络相结合构建针对单导联脑电信号专注度的分类模型，无需介入人工手动分类，整个分类过程自动执行，既保证了分类准确性又降低了模型能耗，具有识别准确度高和运算速度快的特点。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术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他的附图。
图1是本发明提供的脑电信号专注度分类方法的流程示意图；
图2是本发明提供的脑电信号专注度分类方法的整体逻辑图；
图3是本发明提供的神经网络算法结构图；
图4是本发明提供的GA优化流程图；
图5是本发明提供的CNN-SNN转换示意图；
图6是本发明提供的脑电信号专注度分类系统的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
虽然现有技术中应用了大量的方法来进行脑电信号检测，但大多针对是脑电信号本身的准确性，或者关注于脑电信号中和情绪有关信息的提取，几乎没有针对脑电信号专注度的识别分类方法，为解决脑电信号在这方面的不足，本发明提出一种脑电信号专注度分类方法，主要基于遗传算法(Genetic Algorithm，GA)优化和卷积神经网络到脉冲神经网络(Convolutional Neural Network-Spiking Neural Network，CNN-SNN)转化技术。
图1是本发明实施例提供的脑电信号专注度分类方法的流程示意图，如图1所示，包括：
步骤100：采集单导联脑电信号原始数据集；
步骤200：对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集；
步骤300：构建卷积神经网络模型，基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型；
步骤400：基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型；
步骤500：将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果。
在构建模型之前，采用贴片在满足特定条件时采集一定数量的单导联脑电信号原始数据集，并对该原始数据集进行预处理，使其满足模型训练的要求，在训练过程中采用基于GA的超参数寻优算法对模型进行优化，然后基于SNN对训练得到的初始脑电信号专注度分类模型进行转换，得到最终的脑电信号专注度分类模型，实际应用中，将待识别单导联脑电信号数据输入到得到的脑电信号专注度分类模型，即输出脑电信号专注度分类结果。
具体地，如图2所示，本发明实施例采用可穿戴脑电采集器采集大量的数据建立单导联脑电信号原始数据集，预处理之后输入至构建好的卷积神经网络中进行模型训练，该卷积神经网络包括池化层和卷积层，训练过程中采用超参数GA优化和SNN中的LIF神经元替换，得到最终的脑电信号专注度分类模型。在实际应用的移动端部署训练好的脑电信号专注度分类模型，输出脑电信号专注度分类结果。
本发明通过将卷积神经网络和脉冲神经网络相结合构建针对单导联脑电信号专注度的分类模型，无需介入人工手动分类，整个分类过程自动执行，既保证了分类准确性又降低了模型能耗，具有识别准确度高和运算速度快的特点。
基于上述实施例，步骤100包括：
待被采集用户额头达到预设清洁程度后，将信号采集电极贴于所述被采集用户额头的预设采集位置；
根据预设提示信息采集单导联脑电信号数据；
将所述单导联脑电信号数据进行标注后存放于预设文件中，形成所述单导联脑电信号原始数据集。
首先需清洁受试者额头，并使用湿巾使其微微湿润；将信号采集电极贴与额头正中央位置，将2个0电位点夹在耳垂处；根据电脑提示集中注意力或放松注意力；将采集的原始脑电信号数据进行标注并存放于设定的文件中，待后续训练使用。
基于上述实施例，步骤200包括：
依次采用预设带通频段的带通滤波器和小波变换对所述单导联脑电信号原始数据集进行去噪，得到去噪后的单导联脑电信号原始数据集；
对所述去噪后的单导联脑电信号原始数据集进行降采样，获得降采样的单导联脑电信号原始数据集；
基于预设大小窗口和预设步长的滑动窗口对所述降采样的单导联脑电信号原始数据集进行数据切割，得到分割后的单导联脑电信号原始数据集；
对所述分割后的单导联脑电信号原始数据集进行归一化处理，输出所述预处理后单导联脑电信号原始数据集。
具体地，本发明实施例在数据预处理中采用0.5～30HZ带通滤波器和小波变换对单导联脑电信号原始数据集进行去噪，对脑电信号进行降采样，使得脑电信号的采样频率从512HZ降到256HZ，使用滑动窗口的方式进行数据切割，设定窗口大小为256，步长为64，对每个单位的数据进行归一化处理，得到预处理后单导联脑电信号原始数据集。
如表1所示为本发明实施例的自建数据集，通过对6名受试者分别提取数据：
表1
| 受试者 | P1 | P2 | P3 | P4 | P5 | P6 |
| 正样本 | 2000 | 1500 | 1980 | 2000 | 1400 | 1900 |
| 负样本 | 2000 | 1450 | 1700 | 2000 | 1550 | 1950 |
| 样本总数 | 4000 | 2950 | 3680 | 4000 | 2950 | 3850 |
基于上述实施例，步骤300中的所述构建卷积神经网络模型，包括：
确定采用重复三次的卷积层连接平均池化层结构，所述重复三次的卷积层连接平均池化层结构用于提取单导联脑电信号特征，其中激活函数采用校正线性单元；
在所述重复三次的卷积层连接平均池化层结构之后连接全连接层，所述全连接层用于汇总所述单导联脑电信号特征，并通过Softmax运算输出专注度分类概率。
具体地，如图3所示，本发明实施例首先搭建一个卷积神经网络，该神经网络模型可以自动提取单导联脑电信号特征，最后输出分类结果；然后建立数据集，并使用预处理后的脑电信号对其进行预训练，生成一个初始模型；保存模型的连接权重，并使用LIF神经元对网络进行神经元的替换；更新后的模型被用来进行信号的分类。
其中，卷积神经网络设置有重复3次的卷积-平均池化层，提取单导联的脑电信号特征；通过全连接层将提取到的特征进行汇总，并通过Softmax运算输出分类概率；卷积-平均池化层包含一个卷积层Conv、平均池化层，激活函数使用校正线性单元RELU。
本发明提出的新的神经网络模型，该模型设置有重复3次的卷积-平均池化层，将校正线性单元RELU替换为LIF脉冲神经元，进行心电信号分类，整个特征提取过程是自动的，不需要手动设计并提取特征。
基于上述实施例，步骤300中的所述基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型，包括：
采用所述预处理后单导联脑电信号原始数据集训练所述卷积神经网络模型，直至所述卷积神经网络模型的准确率不再增加时停止训练，得到收敛的脑电信号专注度分类模型；
确定进化代数计数器、最大进化代数和包含若干个体的初始群体，所述若干个体为超参数组合；
计算所述初始群体中各个个体的适应度，所述适应度为分类准确度；
确定选择算子，基于所述选择算子将满足预设优秀属性的适应度遗传至下一代个体，或者采用配对交叉算法将所述预设优秀属性的适应度遗传至下一代；
在预设小概率变异下遍历所述进化代数计数器，直至达到所述最大进化代数，输出最优超参数组合，基于所述最优超参数组合输出所述初始脑电信号专注度分类模型。
具体地，使用GA算法，利用多次分类的结果进行最优超参数组合的寻找。超参数包括三层卷积层、三层池化层的卷积核大小、步长，全连接层的细胞数量共13个超参数。
如图4所示，本发明实施例为了克服寻找最优超参数的成本，使用GA算法，利用多次分类的结果进行最优超参数组合的寻找。超参数包括三层卷积层、三层池化层的卷积核大小、步长，全连接层的细胞数量共13个超参数。具体实现包含以下步骤。
步骤1：设置进化代数计数器t＝0，设置最大进化代数T，设置M个个体作为初始群体P(0)。个体为超参数组合；
步骤2：计算群体P(t)中各个个体的适应度，适应度为测试集分类准确率；
步骤3：使用选择算子。把优秀的个体部分直接遗传到下一代，部分通过配对交叉产生新的个体再遗传到下一代；
步骤4：小概率发生变异事件；
步骤5：本次迭代完成；
步骤6：t＝T时，输出最优个体。
本发明为了克服寻找最优超参数的成本，使用GA算法，利用多次分类的结果进行最优超参数组合的寻找，其中超参数包括三层卷积层、三层池化层的卷积核大小、步长，全连接层的细胞数量共13个超参数。
基于上述实施例，步骤400包括：
将所述初始脑电信号专注度分类模型的模型权值数据进行保存，将所述初始脑电信号专注度分类模型的输入数据采用0或1编码，并将激活函数校正线性单元替换为LIF脉冲神经元，得到所述脑电信号专注度分类模型。
具体地，本发明实施例将训练好的模型进行CNN-SNN转换，CNN-SNN转换是指神经元的替换与信号传递格式的转换。
如图5所示，神经元的替换包括：将校正线性单元RELU替换为LIF脉冲神经元；信号传递格式的转换为：将激活值进行编码，转换为可被LIF神经元接受的0-1编码。
综上所述，本发明实施例中的最后得到的实验结果如表2所示：
表2
| 受试者 | P1 | P2 | P3 | P4 | P5 | P6 |
| 平均准确率 | 84.13％ | 80.54％ | 89.76％ | 79.03％ | 85.00％ | 89.38％ |
| 方差 | 3.16 | 13.04 | 7.54 | 15.12 | 8.21 | 6.45 |
实验结果表明，本发明实施例提出的改进神经网络算法对上述6名受试者测试平均准确率最高可达89.38％。
基于上述实施例，步骤500包括：
确定预设专注度阈值和运行时长；
在所述运行时长内将采集的所述待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，输出脑电信号专注数据和脑电信号不专注数据；
若确定所述脑电信号专注数据与所述脑电信号不专注数据的比值小于所述预设专注度阈值，则输出告警提示信息。
具体地，由用户在移动端选择辅助注意力集中系统的档位d1，d2，d3，并选择运行时长；用户按要求规范佩戴好脑电采集器；系统计算当前时刻t到t-T时刻的时间段的专注度分类情况，其中T为窗口大小，当分类结果为专注与不专注的比值低于档位要求时，移动端向用户发出提醒；达到运行时长时，输出运行时间内注意力变化折线，统计注意力不专注的时间段与注意力专注的时间段。
本发明在模型应用阶段提出了防止“摸鱼”策略。用户在移动端选择辅助注意力集中系统的档位。系统计算当前时刻t到t-T时刻的时间段的专注度分类情况，其中T为窗口大小，当分类结果为专注于不专注的比值低于档位要求时，移动端向用户发出提醒。达到运行时长时，输出运行时间内注意力变化折线，统计注意力不专注的时间段与注意力专注的时间段。
下面对本发明提供的脑电信号专注度分类系统进行描述，下文描述的脑电信号专注度分类系统与上文描述的脑电信号专注度分类方法可相互对应参照。
图6是本发明提供的脑电信号专注度分类系统的结构示意图，如图6所示，包括：采集模块61、预处理模块62、训练优化模块63、转换模块64和处理模块65，其中：
采集模块61用于采集单导联脑电信号原始数据集；预处理模块62用于对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集；训练优化模块63用于构建卷积神经网络模型，基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型；转换模块64用于基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型；处理模块65用于将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行脑电信号专注度分类方法，该方法包括：采集单导联脑电信号原始数据集；对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集；构建卷积神经网络模型，基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型；基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型；将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果。
此外，上述的存储器730中的逻辑指令可以通过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，本发明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，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的脑电信号专注度分类方法，该方法包括：采集单导联脑电信号原始数据集；对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集；构建卷积神经网络模型，基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型；基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型；将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果。
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实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种脑电信号专注度分类方法，其特征在于，包括：
采集单导联脑电信号原始数据集；
对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集；
构建卷积神经网络模型，基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型；
基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型；
将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果。
2.根据权利要求1所述的脑电信号专注度分类方法，其特征在于，所述采集单导联脑电信号原始数据集，包括：
待被采集用户额头达到预设清洁程度后，将信号采集电极贴于所述被采集用户额头的预设采集位置；
根据预设提示信息采集单导联脑电信号数据；
将所述单导联脑电信号数据进行标注后存放于预设文件中，形成所述单导联脑电信号原始数据集。
3.根据权利要求1所述的脑电信号专注度分类方法，其特征在于，所述对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集，包括：
依次采用预设带通频段的带通滤波器和小波变换对所述单导联脑电信号原始数据集进行去噪，得到去噪后的单导联脑电信号原始数据集；
对所述去噪后的单导联脑电信号原始数据集进行降采样，获得降采样的单导联脑电信号原始数据集；
基于预设大小窗口和预设步长的滑动窗口对所述降采样的单导联脑电信号原始数据集进行数据切割，得到分割后的单导联脑电信号原始数据集；
对所述分割后的单导联脑电信号原始数据集进行归一化处理，输出所述预处理后单导联脑电信号原始数据集。
4.根据权利要求1所述的脑电信号专注度分类方法，其特征在于，所述构建卷积神经网络模型，包括：
确定采用重复三次的卷积层连接平均池化层结构，所述重复三次的卷积层连接平均池化层结构用于提取单导联脑电信号特征，其中激活函数采用校正线性单元；
在所述重复三次的卷积层连接平均池化层结构之后连接全连接层，所述全连接层用于汇总所述单导联脑电信号特征，并通过Softmax运算输出专注度分类概率。
5.根据权利要求4所述的脑电信号专注度分类方法，其特征在于，所述基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型，包括：
采用所述预处理后单导联脑电信号原始数据集训练所述卷积神经网络模型，直至所述卷积神经网络模型的准确率不再增加时停止训练，得到收敛的脑电信号专注度分类模型；
确定进化代数计数器、最大进化代数和包含若干个体的初始群体，所述若干个体为超参数组合；
计算所述初始群体中各个个体的适应度，所述适应度为分类准确度；
确定选择算子，基于所述选择算子将满足预设优秀属性的适应度遗传至下一代个体，或者采用配对交叉算法将所述预设优秀属性的适应度遗传至下一代；
在预设小概率变异下遍历所述进化代数计数器，直至达到所述最大进化代数，输出最优超参数组合，基于所述最优超参数组合输出所述初始脑电信号专注度分类模型。
6.根据权利要求1所述的脑电信号专注度分类方法，其特征在于，所述基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型，包括：
将所述初始脑电信号专注度分类模型的模型权值数据进行保存，将所述初始脑电信号专注度分类模型的输入数据采用0或1编码，并将激活函数校正线性单元替换为LIF脉冲神经元，得到所述脑电信号专注度分类模型。
7.根据权利要求1所述的脑电信号专注度分类方法，其特征在于，所述将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果，包括：
确定预设专注度阈值和运行时长；
在所述运行时长内将采集的所述待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，输出脑电信号专注数据和脑电信号不专注数据；
若确定所述脑电信号专注数据与所述脑电信号不专注数据的比值小于所述预设专注度阈值，则输出告警提示信息。
8.一种脑电信号专注度分类系统，其特征在于，包括：
采集模块，用于采集单导联脑电信号原始数据集；
预处理模块，用于对所述单导联脑电信号原始数据集进行预处理，得到预处理后单导联脑电信号原始数据集；
训练优化模块，用于构建卷积神经网络模型，基于超参数寻优将所述预处理后单导联脑电信号原始数据集输入至所述卷积神经网络模型进行训练，得到初始脑电信号专注度分类模型；
转换模块，用于基于脉冲神经网络对所述初始脑电信号专注度分类模型进行转换，得到脑电信号专注度分类模型；
处理模块，用于将待识别单导联脑电信号数据输入至所述脑电信号专注度分类模型，得到脑电信号专注度分类结果。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述脑电信号专注度分类方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述脑电信号专注度分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310254021.5A CN116350239A (zh) | 2023-03-14 | 2023-03-14 | 一种脑电信号专注度分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310254021.5A CN116350239A (zh) | 2023-03-14 | 2023-03-14 | 一种脑电信号专注度分类方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116350239A true CN116350239A (zh) | 2023-06-30 |
Family
ID=86935025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310254021.5A Pending CN116350239A (zh) | 2023-03-14 | 2023-03-14 | 一种脑电信号专注度分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116350239A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493955A (zh) * | 2023-11-01 | 2024-02-02 | 北京大学 | 一种癫痫患者的脑电信号分类模型的训练方法 |
-
2023
- 2023-03-14 CN CN202310254021.5A patent/CN116350239A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493955A (zh) * | 2023-11-01 | 2024-02-02 | 北京大学 | 一种癫痫患者的脑电信号分类模型的训练方法 |
| CN117493955B (zh) * | 2023-11-01 | 2024-06-07 | 北京大学 | 一种癫痫患者的脑电信号分类模型的训练方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109389059B (zh) | 一种基于cnn-lstm网络的p300检测方法 | |
| CN107844755B (zh) | 一种结合dae和cnn的脑电信号特征提取与分类方法 | |
| CN112244873B (zh) | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 | |
| CN110929581A (zh) | 一种基于时空特征加权卷积神经网络的脑电信号识别方法 | |
| CN107495959A (zh) | 一种基于一维卷积神经网络的心电信号分类方法 | |
| CN113191225B (zh) | 一种基于图注意力网络的情绪脑电识别方法及系统 | |
| CN110558975B (zh) | 一种心电信号分类方法及系统 | |
| CN113128552A (zh) | 一种基于深度可分离因果图卷积网络的脑电情绪识别方法 | |
| CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
| CN112869717B (zh) | 一种基于bl-cnn的脉搏特征识别分类系统及方法 | |
| CN116350239A (zh) | 一种脑电信号专注度分类方法及系统 | |
| CN110543831A (zh) | 一种基于卷积神经网络的脑纹识别方法 | |
| 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 | |
| CN116211322A (zh) | 一种基于机器学习脑电信号的抑郁症识别方法和系统 | |
| CN116602676A (zh) | 一种基于多特征融合和clstn的脑电情绪识别方法和系统 | |
| CN113128384B (zh) | 一种基于深度学习的脑卒中康复系统脑机接口软件关键技术方法 | |
| CN117530684B (zh) | 一种基于健康大数据的血糖异常检测与预警系统及方法 | |
| CN113869382A (zh) | 基于领域嵌入概率的半监督学习癫痫脑电信号识别方法 | |
| CN116687406B (zh) | 情绪识别方法、装置、电子设备及存储介质 | |
| CN117235576A (zh) | 一种基于黎曼空间的运动想象脑电意图分类方法 | |
| CN115017960B (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
| CN116662782A (zh) | 一种基于MSFF-SENet的运动想象脑电图解码方法 | |
| CN113180663A (zh) | 一种基于卷积神经网络的情绪识别方法、系统 | |
| CN117204856B (zh) | 基于脑电数据的驾驶员情绪状态检测方法和装置 | |
| CN112650386B (zh) | 一种基于pca-pcn的脑机接口字符输出系统 |
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 |