[发明专利]基于EMD数据增强的卷积神经模型的SSVEP脑电分类方法

说明书

本发明涉及脑机接口、人工智能与模式识别的算法，更具体地，涉及基于EMD数据增强的卷积神经模型的SSVEP脑电分类方法，可应用于医疗器械、人机交互、机器人控制等领域。该方法首先对原始脑电数据进行预处理，预处理后采用经验模式分解方法分解原始脑电数据，混合生成大量符合原始脑电信号时频域特点的人造脑电数据，将人造脑电数据与原始脑电数据合并，用于神经网络的参数训，从而实现使用少量脑电数据有效训练网络参数的效果。最后采用复Morlet小波变换生成脑电张量，将原始的时域数据转换为集合时域、频域和空间信息的张量字典作为神经网络的输入，使用卷积神经网络模型对数据增强后的脑电训练集进行分类。

技术领域

本发明涉及脑机接口、人工智能与模式识别的算法，更具体地，涉及基于EMD数据增强的卷积神经模型的SSVEP脑电分类方法，可应用于医疗器械、人机交互、机器人控制等领域。

背景技术

近年来，随着计算机科学和人工智能技术的发展，脑机接口技术(BCI)作为一种新的人机交互方式，在康复科学和控制领域具有重要的应用价值。BCI利用脑电信号实现人脑与计算机或其他电子设备的通讯或控制，因此它可以帮助肢体残疾的患者，使其在一定程度上修复与外界的信息交流能力。稳态视觉诱发电位是目前发展较为成熟的BCI范式，国内外许多研究者基于这两种范式的模式分类展开了深入的研究。

目前，针对SSVEP脑电数据的分类处理方法，主要还是采用典型相关分析方法(Canonical Correlation Analysis)进行特征提取，然后通过传统的分类器(KNN、SVM等)进行分类。近年来不少研究者都是在这种传统方法的基础上进行改进，G Zhou研究小组采用多路典型相关分析(Multiway CCA)算法分类SSVEP信号数据，平均分类准确率可达80％以上；Yu Zhang与其同事研究使用MsetCCA(Multiset Canonical Correlation Analysis)算法分类SSVEP信号，分类正确率和分类时间在CCA的基础上有明显改善。

Deep Learning(DL)算法是通过建立模拟人脑进行分析学习的神经网络，它模拟人脑的处理机制来分析处理数据，利用梯度下降和误差反向传播的算法来计算网络参数训练模型。该方法现阶段主要应用于手写识别体的辨别、语音识别以及自然语言语言处理等方面的研究。

近几年伴随着深度学习方法的广泛应用，部分研究小组开始应用神经网络的方法进行脑电数据的分类，Tabar研究小组使用卷积神经网络(CNN)分类运动想象脑电数据，相较于传统的特征提取和分类器，大大提高了BCI系统在信号识别的性能。但是网络的输入是由脑电信号生成的几个通道的灰度图，缺少时频域信息；而且深度学习方法需要大量的数据训练，而长期的采集又会引起使用者的疲劳，尤其是对于注视频率闪烁诱发的SSVEP范式脑电采集，因此在系统的易用性上还存在着明显不足，这意味着需要采用数据增强的算法来解决少量脑电数据无法有效训练网络的问题。相对于图像的数据增强方法，脑电的数据增强的方式相关研究较少，而且大部分研究没有充分考虑脑电信号非线性和非平稳的特点。Paris研究组使用稳态方法——高斯噪声作为基于FFT系统的输入生成人造EEG数据，但是这种方法明显缺少正常脑电信号的时域特点；此外，在一些研究中人造的脑电信号由混合不同时域EEG信号的不同部分进行数据增强，但是这类方法没有考虑脑电信号的频域特征。经验模式分解(EMD)是一种数据驱动的分析方法，可以用于短期时间内有频域改变的非线性和非平稳信号处理。而且目前，许多研究者研究基于EMD的脑电数据增强方式，但是这些研究只用于脑电数据线性分类器的分类研究，而且脑电数据增强的方式只是替换，而非生成新的数据用于扩大原始训练集。

发明内容

针对现有技术存在的不足之处，本发明提出了基于EMD数据增强的卷积神经模型的SSVEP脑电分类方法，该方法解决了基于Deep Learning分类算法中存在的重要问题——需要大量数据训练。该方法首先采用经验模式分解方法分解原始SSVEP脑电信号数据，混合生成大量符合原始脑电信号时频域特点的人造脑电数据训练网络，达到了少量数据有效训练网络参数的效果，最后优化网络结构和输入，使用卷积神经网络模型对数据增强后的脑电训练集进行分类。