[发明专利]基于生成对抗网络模型的脑电图数据扩增方法及系统

权利要求书

1.一种基于生成对抗网络模型的脑电图数据扩增方法，其特征在于，包括以下步骤：

步骤S1、对被试者进行脑电图数据采集，生成实验数据集，并对所述实验数据集进行预处理，将所述实验数据集按照标准数据集的比例划分为训练集和测试集；

步骤S2、对所述实验数据集和标准数据集进行小波变换，生成实验数据集和标准数据集的时频图；

步骤S3、根据对脑电图数据的扩增要求，设计用于脑电图数据扩增的生成对抗网络模型，并设计相应的损失函数；

步骤S4、根据脑电图数据的特点设计生成对抗网络模型的生成器和判别器；

步骤S5、利用设计好的生成对抗网络模型，对实验数据集和标准数据集的特征进行融合，生成新数据集；

步骤S6、利用标准数据集、实验数据集以及生成对抗网络模型生成的新数据集完成对用于运动想象分类的经典深度神经网络模型的训练；

步骤S7、利用训练后的经典深度神经网络模型完成运动想象的分类，分析新数据集是否提高了基于脑电图的运动想象分类模型的准确率；若准确率未达到数据应用要求，则返回步骤S3，继续完善模型设计直至达到数据应用要求。

2.根据权利要求1所述的脑电图数据扩增方法，其特征在于，所述步骤S3中，所述生成对抗网络模型采用cycleGAN模型；所述损失函数包含三种损失：GAN损失L_GAN，cycle损失L_cyc和identify损失L_id，通过以下公式描述：

L_total(G,F,D_X,D_Y)＝-L_GAN(G,F,D_X,D_Y)+λ_cycL_cycle(G,F)+λ_idL_identify(G,F)；

其中，GAN损失L_GAN的公式如下：

cycle损失L_cyc的公式如下：

identify损失L_id的公式如下：

3.根据权利要求2所述的脑电图数据扩增方法，其特征在于，所述步骤S4中，所述生成器包括两个生成器，其整体采用残差结构，提取特征部分采用解编码器设计，并通过不同系数的扩张卷积来提取更多的特征。

4.根据权利要求3所述的脑电图数据扩增方法，其特征在于，扩张系数等于1的模块在所述解编码器的扩张系数改变时随之改变，扩张系数等于0的模块在所述解编码器的扩张系数改变时不随之改变。

5.根据权利要求1或3所述的脑电图数据扩增方法，其特征在于，所述步骤S4中，所述判别器结构包括二维卷积核、跨频率通道的一维卷积核和跨时间的一维卷积核。

6.一种基于生成对抗网络模型的脑电图数据扩增系统，其特征在于，用于实现如权利要求1至5任一项所述的脑电图数据扩增方法，包括：

获取模块，用于获取脑电图的实验数据集；

数据扩增模块，用于利用设计好的生成对抗网络模型对实验数据集进行数据扩增，得到新数据集；

训练模块，用于通过深度神经网络模型对所述新数据集进行训练；

应用模块，利用训练后的深度神经网络模型完成运动想象的分类，分析所述新数据集是否提高了基于脑电图的运动想象分类模型的准确率。

7.一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，其特征在于，所述处理器调用所述程序指令执行如权利要求1至5任一项所述的脑电图数据扩增方法。

8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的脑电图数据扩增方法。