[发明专利]基于卷积神经网络的脑电信号检测方法

权利要求书

1.一种基于卷积神经网络的脑电信号检测方法，其特征在于，利用生成的训练集重复训练卷积神经网络100次，得到的100个不同的卷积神经网络组成深度卷积神经网络，测试集在深度卷积神经网络提取特征，将提取的特征向量用XGBoost进行特征筛选和组合；该方法的步骤包括如下：

(1)搭建一个九层的卷积神经网络并设置每层的参数；

(2)生成训练集和测试集：

采集每一位被试者注视电脑屏幕呈现的特定范式连续五分钟的脑电信号，采样频率为256Hz，将至少采集的8位被试者的脑电信号组成一个数据集，将数据集按照7:3的比例随机分为训练数据集和测试数据集；

(3)训练卷积神经网络：

(3a)将训练集输入到卷积神经网络中，卷积神经网络用Adam算法更新权值500次，得到一个初步训练好的卷积神经网络；

(3b)调用random.shuffle函数随机打乱训练集中的样本顺序，重复步骤(3a)100次，将得到的不同的100个卷积神经网络组成一个训练好的深度卷积神经网络；

(4)提取测试数据集的特征向量：

将测试集的每个样本输入到训练好的深度卷积神经网络中，得到该样本的一个200维特征向量；

(5)进行特征筛选和组合：

(5a)将每个样本的200维特征向量送入到XGBoost模型中，该模型依据该特征向量的每一维的重要性逆序排序后从中筛选前30维，组成筛选后的特征向量；

(5b)将每个筛选后的特征向量送入XGBoost模型，对输入的每个特征向量自主学习构造了一个10维特征向量，将该10维特征向量与输入的30维特征向量组合，得到一个组合的40维特征向量，其步骤如下：

第一步，将每个样本筛选后的30维特征向量送入XGBoost模型，XGBoost模型通过自主学习获知每个特征向量中缺失哪些特征元素，再通过枚举构造10个缺失的特征元素；

第二步，将构造的缺失的10个特征元素和输入模型的30维特征向量组合在一起，组成一个40维的特征向量；

第三步，XGBoost模型对40维特征向量进行相关性逆序排序，选取相关性高的前10维，得到每个样本的10维特征向量；

(6)进行移动目标检测：

将测试数据集每个样本的组合特征向量送入到逻辑回归模型中进行检测，每个样本输出为0或1，若输出为1，则检测出被试者的视野中有移动目标出现，若输出为0，则检测出被试者视野中无移动目标出现。

2.根据权利要求1所述的基于卷积神经网络的脑电信号检测方法，其特征在于：步骤(1)中所述搭建一个九层的卷积神经网络并设置每层的参数如下：九层卷积神经网络结构依次为：第一个卷积层→第一个池化层→第二个卷积层→第二个池化层→第三个卷积层→第三个池化层→第四个卷积层→第四个池化层→第一个全连接层；将第一至第四卷积层中卷积核的个数分别设置为16，16，8，8，卷积核的大小分别设置3×3，5×5，3×3，5×5，卷积步长均设置为1；第一至第四池化层均采用平均池化的方式，池化区域大小分别设置为1×4，1×4，1×1，1×1，步长均设置为1；将第一全连接层的神经元个数设置为2。

3.根据权利要求1所述的基于卷积神经网络的脑电信号检测方法，其特征在于：步骤(3b)中所述调用random.shuffle函数随机打乱训练集中的样本顺序的具体步骤如下：

第一步，调用python中的深拷贝函数复制生成的原始训练集的样本，得到复制后的训练集；

第二步，调用python中的random.shuffle函数，对复制后的训练集的每个样本进行随机排序，得到当前打乱顺序后的训练集。