一种基于深度学习的手部运动脑电信号分类方法

技术领域

本发明涉及脑电信号处理技术领域，尤其涉及一种基于深度学习的手部运动脑电信号分类方法。

背景技术

脑电信号(electroencephalogram,EEG)一般是通过精确的电子仪器进行信号采集，从头皮放大和记录大脑的自发生物电势，其代表了由电极记录的脑细胞群的自发和有节奏的电活动，对人的意图、动作等识别有着重大作用。脑电数据通常是针对特定对象或特定事件的，不论是脑电数据幅度的大小，还是其发生的时间维度，均会受各种个体差异与不同事件的影响。而手部运动作为人类运动的重要环节之一，可完成人类日常进行的大多数工作。因此，如何构建高效的识别模型对手部动作的脑电信号进行有效特征提取与精准分类，可以完善对人类对脑电信号作用的认识，在众多领域中都有重大实用价值。

近年来，卷积神经网络(CNN)得到了快速发展。可以利用空间结构的关系，多尺度地挖掘多通道数据的特征进行脑电解码，减少需要学习的参数量，提高反向传播算法的训练效率。但脑电信号具有动态时间序列特点，导致采集时容易受到外部噪声的影响，均可能对需要采集的信号造成干扰，卷积神经网络自身下采样的原因会导致特征采集的过程中容易出现信息丢失，且由于脑电信号其信噪比较低，振幅较小等原因，特征丢失将大幅提高损失率，严重影响网络模型对特征的提取，从而影响信号的分类结果。另外，事件相关的EEG数据易造成数据集不平衡，也在一定程度上影响EEG信号分类效果。

发明内容

针对上述不足，本发明提供一种基于深度学习的手部运动脑电信号分类方法。本方法通过自动权重数据平衡模块，动作电位特征提取卷积模块，引入注意力机制模块，更好地解决脑电信号分类识别率较低问题。

为了实现上述目的，本发明采用以下技术方案：

一种基于深度学习的手部运动脑电信号分类方法，包括：

步骤1：按照手部动作实验范式进行数据采集，构建手部运动脑电信号数据集，并对数据集进行滤波、去伪迹；

步骤2：加入自动权重数据平衡模块、动作电位特征提取卷积模块，引入注意力机制模块，构建基于改进的EEGNet脑电信号分类网络；

步骤3：设置脑电信号分类网络的超参数、损失函数，使用步骤1处理后的数据集进行训练，得到脑电信号分类网络模型；

步骤4：使用步骤3得到的脑电信号分类网络模型对待分类的脑电信号进行脑电信号分类，并对分类结果进行评估。

进一步地，所述步骤1中，脑电信息采集电极包括Cz、CPz、Pz。

进一步地，所述自动权重数据平衡模块具体用于：

按照“通道数×采样率”的标准调整输入数据，根据每一类数据标签的数量，进行自动平衡处理；

将新样本添加标签后，与原数据一同输入到动作电位特征提取卷积模块。

进一步地，所述动作电位特征提取卷积模块具体用于：

获得自动权重数据平衡模块输出的数据；

将添加标签后的数据置入P-Conv2D卷积模块进行单通道时序特征获取，并训练卷积核，再将提取到的特征进行归一化处理；所述P-Conv2D卷积模块由尺度为(1,4/T)的2D卷积核组成，T为输入特征的时间尺度；

进行一次深度卷积，其学习方式为根据通道数给每个通道分配1D卷积核单独进行一次特征提取，之后再进行一次归一化处理；

通过ELU函数激活相关特征，并使用池化层降低采样率，进行Dropout输出。

进一步地，所述注意力机制模块具体用于：

获得动作电位特征提取卷积模块输出的数据，并输入至深度可分离卷积模块；

将数据输入到ECANet进行多通道空间特征提取，并在特征学习完成后，使用Sigmoid函数激活特征，将特征重新批量化，批量化尺寸为输入到ECANet前的数据尺度；

将深度可分离卷积与ECANet共同处理后的特征进行归一化，使用ELU函数激活相关特征后，通过池化层降低采样率。

进一步地，所述步骤3中，网络训练的损失函数L为：

其中N表示总样本数，y

与现有技术相比，本发明具有的有益效果：

1.本发明提供的方法通过获取受试者的运动脑电信号，以确定手部脑电信号的时间特征、频域特征和同步特征，在单通道的时间特征中对强特征进行特化，对无效特征与干扰进行舍弃；且可以在多通道环节进行部分空间特征的叠加，更好的获得多通道间特征的关系，避免单通道偏差对特征总体造成影响。该方法可高效地利用单通道的时间特征与多通道的空间特征，提升特征信号分类的准确度，可以满足对脑电信号分类的正常精确度要求。

2.相较于传统方式，本发明精确率与F1-Score均提升了约6.6％，召回率提升了约6.3％，Kappa Score提升约0.33，取得了良好的提升效果。

3.本发明提供的方法能够快速准确地处理手部动作脑电信号的分类检测，在人类手部肢体康复领域具有发展前景，能应用于手部肢体的康复系统中，可有效扩展康复系统的适应范围。

附图说明

图1为本发明实施例一种基于深度学习的手部运动脑电信号分类方法的总体流程示意图；

图2为本发明实施例一种基于深度学习的手部运动脑电信号分类方法脑电采集脑电极图；

图3为本发明实施例一种基于深度学习的手部运动脑电信号分类方法的网络结构图；

图4为本发明实施例一种基于深度学习的手部运动脑电信号分类方法的处理流程示意图。

具体实施方式

下面结合附图和具体的实施例对本发明做进一步的解释说明：

如图1所示，一种基于深度学习的手部运动脑电信号分类方法，具体包括以下步骤：

步骤S1.按照手部动作实验范式进行数据采集，构建手部运动脑电信号数据集，并对数据集进行滤波、去伪迹等预处理操作；

步骤S2.加入自动权重数据平衡模块，加入动作电位特征提取卷积模块，引入注意力机制模块，构建基于改进的EEGNet脑电信号分类网络；

步骤S3.设置脑电信号分类网络的超参数、损失函数，使用如步骤S1所述的数据集进行训练，得到脑电信号分类网络模型；

步骤S4.使用如步骤S3所述的已训练网络模型进行脑电信号分类，并对分类结果进行评估。

下面对各个步骤进行详细论述：

进一步地，步骤S1中，脑电信息采集电极包括Cz、CPz、Pz，如图2所示。

进一步地，步骤S2中自动权重数据平衡模块，具体用于：

1)按照“通道数×采样率”的标准调整输入数据，本实施例中，标签使用0代表非跳变，1代表跳变；

2)根据每一类数据标签的数量，进行自动平衡处理，其自动平衡处理基于SMOTE算法，执行公式为：

其中x

3)将新样本x

具体地，步骤S2中，基于改进的EEGNet脑电信号分类网络的网络结构图如图3所示。

进一步地，步骤S2中动作电位特征提取卷积模块，具体用于：

1)获得自动权重数据平衡模块输出的数据。在该实例中，其尺寸为(3,500)；

2)将添加标签后的数据置入P-Conv2D卷积模块进行单通道时序特征获取，并训练F1个卷积核。P-Conv2D模块是基于EEG信号特征设计的卷积模块，该模块主要由尺度为(1,4/T)的2D卷积核组成，T为输入特征的时间尺度。该模块有独特的特征获取方式，可有效强化EEG信号的特征获取，降低由于振幅过小而导致的特征损失率。其特征获得公式如下：

其中，X和

在该实例中，P-Conv2D卷积模块的卷积核尺寸为(1,128)，卷积核数量F1为8，D取值为25，按照手部跳变特征的特点，在采样(150,200)位置与采样(300,350)位置进行强化特征采集，并将提取到的特征进行归一化处理；

3)将归一化后的特征进行一次深度卷积，其学习方式为根据通道数，给每个通道分配D个1D卷积核单独再进行一次特征提取，这里给每个通道分配2个时序特征过滤器，即D＝2；之后再进行一次归一化处理。

4)通过ELU函数激活相关特征，并使用大小(1,4)的池化层，将采样率降为四分之一，进行Dropout输出。在本实例中，其输出的数据尺度为(1,125)，然后输入到注意力机制模块进行更深度的多通道空间特征提取。

进一步地，步骤S2中注意力机制模块，具体用于：

1)获得动作电位特征提取卷积模块输出的数据，并输入至深度可分离卷积模块。深度可分离卷积模块本质是一个深度卷积和一个(1,1)的点式卷积组合而成的分离卷积模块，因此这里的卷积核数量F2为第一层中的P-Conv2D卷积核数量F1和深度卷积的卷积核数量D的乘积，即F2＝F1×D，在本实例中，F2＝16；

2)将数据输入到ECANet进行多通道空间特征提取，输入时首先要在该模块内单独进行一次全局2D池化过程，再进行F2个数量的卷积核学习，且卷积核的尺寸为：[log

3)将深度可分离卷积与ECANet共同处理后的特征进行归一化，使用ELU函数激活相关特征后，通过大小(1,8)的池化层，将采样率降低至八分之一。在本实例中，其输出的数据尺度为(1,15)。

进一步地，步骤S3中网络训练的超参数包括：训练批次数：300、批处理数量：16、初始学习率：0.001。网络训练的损失函数为：

其中N表示总样本数，y

由于Softmax可以将输出的结果概率映射到[0,1]上，且使得其分类的概率总和为1，因此在分类任务中，可以通过两者的结合来计算损失率并评估模型。分类部分会根据前面两个模块(动作电位特征提取卷积模块、注意力机制模块)提取的特征，对所有数据进行分类测试，如果精确度有提高，就将该结果替换为最新结果，如果未有提高就保留之前结果。

具体地，一种基于深度学习的手部运动脑电信号分类方法的处理流程示意图如图4所示。

作为一种可实施方式，该实施例的实验结果如表1所示，使用数据集为步骤S1中按照手部动作实验范式采集和构建的手部运动脑电信号数据集，表1包含了本方法模型与主流模型的对比结果：

表1不同模型对于手指自动矫正运动信号数据集的实验效果对比

由上可知，相较于传统方式，本发明精确率与F1-Score均提升了约6.6％，召回率提升了约6.3％，Kappa Score提升约0.33，取得了良好的提升效果。

综上，本发明提供的方法通过获取受试者的运动脑电信号，以确定手部脑电信号的时间特征、频域特征和同步特征，在单通道的时间特征中对强特征进行特化，对无效特征与干扰进行舍弃；且可以在多通道环节进行部分空间特征的叠加，更好的获得多通道间特征的关系，避免单通道偏差对特征总体造成影响。该方法可高效地利用单通道的时间特征与多通道的空间特征，提升特征信号分类的准确度，可以满足对脑电信号分类的正常精确度要求。本发明提供的方法能够快速准确地处理手部动作脑电信号的分类检测，在人类手部肢体康复领域具有发展前景，能应用于手部肢体的康复系统中，可有效扩展康复系统的适应范围。

以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。