[发明专利]基于高斯伯努利卷积深度置信网络的脑电信号分类方法

说明书

本发明请求保护一种基于高斯伯努利卷积深度置信网络的脑电分类信号方法，该方法采用预处理阶段采用基于负熵最大的盲源分离算法去除运动想象脑电的信号干扰；基于互信息选取频率和电极参数，将高斯伯努利受限玻尔兹曼机的无监督学习和卷积神经网络相结合进行特征提取并分类，新的基于高斯伯努利受限玻尔兹曼机的卷积深度置信网络模型模型可以通过生成的卷积滤波器从全尺寸图像中提取出有意义的特性，减少相当多的负权值，能更有效地从邻近的图像补丁中学习空间信息，明显提高了脑电信号类别判别的正确率，使脑电信号类别判别的精确度得到较大改善与提高。

技术领域

本发明属于一种脑电信号分类方法，尤其涉及一种基于高斯伯努利卷积深度置信网络的脑电分类信号方法。

背景技术

脑电信号识别可应用于医学、神经工效学、智能环境、教育和自我调节以及安全性和认证等领域。目前脑电信号识别方法很多，基于支持向量机的方法对脑电信号进行分类，泛化能力有了一定提高，但分类正确率不高。随着深度学习的发展，在脑机接口分类中应用了不同类型的深度学习方法，其中卷积神经网络模型并结合堆叠自动编码器的脑电信号分类方法在脑机接口竞赛IV数据集2b中的分类性能不是很理想。修改滤波器组共同空间模式方法增加了一个时间维度，将一维的脑电信号数据转换为二维的矩阵信号，作为卷积神经网络的输入，准确率有所提升，但是训练时间延长了。

深度置信网络是由多个受限玻尔兹曼机组成，受限玻尔兹曼机模型特殊的层间连接、层内独立结构可有效解决卷积神经网络结构中的“梯度弥散”问题，提升学习性能，但受限玻尔兹曼机模型结构计算成本高，而卷积神经网络的权值共享特性和池化层结构则可以大大减少计算量。为了进一步改进不同类型数据的特性，出现了协同滤波的高斯伯努利受限玻尔兹曼机。协同滤波的高斯伯努利受限玻尔兹曼机比传统的限玻尔兹曼机模型更加适用于非二进制图像数据的模型，但其结构沿用限玻尔兹曼机模型特性，同样存在过拟合和计算成本高的问题。

本发明提出一种基于高斯伯努利卷积深度置信网络的脑电分类信号方法。该算法的主要思想是结合协同滤波的高斯伯努利受限玻尔兹曼机与卷积神经网络的优势，协同滤波的高斯伯努利受限玻尔兹曼机适用于非二进制图像数据，卷积神经网络的权值共享特性和池化层结构则可以大大减少计算量。本文方法预处理阶段采用基于负熵最大的盲源分离算法去除运动想象脑电的信号干扰；基于互信息选取频率和电极参数，将高斯伯努利受限玻尔兹曼机的无监督学习和卷积神经网络相结合进行特征提取并分类，新的高斯伯努利受限玻尔兹曼机模型可以通过生成的卷积滤波器从全尺寸图像中提取出有意义的特性，减少相当多的负权值，能更有效地从邻近的图像补丁中学习空间信息。实验结果表明，该方法具有较高的识别精度及速度，符合脑电分类识别的要求。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高识别精度及速度的基于高斯伯努利卷积深度置信网络的脑电信号分类方法。本发明的技术方案如下：一种基于高斯伯努利卷积深度置信网络的脑电信号分类方法，其包括以下步骤：

步骤1、对脑电信号进行包括信号滤波降噪、单次实验提取、降采样在内的预处理；

步骤2、对步骤1预处理后的脑电信号采用基于负熵最大的盲源分离算法，主要包括对初始化后的脑电信号进行中心化，设置迭代次数，对信号进行正交化，循环直至收敛为止。目的是进行独立成分分解和独立成分分析滤波，去除运动想象脑电的信号干扰；

步骤3、建立能量函数、可见和隐藏单元的设计函数；

步骤4、建立高斯伯努利约束玻尔兹曼机的卷积过程；第一部分是特征提取，第二部分是图像重构；

步骤5、建立基于高斯伯努利受限玻尔兹曼机的卷积深度置信网络模型；

步骤6、利用高斯伯努利卷积深度置信网络对数据集进行不同样本数量下的分类识别。

进一步的，所述步骤2独立成分分析滤波中，独立成分的选择遵循频域判定准则和空间分布的判定准则。