[发明专利]一种基于改进深度残差分组卷积网络的脑电信号分类方法

权利要求书

1.一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法，其特征在于：包括脑电信号采集、脑电信号预处理、特征提取、训练ResNeXt分类网络四部分；

所述训练ResNeXt分类网络是指：

1)划分训练集和测试集；

2)构建改进ResNeXt脑电信号分类网络；

3)训练改进后的ResNeXt脑电信号分类网络；

所述脑电信号采集是指：

受试者佩戴脑电采集设备，在屏幕前根据实验范式进行相应的脑电想象活动，产生对应想象类型的脑电信号；

所述脑电信号预处理是指：

1)对采集到的脑电信号进行多级放大处理；

2)对一级放大后的信号使用共平均参考对原始信号进行空间滤波；

3)通过陷波电路消除50Hz工频干扰，通过高频滤波去除直流电位影响，通过低通滤波消除高频分量带来的干扰；

4)对滤波后的脑电信号进行二次放大；

5)对滤波后的脑电信号进行单次窗口数据提取；

所述特征提取是指：

使用小波变换0.5～30Hz频率段的脑电信号，将采集电极的脑电信号的1.5维谱组合成维数为4096维的特征向量，计算不同维特征向量间的皮尔逊相关系数，对皮尔逊相关系数大于0.8的相关通道进行剔除；使用主成分分析方法对特征向量进行降维，保留贡献率为90％的N个成分，将这N个成分作为ResNeXt网络的输入；

所述构建改进ResNeXt脑电信号分类网络是指：在ResNeXt-50基础上进行改进，对分组卷积的每个block模块的中间一层卷积层增加直连操作，增加直连操作进一步加快模型收敛的速度，并降低模型的测试集误差，提升模型的泛化能力；每个block模块通过一个1×1的卷积层对channel进行降维处理，然后连接group进行卷积操作，将group卷积操作后的输出与降维处理后的输出相加得到最终的输出，最后通过1×1的卷积层对channel进行升维处理，将1×1的卷积层的输出与输入相加得到最终的输出；

ResNeXt-50的架构中卷积层和全连接层总数为50层，包含一层7*7的卷积层，三个包含三层卷积层的卷积块，四个包含三层卷积层的卷积块，六个包含三层卷积层的卷积块，三个包含三层卷积层的卷积块和一层全连接层，其中每个卷积块中所包含的三层卷积层的卷积核大小均为1×1、3×3和1×1；其中32*4d中32表示group数，4d代表每个group的输入输出channel数量；在block堆叠的最后，连接全局池化层、全连接层，以及Softmax输出；每一个基数的每一条路径的通道数设置为4；

所述训练改进后的ResNeXt脑电信号分类网络包括：不断迭代随机梯度下降优化器，判别测试集误差是否达到了最大容许测试集误差范围内，若是，则输出当前的一组模型参数，若不是，则重新开始训练；选取达到了最大容许误差范围内中测试集误差最小的一组模型参数作为最终脑电信号分类器的输入模型参数。

2.根据权利要求1所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法，其特征在于：

所述脑电信号采集被试者脑电信号，采样频率设置为250Hz；

对原始脑电信号进行一级放大处理，放大倍数为10倍；

对一级放大后的脑电信号使用共平均参考对原始信号进行空间滤波，减少容积传导效应带来的干扰；

通过陷波电路消除50Hz工频干扰，再次通过高频滤波去除直流电位影响，通过低通滤波消除高频分量带来的干扰；

对滤波后的脑电信号进行二次放大，放大倍数为10倍；

对滤波后的脑电信号进行单次窗口数据提取，数据集选取的时间窗为1s～3s，其中0s代表脑电想象任务开始的时间。

3.根据权利要求2所述的一种基于深度残差分组卷积网络ResNeXt的脑电信号分类方法，其特征在于：

所述脑电采集电极的脑电信号的1.5维谱组合成维数为4096维的特征向量，计算不同维特征向量间的皮尔逊相关系数，对皮尔逊相关系数大于0.8的相关通道进行剔除；皮尔逊相关系数计算公式如下：

其中：Cov(X,Y)＝E{[X-E(X)][Y-E(Y)]},E(X)和E(Y)为数学期望，Cov为两个通道中随机变量X，Y的协方差；D(X)为方差，D(X)开根号为标准差。