[发明专利]一种密集深度卷积神经网络的脑电信号快速识别方法

说明书

本发明提出一种密集深度卷积神经网络对脑电信号(EEG)的快速识别方法，结合运动想象脑电信号具有时间和空间特征的特点，在卷积神经网络中使用特征连接的方法，设计一种适用于运动想象脑电信号的卷积神经网络。本发明设计的卷积神经网络可以同时提取时间、空间的特征，又将不同卷积层之间的输出相互连接，减少了权值的数量，达到抗过拟合和特征重用的目的。首先将滤波、重采样后的原始数据输入密集深度卷积神经网络，接着通过反向传播与随机梯度下降算法更新网络每一层的参数，最后测试网络，将测试数据输入训练好的网络，对输出结果进行分析。与2017年提出的Shallow ConvNet方法相比，本发明在信号识别准确率和kappa值上提高了5％和0.066。

技术领域

本发明涉及原始脑电信号的快速识别、适用于脑电信号的卷积神经网络的设计、模式分类及深度学习，属于信号处理和模式识别技术领域。

背景技术

脑机接口(brain-computer interface，BCI)技术可以在人脑和外部设备之间建立连接，达到不依赖人体肌肉与外部环境进行交流和控制的目的。BCI技术主要处理过程包括记录大脑活动，脑电(Electroencephalogram，EEG)信号处理，信号识别，然后根据识别结果控制外部设备。目前，适用于BCI的脑电信号类型有很多种如P300，稳态视觉诱发电位和运动想象等。P300是由偶然出现的小概率闪烁信号诱发的脑电信号，视觉诱发电位的刺激是以一个固定频率出现的闪烁画面，而运动想象信号只需受试者想象执行某个部位的动作，无需真正执行，运动想象脑电信号具有易采集、无须外界刺激、可实现异步通信等特点，所以运动想象脑电信号成为目前应用最多的EEG信号类型之一。

对于运动想象脑电信号的特征提取，共空间模式(common spatial pattern，CSP)的方法比较常用，但是该算法的特征提取效果依赖于算法指定的频率带宽范围。在此基础上提出的滤波器组共空间模式算法(Filter Bank Common Spatial Pattern，FBCSP)设计了滤波器组，扩大了频率范围，对每个滤波器都使用CSP算法，再从滤波器组的输出中选取可用的特征，该算法在BCIIV datasets 2a数据集上取得了准确率为68％的分类效果。但FBCSP算法仍需要先验知识来设计各个频率带宽的范围，需要人工提取特征后再进行分类，然而大脑信号非常复杂，很多采集的信号还没有找到明确的意义，手动提取特征会造成信息的损失。

近年来，随着深度学习的兴起，卷积神经网络(convolution neural network，CNN)受到研究者的广泛关注，并在图像、语音、视频等诸多领域都取得了一定的应用效果，于是开始有研究人员使用卷积神经网络自动提取运动想象脑电信号特征再进行分类。卷积神经网络的权值共享网络结构既可以减少权值的数量降低网络模型的复杂度，又可以提取时间、空间的特征。在训练过程，神经网络依靠反向传播算法更新每一个卷积核的参数，将不同层变为合适的特征抽取器，能够避免使用人工设计的特征抽取器，从而提取更多的特征达到提高分类准确率的效果。与二维的静态图片不同，运动想象脑电信号是从三维大脑头皮采集得到的动态时间序列，并且运动想象脑电信号信噪比低，很容易受到与事件无关的噪声干扰，如电极的扰动、光照刺激、受试者眼动等，这也使得从原始运动想象脑电信号训练卷积神经网络变得困难，所以设计卷积神经网络时需要根据EEG信号的特点调整网络的结构。2017年，Schirrmeister等提出的卷积神经网络结构Shallow ConcNet，将原始运动想象脑电信号作为输入，通过时间卷积、空间卷积、平均池化等操作可以得到输入的原始运动想象信号属于每个类别的概率，是一种端到端的自动识别方法。端到端指卷积神经网络不需要任何先验知识，从原始运动想象脑电信号中学习得到特征，直接得到最终分类结果。在BCIIV2a数据集上使用Shallow ConvNet结构，准确率达到72％，比传统的FBCSP方法高出5％，可见使用卷积神经网络可以明显提高运动想象脑电信号的识别准确率。但是该模型的准确率仍不高，因为使用的卷积层只有两层，而直接加深模型又会导致过拟合严重，所以无法提取更深层的特征。本发明研究如何结合运动想象脑电信号的特征，调整模型的连接方式和超参数，在加深模型深度的同时避免加重过拟合，提高运动想象脑电信号识别准确率。