[发明专利]基于端到端卷积神经网络的头皮脑电特征提取分类方法

说明书

本发明公开了基于端到端卷积神经网络的头皮脑电特征提取分类方法，对训练数据进行数据增强，再让增强后的训练数据训练卷积神经网络；待检测数据输入卷积神经网络进行特征提取分类步骤为：S1、将原始头皮脑电信号用带通滤波器滤波处理，得到信号x_θ、x_μ和x_β；S2、对信号x_θ、x_μ和x_β分别进行多尺度时间卷积和空间卷积提取特征；S3、对卷积层输出的特征图进行池化操作；S4、池化之后进行特征融合，再送进全连接层对输入的抽象特征进行整合；S5、全连接层的输出送入softmax层进行分类。本发明在训练阶段应用全新的数据增强技术，在测试阶段先将数据通过滤波器组，再输入多个卷积神经网络分支分别进行多尺度卷积操作，减轻了过拟合现象，提高了分类准确率。

技术领域

本发明涉及脑机接口技术领域，尤其是基于端到端卷积神经网络的头皮脑电特征提取分类方法。

背景技术

脑机接口是一种帮助人们利用他们的大脑控制和使用外部设备的通信系统，在此过程中不需要外周神经和肌肉的参与。这为那些思维正常但伴有严重神经肌肉损伤的患者带来了希望，脑机接口可以重新赋予他们移动或与环境交流的能力，提高患者的生活质量。虽说脑机接口系统最初的目的是为完全瘫痪患者提供一种新的沟通途径，但近年来在娱乐游戏领域表现出巨大潜力，已经有许多研究将脑机接口应用于一些流行游戏，例如“俄罗斯方块”、“弹球游戏”和“魔兽世界”等。脑机接口还可以与VR/AR结合，用脑电信号代替身体和手指对游戏的控制，能增强游戏沉浸感，流畅度，显得更能身临其境。

由于头皮脑电(EEG)无创性、高时间分辨率、成像设备的低成本和便携性等优点，头皮脑电(EEG)是当前脑机接口中使用最为广泛的信号源。脑机接口系统一般分为四个部分：信号采集，特征提取，分类和控制，其组成如图1所示。现有方法大多在特征提取(如小波变换、傅里叶变换和共空间模式(CSP)等)部分借助先验知识和假设，人为地进行特征提取，但是目前人类对大脑了解太少，人为选取特征可能会丢失一些和运动相关的信息，而且由于个体之间脑电信号的巨大差异性，选取适合每个个体的特征会投入很多时间，最终的分类精度也不够高，同时泛化能力差。由于神经网络多层堆叠的结构，能够提取输入信号一些隐藏的重要特征，因此部分研究者采用深度神经网络进行特征提取和分类。

但目前提出的基于深度神经网络的方法依旧存在以下几个问题，首先由于卷积神经网络(CNN)在计算机视觉上取得了巨大成功，有许多研究将CNN运用到EEG运动图像识别领域，但在现有工作中使用的CNN具有固定的卷积尺度(即固定卷积核大小)，但针对不同的人，分类准确度最高的卷积尺度并不相同，因此固定卷积尺度限制了分类准确率的提升；其次，由于深度神经网络复杂且参数量巨大，网络训练需要大量数据，而高质量EEG数据需要在低电磁干扰的环境下进行，是一件相当耗时耗力的工作，因此导致数据量有限，容易过拟合。

发明内容

针对上述不足之处，本发明提供了基于端到端卷积神经网络的头皮脑电特征提取分类方法，数据先通过滤波器组，再输入多个卷积神经网络分支分别进行多种卷积操作，提高了分类准确率，在训练数据里结合多个人的特征，增强了网络鲁棒性，减轻了过拟合现象。

为了实现上述目的，本发明采用的技术方案如下：

基于端到端卷积神经网络的头皮脑电特征提取分类方法，在训练网络阶段首先对采集的训练数据进行数据增强，然后让增强后的训练数据经过三个带通滤波器滤波处理，最后用滤波处理后的训练数据训练卷积神经网络；

在数据检测阶段将采集到的待检测数据输入训练后的卷积神经网络进行特征提取分类，包括如下步骤：

S1、将采集的原始头皮脑电信号用x_raw表示，然后经过三个带通滤波器滤波处理，得到的信号分别用x_θ、x_μ和x_β表示；