[发明专利]用于脑电信号分类识别的数据增强方法及系统

说明书

本发明属于脑电信号处理技术领域，特别涉及一种用于脑电信号分类识别的数据增强方法及系统，采集用于训练任务态脑电信号和静息态脑电信号，并利用对抗生成网络拟合训练生成人工脑电信号数据；通过对人工脑电信号数据进行幅度放缩，并混合真实脑电信号来获取包含多样性的样本数据，利用该样本数据对分类器进行训练学习，以实现利用训练学习后的分类器对被试者脑电信号进行分类识别的目的。本发明能够有效解决脑电样本匮乏等问题，能够提升生成的人工样本的逼真性和数据的多样性，便于脑电目标识别训练学习，以增强脑电分类器性能，具有较好的应用前景。

技术领域

本发明属于脑电信号处理技术领域，特别涉及一种用于脑电信号分类识别的数据增强方法及系统。

背景技术

脑电由于便携性、无创性、时间分辨率高，被广泛应用在BCI系统中的字母拼读、身份认证、目标检测等领域。目前脑电的数据量仍是BCI领域的瓶颈，实验设计中考虑到疲惫状态下的被试脑电数据质量不佳，被试生理的限制导致一次实验的采集的试次量一般在500以下。一个小规模的30人次脑电数据库采集周期约为两个月，大规模的脑电数据采集更极大地增加了研究成本并延长了实验周期。此外实验设计中常用的Oddball范式要求目标试次出现评率低于30％，这使得目标样本的数量更加稀少。BCI技术存在训练样本量不足、正负样本不均衡问题，导致正确率不足、交互效率不高，这严重影响了用户体验并限制了脑机接口的推广。

发明内容

为此，本发明提供一种用于脑电信号分类识别的数据增强方法及系统，有效解决脑电样本匮乏等问题，能够提升生成的人工样本的逼真性和数据的多样性，便于脑电目标识别训练学习，以增强脑电分类器性能。

按照本发明所提供的设计方案，一种用于脑电信号分类识别的数据增强方法，包含如下内容：

采集用于训练任务态脑电信号和静息态脑电信号，并利用对抗生成网络拟合训练生成人工脑电信号数据；

通过对人工脑电信号数据进行幅度放缩，并混合真实脑电信号来获取包含多样性的样本数据，利用该样本数据对分类器进行训练学习，以实现利用训练学习后的分类器对被试者脑电信号进行分类识别的目的。

作为本发明用于脑电信号分类识别的数据增强方法，进一步的，针对静息态脑电信号，首先进行标准化并通过分割生成无重叠数据段再进行拟合训练。

作为本发明用于脑电信号分类识别的数据增强方法，进一步地，利用对抗生成网络拟合训练中，将静息态脑电信号作为对抗生成网络生成器输入，利用对抗网络鉴别器对生成器输出及任务态脑电信号进行真假判别并反馈给对抗网络生成器进行拟合训练。

作为本发明用于脑电信号分类识别的数据增强方法，进一步地，对抗生成网络生成器输出端和鉴别器对应输入端两者之间还设置有用于对数据进行滤波处理的低通滤波器。

作为本发明用于脑电信号分类识别的数据增强方法，进一步地，采用参数为0-40hz的低通滤波器对数据进行滤波处理。

作为本发明用于脑电信号分类识别的数据增强方法，进一步地，设置多个用于通过拟合训练生成人工脑电信号数据的对抗生成网络，每个对抗生成网络的输入分别训练其各自生成器，利用训练后的生成器来输出人工脑电信号数据。

作为本发明用于脑电信号分类识别的数据增强方法，进一步地，设置幅度放缩倍数，通过该幅度放缩倍数对人工脑电信号数据幅度进行放大或缩小，再与真实脑电信号混合以获取样本数据。

进一步地，基于上述的方法，本发明还提供一种用于脑电信号分类识别的数据增强系统，包含：拟合训练模块和样本获取模块，其中，

拟合训练模块，用于采集任务态脑电信号和静息态脑电信号，并利用对抗生成网络拟合训练生成人工脑电信号数据；