[发明专利]基于多任务RNN模型的脑电信号动作意图识别方法

摘要

基于多任务RNN模型的脑电信号动作意图识别方法，涉及多任务递归神经网络对脑电信号进行动作意图识别的方法，解决现有技术不能很好的处理信号噪声以及时序信息的缺陷，本发明提出了一种应用多任务递归神经网络，来从脑电信号中学习独特的特征的新框架。通过学习用于人体运动意图识别的分离信号来提高不同脑电信号频带与生物学意义之间的相关性。还利用不同信道之间的时间相关性。以这种方式，实现了二元和多元意图识别的改进。本发明在公开可用的脑电信号基准数据集上进行了广泛的实验，并将我们的方法与许多最先进的算法进行了比较。实验结果表明，本发明提出的方法胜过所有比较方法，达到了准确率97.8％。

主权项

1.基于多任务RNN模型的脑电信号动作意图识别方法，其特征是，该方法由以下步骤实现：步骤一、采用BCI系统将大脑中神经元活动信号转化为脑电信号，在t时刻的原始脑电信号r采用单维矢量表示，其中，t∈T，n和T为正整数；步骤二、对步骤一获得的脑电信号进行分解；具体过程为：波段筛选：脑电信号r包含多个时间序列，所述多个时间序列分别对应于各个频段的测量结果，原始脑电信号r被分割成不同的带宽类别C，所述C＝{δ，θ，α,β₁,β₂,β₃}，其中δ,θ,α,β₁,β₂,β₃分别表示不同的频带，在t时刻第i个电极传感器分解的脑电读数R表示为一组子波的线性组合其中分别表示t时刻第i个电极传感器在δ,θ,α,β₁,β₂,β₃频带上的信号；波段过滤：采用带通滤波器获得指定频率范围的脑电信号，所述带通滤波器由高通滤波器和低通滤波器组成；高通滤波器传递频率高于某个界限频率的信号，低通滤波器对所述频率高于所述某个界限频率的信号进行衰减，实现全波信号按波段处理；步骤三、对步骤二过滤后的脑电信号进行多任务学习，即通过建立的多任务脑电模型实现对过滤后脑电信号进行动作意图识别；具体的多任务脑电模型为：将每一时刻的LSTM单元定义为Rd中向量的集合，包括输入门I，遗忘门f，输出门o，记忆单元c，以及隐藏层h；LSTM传递公式如下：It＝σ(WrIrt+WhIht‑1+WcIct‑1+bI)ft＝σ(Wrfrt+Whfht‑1+Wcfct‑1+bf)ot＝σ(Wrort+Whoht‑1+Wcoct‑1+bo)ct＝ftct‑1+Ittanh(Wrcrt+Whcht‑1+bc)ht＝ottanh(ct)其中，rt为t时刻的输入，W为权重，b为偏置，σ代表Sigmoid函数，bI为输入门偏置，bf为遗忘门偏置，bo为输出门偏置，bc为记忆单元偏置，WrI为输入权重，Wrf为遗忘权重，Wro为输出权重，Wrc为记忆权重；采用多LSTM任务机制抽取不同的频域下的脑电波信号的序列特征，LSTM^(m)和LSTM^(v)代表不同任务，分配所述不同频域下的脑电波信号用于捕获特征并且嵌入分解超时的脑电信号，其中m,n＝{m,v∈Z|1≤m,v≤6}，为了捕获分解信号之间的相关性，引入一个共享隐含层LSTM^(s)，所述共享隐含层与指定任务的LSTM单元是全连接的，共享的的激活函数与基础LSTM相同，而任务的激活函数为：在任务中，为记忆单元提出新的门机制，获取在共享层神经元传递的输出在t时刻，任务LSTM^(m)的新状态由如下公式计算：其中，为t‑1时刻的输出，为共享层t‑1时刻的输出，⊙代表连接操作。