[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

说明书

本发明公开了一种基于生成对抗网络模型的脑电图数据扩增方法及系统，以解决现有脑电图数据在基于深度神经网络的运动想象分类中存在的问题和满足对提高运动想象分类模型泛化能力的要求。所述方法将生成对抗网络模型引入脑电图数据扩增问题，通过合理设计损失函数，利用实验数据集与标准数据集生成具有两者数据特征的准确率更高的新脑电图数据集，减少了实验人员的工作时间以及实验成本；生成对抗网络模型的生成器是一种基于扩张卷积的编解码器，可以提取到不同层次脑电图数据特征；生成对抗网络模型的判别器是一种基于不同维度的并行特征提取结构的判别器，可以提取到不同性质的特征。

技术领域

本发明涉及脑电图数据处理技术领域，更具体地，涉及一种基于生成对抗网络模型的脑电图数据扩增方法及系统。

背景技术

目前基于运动想象的脑机接口(Brain-Computer Interface,BCI)系统的应用主要在医疗方面，为运动障碍患者提供一种新的控制方式，帮助他们能够达到生活上自理甚至是疾病上完全康复的程度。这些运动障碍残疾病人包括脑干损伤，脑中风，肌肉萎缩等，他们有完整的大脑却因为外周神经受到了损伤而无法控制自己的躯体。基于运动想象的BCI系统可以在实现对外部设备的控制，替代躯干运动。此外，运动想象与物理治疗联用是脑卒中康复的一种有效方法。

深度神经网络(Deep Neural Network,DNN)作为机器学习的一个子类，在计算机视觉和自然语言处理方面取得了令人瞩目的进展。然而，由于脑电信号的特殊性，DNN在基于脑电图(Electroencephalogram,EEG)的运动想象分类中的研究很少。一方面，EEG数据通常是有限的，由于DNN通常需要比其他机器学习方法更多的训练数据，因此DNN可能会遇到严重的过拟合问题；另一方面，EEG数据具有很大的受试者差异异性，直接用多个受试者的训练样本EEG数据训练DNN会使DNN对新受试者的泛化能力较差。

以往的基于DNN的运动想象分类通常要对每个受试者收集足够多的样本来解决该问题，但这往往太耗时，提高了实验成本。虽然生成对抗网络(Generative AdversarialNetworks,GAN)在数据生成领域已有广泛应用，然而由于EEG数据的独特性，开发有效的基于生成对抗网络模型的脑电图数据扩增方法仍是一个亟待解决的技术问题。

发明内容

本发明的目的是针对现有EEG数据在基于DNN的运动想象分类中存在的问题以及对提高运动想象分类模型泛化能力的要求，提供一种基于生成对抗网络模型的脑电图数据扩增方法及系统。

为实现上述目的，一方面，本发明提供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。