[发明专利]基于多任务RNN模型的脑电信号动作意图识别方法

说明书

基于多任务RNN模型的脑电信号动作意图识别方法，涉及多任务递归神经网络对脑电信号进行动作意图识别的方法，解决现有技术不能很好的处理信号噪声以及时序信息的缺陷，本发明提出了一种应用多任务递归神经网络，来从脑电信号中学习独特的特征的新框架。通过学习用于人体运动意图识别的分离信号来提高不同脑电信号频带与生物学意义之间的相关性。还利用不同信道之间的时间相关性。以这种方式，实现了二元和多元意图识别的改进。本发明在公开可用的脑电信号基准数据集上进行了广泛的实验，并将我们的方法与许多最先进的算法进行了比较。实验结果表明，本发明提出的方法胜过所有比较方法，达到了准确率97.8％。

技术领域

本发明涉及多任务递归神经网络对脑电信号进行动作意图识别的方法。

背景技术

人类大脑显然是一个复杂的系统，脑-计算机接口(BCI)可以将神经活动转化为信号，从而研究发现大脑活动和行为之间的相关性。脑电(EEG)信号分析是一种通过BCI获取脑活动的非侵入性技术，可反映受试者执行特定任务时的大脑活动。

大多数基于脑电信号的意图识别工作只是以一个频率表示脑电信号的特征。这样处理对后续的学习模型的效果不利。一个脑电信号段内的信息可以被进一步划分为不同的频率范围，其中每一个频率范围对于特定的脑活动具有不同的相关性等级。特定的频率范围特别与特定的神经元活动相关联。具体而言，大部分神经元活动可由0.5Hz至28Hz范围内的脑电数据反映，其主要分为六个频带：Alpha，Beta1，Beta2，Beta3，Theta和Delta。这些分段脑电信号频带具有独特的生物学意义。例如，Alpha随着闭眼和放松而轻微波动，而Beta波形与运动行为密切相关，在运动期间波形衰减。通过信号分解，瞬态特征可以被准确地捕获并且在相关频率中定位，这有助于更好的增强意图识别的性能。在现有技术中，存在仅用Alpha频段进行意识识别的工作，但只取得了约60％的准确性。通过考虑被隔离频带之间的空间相关性，现有技术也能相对精确识别不同的手部动作。

但是上述技术在以下缺陷：

(1)与其他直接接触神经元的侵入性技术不同，基于脑电信号的BCI系统通过放置在颅骨上的传感器获取信号，从而导致强度变化和信号中的可能有大量噪声。

(2)现有技术忽略了不同波段间的时序性信息，如不同频率范围之间随时间变化的相关性，在意识识别任务中并没有被考虑进来，这样会导致意识行为识别的偏差。也就是说，脑电信号和多种不同意图之间的相关性很难建模，这导致了多意图识别的低性能。

(3)可以观察到，相同的意图可以产生不同形状的脑电信号，导致大的同类变异，大的同类变化可能进一步削弱基于脑电信号的多意图识别的性能。

发明内容

本发明为解决现有技术不能很好的处理信号噪声以及时序信息的缺陷，提供一种基于多任务RNN模型的脑电信号动作意图识别方法。

基于多任务RNN模型的脑电信号动作意图识别方法，该方法由以下步骤实现：

步骤一、采用BCI系统将大脑中神经元活动信号转化为脑电信号，在t时刻的原始脑电信号r采用单维矢量表示，其中，t∈T，n和T为正整数；

步骤二、对步骤一获得的脑电信号进行分解；具体过程为：

波段筛选：