[发明专利]一种基于EMD和DCNN的运动想象脑电信号识别方法

说明书

本发明涉及一种基于EMD和DCNN的运动想象脑电信号识别方法，属于人机交互领域。该方法包括步骤：S1，对脑电信号进行经验模态分解得到固有模态函数(IMF)；S2，利用DCNN融合特征信息明显的IMF分量自动提取脑电信号特征；S3，通过分类器对脑电信号特征进行识别，从而实现对脑电信号的识别。本发明在处理脑电信号时，能有效地提取脑电信号特征，能准确、有效地对脑电信号进行分类识别。

技术领域

本发明属于人机交互领域，涉及一种基于EMD和DCNN的运动想象脑电信号识别方法。

背景技术

脑-机接口(Brain-Computer Interface，BCI)通过解析输入的脑电信号，将用户的意图解码为控制指令来控制输出设备，实现人脑与外部设备的交互。脑-机接口技术的核心是脑电信号的识别，但脑电信号具有非线性和非平稳性等特点，如何有效地提取脑电信号特征成为识别脑电信号的关键。

当前，脑电信号特征提取主要采用时频域特征分析方法。基于时频域分析的脑电特征提取方法主要有STFT、WT和WPT，然而以上三种算法的本质都是傅里叶变换，都会受到测不准原理的影响，无法同时在时域和频域获得较高的分辨率。EMD算法能将一段原始的脑电信号自适应地分解成一系列的IMF，分解出来的各IMF都包含有原始脑电信号在不同时间尺度上的局部特征，并且能将非平稳的数据平稳化，是一种自适应的时频域分析方法，被广泛地应用于非线性和非平稳信号的分析中。然而仅采用EMD模式识别方法主要是基于“浅层学习”的算法，对信号采集和处理的要求较高，对复杂函数的表达能力有限，模型的泛化能力较差

本发明借鉴深度学习相关的研究，针对运动想象信号的非平稳特征，将EMD方法与DCNN结合，以EMD作为运动想象脑电信号的预处理器，根据各分量的ERD/ERS特征选择信息明显的IMF分量，然后通过DCNN自适应地融合IMF分量的信息并从中提取特征，完成对运动想象脑电信号的智能分类识别。与传统EMD和DCNN方法相比，本发明的识别准确率更高，且识别结果稳定性更好。

发明内容

有鉴于此，本发明的目的在于提供一种基于EMD和DCNN的运动想象脑电信号识别方法。

为达到上述目的，本发明提供如下技术方案：

一种基于经验模态分解EMD和深度卷积神经网络李DCNN的运动想象脑电信号识别方法，该方法包括以下步骤：

S1：脑电信号采集与划分；

S2：样本脑电信号EMD分解；

S3：脑电信号数据集创建；

S4：DCNN设计与训练；

S5：脑电信号识别。

可选的，所述步骤S1中，脑电信号采集与划分为：使用Emotiv脑电仪对脑电信号进行采集，并使用相等长度的窗口进行划分，获取样本脑电信号；当窗口移动长度步长小于单个信号的样本长度时，样本之间存在重叠部分，固定长度的信号能够提取出更多的样本，将长度为L的时域脑电信号划分成N_Samples＝(L-N_in)/s个样本，其中N_in为样本长度，s为切片窗口的移动距离。

可选的，所述步骤S2中，样本脑电信号EMD分解为：对脑电信号重叠切片的样本信号进行EMD分解把非平稳信号X(t)分解为一系列具有不同特征尺度的平稳信号c₁(t)，c₂(t)，...，c_n(t)，具体过程为：

S21：对于信号X(t)，用三次样条曲线拟合出极大值组成的上包络线g(t)和极小值组成的下包络线y(t)；

S22：计算出g(t)和y(t)的平均值：