[发明专利]时空特征融合的并行卷积网络运动想象脑电图分类方法

说明书

本发明请求保护一种时空特征融合的并行卷积神经网络运动想象脑电图识别方法。以运动想象脑电信号作为研究对象，提出一种新的深度网络模型‑并行卷积神经网络提取运动想象脑电信号的时空特征。与传统脑电分类算法往往丢弃脑电空间特征信息不同，通过快速傅里叶变换，提取Theta波(4‑8Hz)、alpha波(8‑12Hz)以及beta波(12‑36Hz)，生成2D脑电特征图。基于多重卷积神经网络对脑电特征图进行训练，提取空间特征。此外，利用时间卷积神经网络进行并行训练，提取时序特征。最后基于Softmax对空间特征以及时序特征进行融合以及分类。实验结果表明，并行卷积神经网络具有良好的识别精度，并且优于其他最新的分类算法。

技术领域

本发明属于运动想象脑电分类领域，特别是一种基于时空特征融合的并行卷积神经网络运动想象脑电图识别方法。

背景技术

脑电作为头皮脑细胞生理活动的全面反映，其中包含大量的生理和疾病信息。基于EEG信号通信的脑机交互系统(BCI)，可以替代大脑神经和肌肉组织传送作为信号传输通道，从而实现大脑和仿生机械的交互。BCI作为人机交互的延伸，一直受到科学界学者和研究员的广泛关注。基于运动想象脑电识别，是BCI系统交互关于与外界交互的关键节点。运动想象是由人脑主观进行想象，例如想象左手握手、想象右手握手，以及想象腿屈伸等。通过对运动想象脑电信号的分析，可以识别人脑运动想象的意图，输出到BCI的仿生系统之中，从而实现脑机控制。因此，对运动想象脑电信号处理的研究，可以提升对大脑神经认知、大脑疾病康复以及大脑皮层信号分析的探索。充满潜力的应用前景将EEG研究推向高速发展的时期，使得它成为最具吸引力的学科方向之一。

在BCI系统之中，存在特征提取以及特征分类两个重要部分。常用的特征提取方法有快速傅里叶变换(FFT)，共同空间模式(CSP)，以及小波变换(DT)等，这些特征提取方法不仅需要大量的人为数据处理，而且对噪声敏感，容易造成特征混乱。常用的特征分类方法有人工神经网络，支持向量机等。由于EEG复杂的生成机制，这些特征分类方法存在迭代层次较浅，特征提取不充分的问题。

近年来，随着深度学习在图像识别，自然语言处理，电力负荷预测，模式识别等研究领域取得巨大的成功。由于其具有强大处理非线性和高维数据能力，其也被应用到脑电数据分析之中。

EEG信号包含电极位置所代表的空间信息以及固有的时间信息。但是以往算法，归因于脑电采集设备，只可视化时序通道数据，因此多数研究者主要研究时间序列下如何提取脑电特征。因此，需要一种新的网络模型，提取并融合运动想象EEG时间特征与空间特征，以提高运动想象EEG分类性能。本发明提出并行深度卷积神经网络，充分利用时空信息强化脑电特征提取。为有效的转化脑电的时空特征信息，基于快速傅里叶变换，生成2D脑电特征图。卷积神经网络连接稀疏，卷积核参数共享，减小了模型存储容量，能有效的提取图形存在的空间特征。时间卷积神经网络，基于扩展卷积建模，符合EEG的时序特性。本发明结合两者优势，构建并行卷积网络，在卷积提取EEG空间特征，在时间卷积提取EEG时序特征，最后通过特征拼接方式，融合EEG时空特征。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种时空特征融合的并行卷积网络运动想象脑电图识别方法。本发明的技术方案如下：

一种时空特征融合的并行卷积网络运动想象脑电图识别方法，其包括以下步骤：

步骤1：获取原始EEG(脑电)通道数据，并采用包括归一化、去均值在内的步骤处理原始EEG通道数据；

步骤2：基于重叠切割的方式切分步骤1预处理后的原始EEG通道数据；

步骤3：对步骤2所得每个EEG通道进行小波变换，求取Theta波、alpha波以及beta波三个频带；

步骤4：将步骤3中所得的Theta波、alpha波以及beta波三个频带，求取每个频带值的平方和；