[发明专利]一种基于深度学习的运动想象脑电信号分类方法

权利要求书

1.一种基于深度学习的运动想象脑电信号分类方法，其特征在于，包括以下步骤：

S1：采集原始脑电信号数据集；

S2：原始脑电信号在时间指标t时是一维数据，对原始脑电信号数据集做零均值归一化预处理，并将零均值归一化预处理得到的一维数据划分为训练集、验证集和测试集；

S3：把S2划分得到的训练集、验证集和测试集按照采集时采集点的位置转为二维的数据，分别得到对应得二维的训练集、验证集和测试集；

S4：构建能够对S3得到的二维数据分类的卷积神经网络模型，使用S3得到的二维的训练集和验证集对所述卷积神经网络模型进行训练得到运动想象脑电信号分类模型，使用S3得到的二维的测试集对运动想象脑电信号分类模型进行测试，检验运动想象脑电信号分类模型性能；

S5：利用S4得到的运动想象脑电信号分类模型对运动想象脑电信号分类。

2.根据权利要求1所述的一种基于深度学习的运动想象脑电信号分类方法，其特征在于，所述S1中，采用10-10法的EEG放大器采集原始脑电信号数据，并选取所有采集点位置；让每个受试者进行实验，并采集原始脑电信号数据；

进行实验时，在受试者面前设置一个屏幕，屏幕上设置一个目标；

首先让受试者做睁眼和闭眼的运动，睁眼和闭眼均持续时间为t₁；

接着进行以下实验，每次实验均持续时间为t₂：

当目标出现在屏幕的左边或右边时，受试者分别进行左手或右手的运动；

当目标出现在屏幕的左边或右边时，受试者分别想象进行左手或右手的运动；

当目标出现在屏幕的上边或下边时，受试者分别进行双手或双脚的运动；

当目标出现在屏幕的上边或下边时，受试者分别想象双手或双脚的运动。

3.根据权利要求1所述的一种基于深度学习的运动想象脑电信号分类方法，其特征在于，所述S2具体包括以下步骤：

S21：选取S1中受试者想象运动过程中采集的原始脑电信号数据；

S22：对S21选取的数据进行筛选，滤掉严重受损的以及采样频率不是预设值的原始脑电信号数据；

S23：对S22筛选得到的原始脑电信号数据进行数值扩大处理，并进行向下取整的操作；

S24：对S23得到的数据做零均值归一化的预处理；

S25：将S24得到的数据划分为训练集、验证集与测试集。

4.根据权利要求3所述的一种基于深度学习的运动想象脑电信号分类方法，其特征在于，S25中，训练集、验证集与测试集中数据个数的比例为8：1：1。

5.根据权利要求1所述的一种基于深度学习的运动想象脑电信号分类方法，其特征在于，所述S3中，采用以下方式将S2划分得到的训练集、验证集和测试集按照采集时采集点的位置转为二维的数据：

其中，E_1,64代表时间t时的1D脑电信号，共64列；ChX代表每个电极采集的信号大小，X对应于电极的序号；G_10,11代表时间t时的2D脑电信号，形状为10×11。

6.根据权利要求1所述的一种基于深度学习的运动想象脑电信号分类方法，其特征在于，所述S4中，所述卷积神经网络模型包括8层，按顺序分布为1层输入层、1层卷积层、1层池化层、3层卷积层、1层全连接层以及1层输出层，其中：

按分布顺序，每个卷积层的卷积核数量分别为32、64、128和128，卷积核的大小都为3×3，步长均为1，激活函数为eLU函数；在每层卷积层都添加了批归一化算法，构成Conv+BN+eLU模式；

池化层为最大池化层，卷积核的大小为2×2，步长为2；

全连接层的神经元个数为512个，激活函数为eLU函数，最后输出层，有5个神经元，激活函数为Softmax函数；在连接层之后添加了Dropout层，按照设置概率0.5随机屏蔽掉一部分神经元。