[发明专利]一种基于类内紧凑度的脑电数据特征提取方法

说明书

本发明公开了一种基于类内紧凑度的脑电数据特征提取方法，包括以下步骤：获取待处理的脑电数据，去除脑电数据中的伪迹，获得有效频段，标准化，获得有效数据段，按照合理比例分成训练集，验证集，测试集；根据脑电数据特点构建合理的神经网络结构；确定类内紧凑性度量方式，基于网络的输出特征计算类内紧凑度并将之作为损失函数以一定权重加入到需要优化的总体损失函数中；在训练集数据中对网络进行训练，用验证集数据对模型的拟合程度进行评估，选出分类效果最优的模型，在测试集中评估模型性能。本方法通过在网络训练过程中加入类内紧凑性约束，一定程度解决了深度学习在脑电数据应用中的过拟合现象，有效提高脑电数据特征提取效果。

技术领域

本发明属于脑电数据分析领域，尤其是涉及一种基于类内紧凑度的脑电数据特征提取方法。

背景技术

头皮脑电信号数据能以毫秒级高时间分辨率反映大脑神经电生理活动的变化，包含了大量与大脑特征以及状态相关的信息，是进行大脑状态判断的重要工具，可便捷地应用于多种场景。脑电数据分析与应用一般分为四个部分:信号采集，特征提取，分类和控制。现有方法大多在特征提取(如小波变换、傅里叶变换和共空间模式等)部分借助先验知识和假设，人为地进行特征提取，但是由于大脑的复杂性，人为选取特征很可能会丢失一些信息，而且由于个体之间脑电信号的巨大差异性，人工选取适合个体的特征的时间投入大而且最后的分类效果上也不理想。另外由于头皮脑电信号受颅内组织容积导电效应影响，存在信噪比低、易受干扰等缺点，于是有效而鲁棒的脑电信号特征提取方法成为难题。

近年来，深度神经网络由于其强大的学习能力，在计算机视觉、自然语言处理等多个领域中取得了普遍的成功。相较于传统机器学习算法，其最大的优势在于数据驱动的特征学习方式，能够从大量数据中自动学习到任务相关的最优特征，从而避免了人工特征的构建和筛选。故深度学习在脑电数据分析方面有了越来越多的应用，并取得了一定成果。

如公开号为CN110263606A的中国专利文献公开了基于端到端卷积神经网络的头皮脑电特征提取分类方法，对训练数据进行数据增强，再让增强后的训练数据训练卷积神经网络；待检测数据输入卷积神经网络进行特征提取分类步骤为：S1、将原始头皮脑电信号用带通滤波器滤波处理，得到信号xθ、xμ和xβ；S2、对信号xθ、xμ和xβ分别进行多尺度时间卷积和空间卷积提取特征；S3、对卷积层输出的特征图进行池化操作；S4、池化之后进行特征融合，再送进全连接层对输入的抽象特征进行整合；S5、全连接层的输出送入softmax层进行分类。

然而，数据驱动的特征学习方式同时带来了新的问题。由于数据驱动的特征构建完全依赖数据本身，数据中噪声、错误标签等因素会直接影响特征的有效性和鲁棒性。最近研究表明，神经网络的特征学习过程，在学习有效模式的同时，也会“记忆”训练样本中独有的特征甚至噪声，这些特征往往不具有泛化能力，影响特征有效性。而脑电数据具有信噪比低，样本数量少的数据特点。因此，在脑电数据分析中，如何利用深度神经网络学习有效特征的同时，抑制样本记忆过程，从而提高特征的表达能力和泛化能力，是当前深度学习在脑电数据分析应用中仍待解决的重要问题。

发明内容

本发明提供了一种基于类内紧凑度的脑电数据特征提取方法，通过构建类内紧凑型度量，约束同类别样本特征分布的一致性，鼓励神经网络学习大量样本中普遍具有的特征，惩罚单个或少量样本独有的特征，从而能够有效抑制样本记忆过程，提高特征的有效性和泛化能力。

一种基于类内紧凑度的脑电数据特征提取方法，包括以下步骤：

(1)获取用于训练的脑电数据，去除脑电数据中的伪迹，获得数据中心的有效频段，对数据进行标准化，截取出合适窗口长度的数据段，得到预处理后的脑电数据，按照比例分成训练集、验证集和测试集；

(2)根据脑电数据特点构建神经网络结构；

(3)在神经网络中加入基于类内紧凑性约束的特征表示学习方法，具体为：