[发明专利]基于卷积神经网络的脑电信号检测方法

说明书

本发明公开了一种基于卷积神经网络的脑电信号检测方法。该方法通过训练卷积神经网络获得深度卷积神经网络用于脑电信号的特征提取，运用XGBoost模型对提取的特征进行筛选组合，用逻辑回归模型做检测。具体步骤包括：构建卷积神经网络，生成训练集和测试集，构成深度卷积神经网络，提取特征向量，特征筛选和组合，移动目标检测。本发明克服了现有技术不能充分保留脑电信号特征，存在大量重要特征丢失，使得检测的精度低的问题，使得本发明更为全面的提取脑电信号的特征，降低脑电信号的重要特征丢失的概率的缺陷，具有改善脑电信号重要特征提取的优点，可以应用于脑电信号移动目标检测。

技术领域

本发明属于信息处理技术领域，更进一步涉及脑-机接口技术领域中的一种基于卷积神经网络的脑电信号检测方法。本发明可通过在自然环境下对人的脑电信号进行的检测，用于判断人视野中是否有移动目标出现。

背景技术

脑-机接口BCI(Brain-Computer Interface)技术实现了利用工程技术手段让思想付诸行动的对外信息交流和控制的新途径，是一种涉及医学、神经学、信号检测、信号处理、模式识别等多个领域的交叉技术。BCI系统通过采集大脑的信息并直接转换成能够驱动外部设备的命令，代替人的肢体或语言器官实现人与外界的交流以及控制外部设备。由于脑电信号是一种非平稳、非线性的随机弱生理电信号，幅度一般在100μV左右，且掺杂着各类工频噪声和伪迹。传统的分析方法很难对其特征进行有效表征，无法对脑电信号进行高精度的分类检测。

中国电子科技集团公司第三十八研究所在其申请的专利文献“一种异常脑电信号检测装置及检测方法”(专利申请号CN202010425472.7，公开号CN111528838A)中公开了一种脑电异常信号检测检测方法。该方法包括以下步骤：(1)脑电信号预处理单元，用以获取原始脑电信号，并对原始脑电信号进行去噪处理，得到目标脑电信号；(2)小波分解重构单元，用以获取目标脑电信号，根据异常波形的覆盖频率以及脑电检测设备采样频率采用Daubechies小波进行X层分解，得到X层频带及各个频带的特征分量；(3)非线性动力学参数估计单元，通过计算小波分解后每个频带的脑电信号的样本熵特征。(4)归一化单元，用以将特征分量和样本熵特征进行归一化处理，得到特征向量。该方法存在的不足之处是：由于该方法利用小波分解重构单元获取目标脑电信号，分解重构中易丢失有效的脑电信号，导致对脑电信号的检测精度降低。

Lawhern V J在其发表的论文“EEGNet:A Compact Convolutional NeuralNetwork for EEG-based Brain-Computer Interfaces”(Journal of neuralengineering,2018,15(5):056013)中提出了一个基于分类和解释的卷积网络(EEGNet)的脑电信号检测方法。引用了深度和分离卷积网络，封装特定脑电信号特征提取概念，从而构建了EEGNet模型。EEGNet模型从时间卷积开始学习频率滤波器，然后使用深度卷积分别连接到每个特征图，学习特定频率的空间滤波器。可分离卷积是深度卷积的组合，深度卷积分别学习每个特征图的综合时态，然后是点态卷积，学习将最优的混合特征合并在一起。EEGNet模型引入深度和可分离的卷积网络封装特定脑电信号体征提取来检测脑电信号。该方法存在的不足之处是：脑电信号自身存在不稳定性，被试者的脑电信号的特征都具有一定的实时性，该模型提取的特征不能充分保留所有的脑电信号特征，存在特征丢失，降低了后期脑电信号检测的精度。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于卷积神经网络的脑电信号检测方法，用于解决脑电信号重要特征信息丢失，检测脑电信号的精度低的问题。

实现本发明目的的思路是：将构建的卷积神经网络用训练集进行100次训练，得到100个不同的卷积神经网络组成一个深度卷积神经网络，深度卷积神经网络会提取比卷积神经网络多100倍的特征信息，降低了特征信息丢失量；提取的特征向量在XGBoost模型中特征筛选和组合，得到高的相关性和重要性的40维特征向量，提高了脑电信号检测精度。

本发明的具体步骤如下：