[发明专利]基于小波包和LSTM型RNN神经网络的脑电识别方法

说明书

基于小波包和LSTM型RNN神经网络的脑电识别方法，属于生物信息技术领域。具体包括：首先，利用平均功率谱法分析脑电信号的时域特性，确定有效的时域范围。其次，对脑电信号进行小波包分解，基于改进的距离准则获取小波包最优子空间，并选取小波包最优子空间的小波包系数构成脑电特征。最后，以LSTM型RNN神经网络作为分类器对脑电信号进行分类。本发明能够自适应地选取小波包最优子空间，并自动确定最佳频段的小波包系数构成脑电时频特征，其保留了脑电信号的时序信息，而LSTM型RNN神经网络能够充分利用基于小波包变换提取的脑电特征的时序信息，从而提高脑电信号的分类准确率，为脑电信号的识别提供一种新思路。

技术领域

本发明涉及脑机接口(brain-computer interface,BCI)系统中脑电信号(Electroencephalograph,EEG)的识别方法，具体涉及利用小波包和LSTM(Long-ShortTerm Memory,LSTM)型RNN(Recurrent Neural Network,RNN)神经网络对运动想象脑电信号(Motor Imagery EEG,MI-EEG)进行识别的方法。

背景技术

近年来随着全球老龄化问题日趋严重，老年人中又多数伴有中风及偏瘫症状，同时因交通事故而造成脊髓受损的人数也越来越多。医学理论和临床医学证明，康复训练对这类患者肢体运动功能的恢复和提高起到非常重要的作用。运动功能康复机器人的出现可以减轻康复医师的工作量，但是缺少患者的主动参与和反馈，治疗效果有待于提高。

BCI技术提供了一个良好的解决该问题的方案。BCI系统通常由五个部分组成：即信号采集系统、信号预处理、特征提取、分类识别和控制外部设备，如图1所示，其关键技术是脑电信号的识别，但由于脑电信号微弱、识别率低、自适应能力差等问题，BCI技术在康复机器人领域的应用还没有得到广泛利用，脑电信号的识别是目前的研究热点，同时也是研究难点。

临床医学研究表明，根据频带特点，人类大脑可以划分成四个脑电节律。人类大脑能够控制人体对侧的运动，比如人体右侧肢体运动(如右手运动)大脑的左侧运动区域的Mu节律(8～12Hz)和Beta节律(14～30Hz)能量明显减小，而同侧的运动感觉区Mu节律和Beta节律能量增大，这种电生理现象也被称为事件相关去同步(Event-RelatedDesynchronization，ERD)和事件相关同步(Event-Related Synchronization，ERS)。脑电信号的ERD/ERS现象是实现BCI技术的神经生理学基础。

脑电信号是一种典型的时间序列信号，而提取的时频脑电特征依然保持其时序信息，现有的脑电分类器，如BP神经网络、支持向量机(Support Vector Machine，SVM)、线性判别式分析(Linear DiscriminantAnalysis，LDA)等没有充分利用脑电信号的时序特征，因此分类效果并不是很理想。

发明内容

针对脑电信号识别率低，脑电特征的时序信息没有被充分利用等问题，提出一种基于小波包和LSTM型RNN神经网络相结合的脑电信号识别方法，记为WPT-LSTM。该方法能够充分利用脑电信号和脑电特征的时序信息，从而提高了脑电信号的分类准确率，为脑电信号的识别提供了一种思路。

本发明为解决所述技术问题，采用如下的技术方案：

首先，利用平均功率谱法分析脑电信号的时域特性，确定有效的时域范围。其次，先利用小波包对脑电信号进行分解，然后采用改进的距离准则获取小波包最优子空间，并选取小波包最优子空间的小波包系数构成脑电特征。最终，利用LSTM神经网络作为分类器对脑电信号进行识别分类。

本发明的具体步骤如下：

步骤1，信号采集及预处理。