[发明专利]基于运动想象脑电数据的深度学习方法

说明书

技术领域

本发明涉及人工智能与模式识别领域的一种基于Deep learning思想的算法。

技术背景

●基于Deep Learning算法思想的分类

近年来随着科学技术的发展，尤其是随着脑机接口(BCI)技术的出现，使得对运动想象脑电信号的研究成为一个新的研究热点。对运动想象的研究，不仅有助于丰富人类对大脑的了解，而且康复领域也有积极地作用。BCI(Brain-computer interface)即脑机接口，是一种将人与计算机建立联系、交换信息的接口而不依赖于大脑、周围神经核肌肉等组成的一般输出通路，从而将大脑信息传递至电脑并利用电脑或电子设备完成对在特定任务下脑部活动的研究。目前BCI技术与知识的发展，脑机接口研究者们一直试图创造许多脑机接口来增强人体机能且在人机交互与智能系统方面取得了良好进展。最近提出很多关于运动想象的分类研究的方法。研究表明，采用MSCE提取特征并利用K-NN与SVM进行分类，可以使得交叉被试有效验证分类准确率达到90％；Likes研究小组所做研究表明，结合多维度过滤器与PCA(Principal Component Analysis)来提高识别EEG信号的分类效果并取得了91.13％的分类准确率，这可大大提高BCI系统在信号识别中的性能；Shang-Lin Wu与其同事进行的研究显示使用共域空间模型对EEG脑电数据进行特征提取后采用线性判别分类(Linear Discriminant analysis)进行分类，对于两个被试均采用9个导联且不进行特征筛选，平均分类准确率可达到80％；此外，Yohimbe等人提出采用近红外光谱(NIRS)同时用EEG来测量血流动力波动刺激时大脑中稳态视觉诱发电位，最终降低了13个被试9类分类的错误率。

Deep Learning(DL)算法动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，它主要是能够自主学习原始数据的多层表示，使用许多隐藏层构成深层结构。该算法自动提取包含更多有意义信息，对分类更有利的高层特征，该特征是由低层特征组合而成。该方法现阶段主要应用在手写识别体的辨别、语音识别及自然语言处理等方面的研究。

DL算法广泛采用的模型即DBN，该模型是由多层RBM堆叠而成且进行无监督贪婪训练每一层。RBM(Restrict Boltzmann Machine)即有限玻尔兹曼机，可看作是有两层结构的神经元——隐藏层与可见层，层内无连接，层间为无向对称连接，这使得条件概率的计算变得简单。该网络结构包含以下参数，可视层与隐藏层之间的权重矩阵Wm×n，可视节点的偏倚b以及隐藏层节点的偏倚c，它们决定了对输入样本进行提取特征的好坏即重构输入是否与原始样本足够相似。

●现有分类方式

目前，针对脑电数据的分类处理方法，主要还是CSP(Common Spacial Pattern)进行特征提取，然后通过传统分类器(即SVM，LDA等)进行分类。由此可见特征提取对于分类效果来讲有着至关重要的意义，如若特征提取过程出现偏差，那么最终分类结果不会达到预期效果；相反，如果提取到了对于分类来讲更有意义且冗余信息更少的特征，那么分类效果不仅会大大提升且分类效率会大幅度提升。CSP(公共空间模式)是处理脑电信号的一种常见方法，它可以使两类想象运动EEG的协方差之间的差距最大化，通过此种方式使得原始数据的特征凸显来获得更好的分类效果。

发明内容

本发明目的在于克服现有技术的不足，提供一种基于Deep Learning算法思想的分类方案，利用DL可以有效进行特征提取的优势，分类特征的提取精确性有了保证，同时依托分类器的分类功能，达到预期的分类效果。

为实现上述目的，本发明给出的技术方案为：

一种基于运动想象脑电数据的深度学习方法，其特征在于，包括如下方法过程步骤：

针对运动想象的脑电信号，构建Deep Learning算法广泛采用的深信度网模型(DBN模型)，通过提取左右想象运动脑电信号的不同特征来达到判别运动想象模式的目的。对于运动想象脑电数据，首先采用Neuroscan软件去除EOG即眼动来对原始数据进行去噪处理，然后通过滤波我们提取8HZ～30HZ的α波和β波段的数据，然后利用傅里叶变换算法将时域数据转化为频域数据，最终进行建模分析。

提出一种基于Deep Learning算法思想的分类模型，首先利用单导联数据训练每个弱分类器，然后采用boost方法将弱分类器结合为最终的强分类器。