[发明专利]基于NTFT和CNN的脑电信号自动分类与识别方法

说明书

本发明公开了基于NTFT和CNN的脑电信号自动分类与识别方法，收集样本数据集；建立训练样本集和验证样本集；通过训练样本集和验证样本集中对卷积神经网络模型进行训练；获得最优卷积神经网络模型；计算最优卷积神经网络模型对应的识别准确率作为最佳识别准确率。本发明将NTFT的即时特性与CNN的学习能力结合，通过NTFT优化CNN，提高了识别准确率。

技术领域

本发明属于信号处理与机器学习技术领域，具体涉及基于NTFT(标准时频变换，Normal Time-Frequency Transform)和CNN(卷积神经网络，Convolutional NeuralNetworks)的脑电信号自动分类与识别方法。

背景技术

大脑功能失调会引起一些神经系统疾病，危害人的健康，受害人群方位广，死亡率高。脑电信号诊断主要依靠临床医生对病人常规脑电图的观察和经验判断，但是医生检查脑电图工作量太大，时间较长，容易出现错误，不利于对脑电信号的诊断。

随着计算机科学的发展，数据信号处理与识别技术已经广泛应用于医学信号处理，脑电信号处理分析方法大致分为时间域分析方法、频率域分析方法、时频分析方法与神经网络等。脑电信号为随机非平稳信号，常用的分析方法为时频分析，例如短时傅里叶变换、小波变换、小波包分解、经验模态分解等，但是存在时频分辨率低、频率偏移现象、模态混叠等问题。目前国内外研究学者已经将神经网络有效应用于脑电信号处理，在时间域应用神经网络模型有效检测分类识别脑电信号。但是在时间域中噪声干扰的情况下，脑电信号特征被噪声干扰甚至淹没，这对分类识别的准确率造成了一定的影响。

发明内容

本发明的目的是针对现有技术存在的上述问题，提出了基于NTFT和CNN的脑电信号自动分类与识别方法，可以稳定、准确、自动化处理脑电信号，解决噪声干扰影响脑电信号分类识别准确率的问题。在CNN算法中引入NTFT，显著突出电脑信号的特征，脑电信号中的重要特征在频率域被保留较好，而随机噪声或其他非相干特征在频率域中则相对变弱，甚至在频率域中实现部分噪声与电脑信号分离。NTFT准确地表达脑电信号的即时特征，且较好地优化CNN的性能。

本发明的上述目的通过以下技术方案实现：

基于NTFT和CNN的脑电信号自动分类与识别方法，包括以下步骤：

步骤1、收集不同类别的脑电信号作为样本数据集；

步骤2、将样本数据集中的脑电信号进行标准时频变换获得脑电信号标准时频谱，将一部分脑电信号标准时频谱作为训练样本集，将剩下的脑电信号标准时频谱作为验证样本集；通过训练样本集中的脑电信号标准时频谱对卷积神经网络模型进行训练，通过验证样本集中的脑电信号标准时频谱对卷积神经网络模型进行验证；

步骤3、通过训练损失函数计算训练损失值，通过验证损失函数计算验证损失值，训练损失值的变化值小于训练损失阈值且验证损失值的变化值小于验证损失阈值时，得到最优卷积神经网络模型；

步骤4、计算最优卷积神经网络模型对应的识别准确率作为最佳识别准确率。

如上所述的步骤2中标准时频变换基于以下公式：

其中，表示标准时频变换后脑电信号标准时频谱，τ和分别表示即时时间和即时圆频率，σ表示高斯窗的窗宽参数，f(t)为在时间域中脑电信号，t为时间，j表示虚数。

如上所述的训练损失函数train_loss定义如下：

其中，y_p为训练样本集中的第p个脑电信号标准时频谱，a_p为输出层第p个神经元激活函数的输出值，q为训练样本集中脑电信号标准时频谱的总数。

所述的验证损失函数validation_loss定义如下：