[发明专利]一种基于Multi‑bandsFDBN的运动想象脑电信号的特征提取方法

说明书

技术领域

本发明属于运动想象脑电信号处理领域，具体涉及一种基于Multi-bands FDBN的运动想象脑电信号的特征提取方法，是脑科学与计算机科学的交叉领域。

背景技术

大脑是一个异常精细与复杂的组织结构，一套动作的完成通常是经由脑部对应的区域产生刺激电位，这些电位经过神经元细胞传输到不同的部位，进而通过肌肉组织或者外周神经系统与外界建立联系。然而，世界上每年因为疾病或意外而致人丧失运动能力的情形不计其数，此前有报道称，在美国患有萎缩性侧索硬化症及脊髓损伤的人高达200万人以上，类似的病症还有中风、脑瘫痪等。这些疾病都是直接或间接地破坏了大脑中枢与外界交流的通道，从而影响了人们的正常生活。

BCI的出现给这类病人带来了福音，它绕过电位传递的通道，直接在大脑与外部设备之间进行信息传递。同时它克服了人们必须通过神经和肌肉与外界环境的交流，是当前脑科学研究与信息处理技术的良好结合，给全身肌肉和神经系统严重损伤但大脑思维正常的病人和老年人士带来了一种新的人机交互方式，使他们可以通过思维直接控制外部环境来实现生活的自理。

现阶段BCI的研究已经取得了一定成果，但远没有达到实际应用的程度。其中存在的主要问题之一就是寻找高识别率和精度的脑电信号处理算法。在BCI系统中，如何从大脑的思维中高精度地提取并识别出运动想象MI-EEG指令，是评价运动想象脑电信号的处理算法的关键，所以，研究MI-EEG处理的特征提取和模式识别对BCI系统的研究具有重要的学术意义和实际应用价值。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高当前运动想象脑电信号识别率的基于Multi-bands FDBN的运动想象脑电信号的特征提取方法。本发明的技术方案如下：

一种基于Multi-bands FDBN的运动想象脑电信号的特征提取方法，其包括以下步骤：

1)、首先利用带通滤波器将原始的脑电信号分成多个频段，接着对各频段采用FFT将时域信号转换为频域信号；使用全局min-max的方式对各频域信号作归一化处理；

2)、将步骤1)归一化处理后的各频域数据输入深度置信网络DBN进行训练识别，对经过预处理的脑电信号进行特征提取；

3)、将深度置信网络DBN后接Softmax分类器对步骤2)提取到的特征进行分类，并采用加权计算的方式将多个softmax分类器的结果进行融合，输出最终的分类结果。

进一步的，所述步骤1)中，利用带通滤波器将原始的脑电信号分成多个频段具体包括：将多个带通滤波器组成的滤波器组，根据带通滤波器的参数而保留对应的频带信息，为了尽可能地涵盖多个频带，滤波器组中各个带通滤波器的带宽设置为5，相邻滤波器之间的步长为1，原始脑电信号经滤波器组处理后，将分成多频段数据。

进一步的，所述FFT算法简化了DFT算法的过程，原始的DFT算法的表达式如下：

其中

N表示频率点，x(n)表示输入的离散信号序列。

FFT算法利用算子具有周期性及对称性的特点，加快了运算过程，使得算法的计算复杂度改进为O(N·log(N))，DFT可以根据奇偶分成两部分计算：

当n为偶数时，可表示为2m，n为奇数时，可表示为2m+1进一步的，所述全局min-max归一化的计算方式如下：

其中，x代表需原始数据。

进一步的，所述DBN由若干个限制玻尔兹曼机RBM组成，RBM由一个可视层和一个隐层构成，该RBM的系统能量计算如下：

其中，v,h分别表示可见层单元和隐含层单元，a_i和b_j分别代表可视层神经元i和隐层神经元j的偏置项，W是连接可见层和隐含层各单元间的连接权值，θ＝{a,b,W}是RBM模型的参数，I,J分别表示可见层和隐含层的单元个数。

进一步的，所述步骤3)将多个网络的softmax层输出按照权重计算的方式进行融合，输出最终的分类结果，具体包括：

对于多频带频域深度置信网络Multi-bands FDBN来说，{x₍₁₎,...,x_(m)}为DBN网络最后一层的输出，softmax分类器中样本参数为w，则每一个样本x对于类别j的条件概率计算如下：

使用共轭梯度法来求解Softmax回归代价函数极小值，Softmax回归的代价函数如下：