[发明专利]一种基于CBLSTM算法模型的运动想象脑电信号特征识别方法

说明书

本发明请求保护一种基于CBLSTM算法模型的运动想象脑电信号特征识别方法。该算法模型包含以下步骤S1：采集脑电信号；S2：对原始脑电信号进行预处理；S3：采用卷积神经网络提取脑电信号的频域特征；S4：采用双向长短期网络提取脑电信号的时域特征；S5：采用softmax回归方法对脑电信号进行分类；S6：输出最终的脑电信号分类结果。本发明有效提高了多类脑电信号的识别率。

技术领域

本发明属于脑机接口中脑电信号的识别领域，主要涉及采用卷积神经网络与双向长短期记忆的结合算法模型对多类运动想象脑电信号的识别方法。

背景技术

非侵入式脑机接口(Brain-computer interfaces,BCIs)技术为行动不便的人群提供了一种便利的生活方式，且此控制方式具有很强的可行性和实用性，近年来越来越多地运用于控制计算机及其他智能设备。脑电信号在其中起着不可或缺的作用，可用于检测司机是否疲劳驾驶,也可用于帮助脑卒中患者的功能恢复。

考虑到脑电信号的传播主要是通过多个神经元共同合作完成，本文采用多通道的脑机接口设备进行研究。传统的脑电信号特征分类方法主要有:人工神经网络、线性判别式分析、支持向量机(SVM)等。Hsu等人采用了人工神经网络对音乐情绪识别进行分类，受试者较少且对个体差异进行描述和预测有困难，故分类效果较差。Tian等人采用基于FE+LDA的方法对左右手运动想象信号进行研究得出其平均分类识别率为87.2％。此后Li等人提出一种多尺度模糊熵(MFE)的方法来对MI-EEG进行分析，并采用SVM进行分类，结果表明此方法可有效提高MI-EEG的分类准确率，但是当分类种类增多时会增加系统的复杂性从而降低识别率。此后研究者发现，在生物信号领域，针对脑电信号的非线性非稳定特性，考虑到深度神经网络对大数据的处理具有优势，若能充分利用其分析信号特性可能会取得更好的效果。为此Tang等人通过建立5层CNN模型对想象左右手运动进行分类，结果表明，CNN可以进一步提高分类性能：使用CNN的平均准确率可达86.41±0.77％，比使用传统的power+SVM，CSP+SVM和AR+SVM方法的平均准确率分别高9.24％，3.80％和5.16％。此后Uktveris等人采用CNN方法实现了对四类运动想象脑电信号(想象左右手、脚和舌头运动)的尝试识别，由于增加了目标分类种类，此时体现出单一CNN方法的局限性，即分类准确率随着分类种类的增加而下降。而Ni等人则提出一种双向LSTM网络对脑雾进行分类，此方法显示出了较好的分类性能，但是样本量较小，在增大数据量的同时准确率也降低，然而与其他传统分类算法相比，准确率最高且鲁棒性较好。这也为此后LSTM在脑电信号方面的研究提供了思路。李等人采用OWPT的方法对MI-EEG进行特征提取，LSTM算法对其进行分类，最终经过试验验证发现识别率远高于采用AR+LDA的准确率，由于OWPT本身的局限性，使得实验耗时较长。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种有效提高了多类脑电信号的识别率的基于CBLSTM算法模型的运动想象脑电信号特征识别方法。本发明的技术方案如下：

一种基于CBLSTM算法模型的运动想象脑电信号特征识别方法，其包括如下步骤：

S1：首先采用信号采集仪采集原始的脑电信号；

S2：对采集的脑电信号进行包括滤波、放大在内的预处理，并采用多线性主成分分析对多维脑电信号进行降维处理；

S3：将经过降维处理的脑电信号(采用数据切割方法)整理成序列帧，然后采用改进的卷积神经网络将脑电信号的频域特征提取出来；所述改进的卷积神经网络改进点主要在于：如附图1所示，卷积神经网络模块主要包括五个卷积模块、四个池化层、两个批规范化层和一个Im2col层(加速层)，其中每个卷积模块都由多个卷积层组合，卷积核尺寸大小采用的是3*3和5*5。