一种低信噪比超短时信号的分类方法及系统

技术领域

本发明属于时序信号分析领域，具体涉及一种低信噪比超短时信号的分类方法及系统。

背景技术

基于时序信号分类的监测与控制系统在生活与生产中具有广泛的应用场景，例如，通过对心电的实时监测判断病人的健康状况；通过分类脑电信号并转化为指令用于控制外部设备；通过齿轮轴承的震动时间序列判断其工作状态，从而实现故障预警；通过电压电流传感阵列判断电网故障等。

近年来，深度学习网络被应用于各种时序信号的预测与分类，表现出优异的性能并开始部署于实际场景中。然而，在高噪声环境中采集的时序信号具有极低的信噪比，难以被各种基于深度学习网络的分类模型快速分类。具体来说，分类模型需要从足够时长的低信噪比信号中提取有用信息才能获得令人满意的分类精度，这导致监测和控制的显著滞后。这一棘手的问题在基于运动想象脑电图(EEG)信号的脑机接口(BCI)中尤为突出。

EEG是一种典型的低信噪比信号。运动想象EEG信号在被试者想象不同运动时采集，经分类鉴别后转换为不同的控制指令。目前，绝大多数研究集中在对约3秒时长的样本的分类上。这意味着，当BCI的实用者想控制外部设备时，需要持续3秒想象某个动作。如此滞后的控制无法满足大多实际场景的需要，同时用户体验极差。少数研究者尝试对1.5秒左右的样本进行分类，未获得令人满意的结果。

发明内容

针对现有基于时序信号分类的监测与控制系统所存在的问题，本发明的目的在于提供一种低信噪比超短时信号的分类方法及系统，本发明能够对低信噪比超短时信号进行实时分类。

本发明采用的技术方案如下：

一种低信噪比超短时信号的分类方法，包括如下过程：

对低信噪比超短时信号的窄带信号的双点对进行采样，根据采样值计算特征向量；所述双点对为低信噪比超短时信号的任意两个采样点，所述特征向量由多个双点对的特征幅值组成；

利所述特征向量对所述低信噪比超短时信号进行分类。

优选的，本发明低信噪比超短时信号的分类方法，还包括如下过程：将所述低信噪比超短时信号分解为多个窄带分量；

对低信噪比超短时信号的窄带信号的双点对进行采样时，利用上述分解得到的窄带分量的双点对进行采样。

优选的，本发明低信噪比超短时信号的分类方法还包括对低信噪比超短时信号的预处理过程，对低信噪比超短时信号进行预处理时，滤除低信噪比超短时信号中的直流偏置和干扰的固定频率噪声；

当低信噪比超短时信号为宽带信号时，将预处理后的低信噪比超短时信号分解为多个窄带分量，再利用分解得到的窄带分量的双点对进行采样；

当低信噪比超短时信号为窄带信号时，将预处理后的低信噪比超短时信号分解为多个窄带分量，再利用分解得到的窄带分量的双点对进行采样；

或者，当低信噪比超短时信号为窄带信号时，将预处理后的低信噪比超短时信号的双点对直接进行采样；

上述表述中，窄带分量是分解得到的窄带信号。

优选的，双点对的特征幅值A通过下式计算：

其中，p

本发明还提供了一种低信噪比超短时信号的分类系统，包括：

特征提取模块：对低信噪比超短时信号的窄带信号的双点对进行采样，根据采样值计算特征向量；所述双点对为低信噪比超短时信号的任意两个采样点，所述特征向量由多个双点对的特征幅值组成；

分类模块：用于利用所述特征向量对所述低信噪比超短时信号进行分类。

优选的，所述特征提取模块包括分组空洞卷积层、平方激活函数和开平方激活函数；

分组空洞卷积层用于从单个窄带信号中提取多个连续的双点对，分组空洞卷积层中每组有两个卷积核，卷积核空洞率设置为Δn＝f

其中，v

优选的，本发明低信噪比超短时信号的分类系统还包括：

分解模块：用于将低信噪比超短时信号分解为多个窄带分量；对低信噪比超短时信号的窄带信号的双点对进行采样时，利用上述分解得到的窄带分量的双点对进行采样。

优选的，所述分解模块包括频域分解卷积层，频域分解卷积层通过一组时域带通滤波器将低信噪比超短时信号分解为多个窄带信号；

所述频域分解卷积层的卷积核被初始化为一个滤波器组，所述滤波器组包含若干个预设长度的有限冲激响应带通滤波器，有限冲激响应带通滤波器h[n]的计算公式如下：

其中，f

优选的，本发明低信噪比超短时信号的分类系统还包括：

预处理模块：用于滤除低信噪比超短时信号中的直流偏置和干扰的固定频率噪声；

当低信噪比超短时信号为宽带信号时，通过分解模块将预处理后的低信噪比超短时信号分解为多个窄带分量，通过特征提取模块对分解得到的窄带分量的双点对进行采样；

当低信噪比超短时信号为窄带信号时，通过分解模块将预处理后的低信噪比超短时信号分解为多个窄带分量，通过特征提取模块对分解得到的窄带分量的双点对进行采样；

或者，当低信噪比超短时信号为窄带信号时，预处理模块将预处理后的低信噪比超短时信号传输给特征提取模块，特征提取模块再利用预处理后的低信噪比超短时信号的双点对进行采样。

优选的，所述分类模块通过全连接层和Softmax激活函数为特征向量预测一个子标签，通过所有子标签对低信噪比超短时信号进行分类。

本发明具有如下有益效果：

在低信噪比信号分类问题中，将被分类的信号裁剪为多个片段分别提取特征再进行组合，是一种常用的技术手段。但是，当低信噪比信号本身的时长过短时，则无法通过裁剪获得足够多且足够长的片段。通过裁剪低信噪比短时信号获得的片段太短，以至于通过现有的特征提取方法无法获得高质量的特征，显著降低了分类精度。为解决上述问题，本发明以低信噪比短时信号的任意两个采样值组成的双点对代替裁剪获得的片段。本发明可充分利用两个采样值的信息提取可以表征低信噪比超短时信号的特征，进而得到具有足够高置信度的分类结果。具体来说，对于信号的低信噪比问题，不同时刻采样的双点对包含相同的对分类有用的信息和不同的噪声干扰信息，联合多个双点对的通过该算法提取的特征，可以突出其中相同的有用信息同时抑制噪声干扰信息。同时，即使是超短时长的信号，也可以采样获得足够多的双点对，组成的大数据集更有利于分类系统的训练，进而获得最优的参数。

附图说明

图1是本发明低信噪比超短时信号的分类方法的流程图；

图2是本发明低信噪比超短时信号的分类系统的结构框图；

图3是本发明实施例中脑电信号采集实例图；

图4是本发明实施例提供的运动想象脑电信号的低信噪比超短时信号分类系统的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例和附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参见图1，本发明低信噪比超短时信号的分类方法包括如下过程：

对低信噪比超短时信号的窄带信号的双点对进行采样，根据采样值计算特征向量，该过程如下：

从低信噪比超短时信号的任意窄带信号中采集两个点p

其中，ω表示所述窄带信号的中心频率，Δt表示所述双点对中两个采样点的时间间隔。受噪声干扰，该窄带信号的幅值随时间变化，因此基于不同的双点对会求解出不同的特征幅值。这些所求的特征幅值共同表述了该窄带信号的特性，被共同用于鉴别该窄带信号。

对于低信噪比超短时信号为一个宽带信号时，需要将低信噪比超短时信号分解为多个窄带信号，分解时，利用一组带通滤波器将该低信噪比超短时信号分解为多个窄带分量，每个窄带分量即为一个窄带信号；所述带通滤波器可以在信号模数转换前基于滤波器电路实现，也可以在信号模数转换后基于数字滤波器实现。在特征提取时，分别提取每个窄带信号的特征幅值，所有窄带信号的幅值共同构成了该窄带信号的特性。

此外，对于低信噪比超短时信号为一个窄带信号的情形，可以直接对该窄带信号进行特征提取，或者将该低信噪比超短时信号进行进一步分解为多个窄带信号，用分解得到的窄带信号再进行特征提取。

本发明中，对于持续时间极短的信号，可通过提高采样率的方法获得大量所述特征向量；对于低信噪比信号，联合所述大量特征向量表征所述低信噪比信号，可以突出其中对分类有益的信息从而有效抑制噪声。

对于有些低信噪比超短时信号(如运动想象脑电信号)，在进行双点对进行采样前，还需要对低信噪比超短时信号进行预处理，该预处理一般包括滤波降噪处理，即通过时域滤波器滤除原始信号中的直流偏置和一些固定频率噪声的干扰。对于有些低信噪比超短时信号(如机械故障信号)则无需进行滤波降噪预处理，本领域技术人员可根据低信噪比超短时信号来选择是否进行滤波降噪预处理，本发明不做具体限定。

本发明还提供了一种低信噪比超短时信号的分类系统，该分类系统是一种低信噪比超短时信号的端到端分类模型。对低信噪比超短时信号进行采样后作为所述端到端分类模型的输入子样本。输入子样本尺寸为C×T，其中C为所述低信噪比超短时信号通道数，T为所述低信噪比超短时信号的总采样点数；将足够多的多种类有标签的输入子样本划分为训练集与测试集，用于有监督的训练；训练好的端到端分类模型可以快速鉴别未知信号的标签。

参见图2，本发明低信噪比超短时信号的分类系统，该分类系统是一个可以自主学习的卷积神经网络，包括：

特征提取模块：对低信噪比超短时信号的窄带信号的双点对进行采样，根据采样值计算特征向量；所述双点对为低信噪比超短时信号的任意两个采样点，所述特征向量由多个双点对的特征幅值组成；

分类模块：用于利用所述特征向量对所述低信噪比超短时信号进行分类。

基于本发明上述低信噪比超短时信号的分类方法，根据需求，本发明低信噪比超短时信号的分类系统还可以设置预处理模块和/或分解模块，其中，预处理模块用于对低信噪比超短时信号进行预处理，分解模块用于将低信噪比超短时信号分解为多个窄带信号，如果预处理模块和分解模块均需要时，那么是先通过预处理模块对低信噪比超短时信号进行预处理，再通过分解模块将低信噪比超短时信号分解为多个窄带信号。

下面以本发明低信噪比超短时信号的分类系统包括预处理模块、分解模块、特征提取模块和分类模块为例，对本发明低信噪比超短时信号的分类系统做进一步的详细介绍。

本发明低信噪比超短时信号的分类系统具体通过一个预处理模块、一个频域分解卷积层、一个特征提取模块和一个分类模块级联组成。所述预处理模块包括一个时域带通滤波操作和一个空间卷积层；频域分解卷积层负责通过一组时域带通滤波器将输入样本分解为多个窄带分量；特征提取模块负责从输入样本的每个窄带信号中提取双点对并基于上述公式(1)计算幅值；分类模块基于所述特征提取模块计算的由特征幅值构成的特征向量对输入样本进行分类。

具体的，所述时域带通滤波操作用于滤除低信噪比超短时信号中的直流偏置和干扰的固定频率噪声。

具体的，所述空间卷积层通过执行空间滤波操作进一步提高低信噪比超短时信号的信噪比，包含F

频域分解卷积层的卷积核被初始化为一个滤波器组。所述滤波器组包含F

其中，f

特征提取模块包括一个分组空洞卷积层、平方激活函数和开平方激活函数。所述分组空洞卷积的卷积核尺寸为1×2，所述分组空洞卷积的卷积核被分为F

其中，v

因此，空洞卷积核每沿时间轴方向滑动一个步长，便可为输入样本提取一个特征向量，多次滑动，可为所述每个窄带信号提取多个特征幅值。该特征向量由来自所有信号通道的所有窄带分量的各一个幅值特征组成。

所述分类模块通过全连接层和Softmax激活函数为所述特征向量预测一个子标签，最后通过所有子标签对低信噪比超短时信号进行分类。在端到端分类模型的训练过程中，所述子标签与输入样本的真实标签的交叉熵，对所有交叉熵求和作为训练损失；在端到端分类模型的测试过程中，输入样本的最终预测标签由从该样本中提取的所有所述特征向量的预测标签通过多数投票获得。

实施例

所发明的端到端分类模型被实施于第四届脑机接口大赛的2a数据集(BCIC IV2a)。该数据集通过22个电极通道和250Hz采样率进行采集，包含左手运动想象、右手运动想象、双脚运动想象和舌头运动想象等四类任务。图3展示所述22个电极在头皮上的位置和通过这些电极采集到的一段典型的运动想象脑电信号，可见该脑电信号包含了大量的噪声，呈现出无序的状态。该数据集包含9名被试者，每名被试者被采集两天的数据。每天采集288个4s的信号，其中每类标签下各有72个。截取4s信号中的前1秒部分作为输入样本。为了适应二维卷积操作，通过加入通道维将输入样本扩展为三维，因此最终每个输入样本尺寸为1×22×250。

分类系统的工作流程如图4所示，尺寸为1×22×250的输入样本首先经过由1-48Hz滤波操作和空间卷积层组成的预处理模块。空间卷积层输出的数据矩阵尺寸为16×1×250，将其转置为1×16×250后送入频域分解卷积层。基于运动想象脑电信号的先验知识，24个连续的长度为51的FIR窄带带通滤波器被构造作为频域分解卷积层的卷积核，它们的中心频率均匀分布在2-32Hz范围内。频域卷积层输出的数据矩阵S尺寸为24×16×200，包含24×16个窄带分量。

应用分组空洞卷积层独立地从每个窄带分量中提取双点对并求解其特征幅值。分组空洞卷积层输出的数据矩阵尺寸为48×16×100。通道分离指将分组空洞卷积层输出的数据矩阵的第一个维度(包含48个通道)中的奇数和偶数索引分离，获得两个尺寸为24×16×100的数据矩阵并进行矩阵加法操作。如图4所示，再加入平方和开方激活。通过上述过程，可以在每个频带内并行地互不干扰地执行公式(3)。

特征提取模块最终输出的数据矩阵

本发明的分类系统为一个卷积神经网络，在应用前需要先进行训练。在该实施例中，采用4折交叉验证对分类系统进行训练和性能评估，即将每人在第一天获得的288个样本均分为4份，每次选择其中一份作为测试集，其余3份作为训练集。在训练阶段，计算每个子标签与样本真实标签的交叉熵，作为训练损失对空间卷积层、特征提取模块和分类卷积层的参数进行更新。在测试阶段，通过100个子标签的多数投票给出对输入样本最终的预测标签。预测标签与真实标签一致，则认为分类正确。统计训练集中被正确分类的样本数，再除以总数，得到分类准确率。

训练和性能评估实验在每个被试者上分别共进行10次，每次训练800代。最大分类准确率如表1所示，单位为百分比。

表1

从表1可以看出，与现有文献所提出的ATCNet、C-LSTM、KFCNet等分类网络相比，本发明提出的端到端分类模型获得了最高的分类准确率。