[发明专利]一种原始脑电深度学习分类方法和应用

说明书

本发明公开了一种原始脑电深度学习分类方法，包括提取测试样本、将所得测试样本转换为测试输入图像、将所得测试输入图像输入到深度学习模型中，并且进行鲁棒性特征提取得到鲁棒性特征、将提取到的鲁棒性特征输入到极限学习机分类器中进行分类分析。其深度学习模型由卷积神经网络和长短期记忆神经网络构成。卷积神经网络可以利用卷积层进行特征提取，不需要反复寻找合适的特征，节省了大量的时间。同时，利用卷积层进行特征提取，可以通过改变卷积核的大小来提高对脑电分析的准确度，操作简便，速度更快，并且可使准确度高达90％以上。

技术领域

本发明涉及精神分裂症检测技术领域，特别是涉及一种原始脑电深度学习分类方法和应用。

背景技术

脑电信号是通过电极记录下来的脑细胞群的自发性和节律性电活动。脑电信号含有丰富的大脑活动信息，因此被广泛应用于脑电分析研究中。

目前的脑电分析大多依靠正常脑电与非正常脑电的对比或者依靠分析者的经验，没有具体合理的分析模型，主观影响因素较多，准确率较低。

发明内容

本发明的目的是针对现有技术中原始脑电深度学习分类方法准确率较低的技术缺陷，而提供一种原始脑电深度学习分类方法。

为实现本发明的目的所采用的技术方案是：

一种原始脑电深度学习分类方法，包括以下步骤：

步骤A：提取待测人的原始脑电时间序列信号，并对其进行噪声过滤处理，噪声过滤处理后的待测人的脑电时间序列信号作为测试样本；

步骤B：将步骤A所得测试样本转换为测试输入图像；

步骤C：将步骤B所得测试输入图像输入到深度学习模型中，并且在所述深度学习模型中进行鲁棒性特征提取得到鲁棒性特征；

步骤D：将步骤C提取到的鲁棒性特征输入到极限学习机(ELM)分类器中进行分类。参考文献：[1]S.Li,S.Song,and Y.Wan,“Laplacian twin extreme learning machinefor semi-supervised classification”,Neurocomputing,vol.321,pp.17-27,2018.

[2]Y.Yu and Z.Sun,“Sparse coding extreme learning machine forclassification”,Neurocomputing,vol.261,pp.50-56,2017.

在上述技术方案中，步骤B中测试样本转换方法是基于短时傅里叶变换算法。

在上述技术方案中，所述短时傅里叶变换算法是通过以下公式完成的：

其中，z(u)为在时刻u的脑电时间序列信号，g(u-t)为窗函数，f为脑电时间序列信号采样率，j为复数，j＝1×i，i为虚数单位。

在上述技术方案中，将所得测试样本转换为测试输入图像时，使用了3秒的窗口进行了短时傅里叶变换。

在上述技术方案中，步骤C中，所述深度学习模型由卷积神经网络(CNN)和长短期记忆神经网络(LSTM)构成。CNN与LSTM是进行网络堆叠的，将CNN提取的特征矩阵整合为LSTM可输入的矩阵。参考文献[3]Sainath T N,Vinyals O,Senior A,etal.Convolutional,Long Short-Term Memory,fully connected Deep Neural Networks[C]//ICASSP 2015-2015IEEE International Conference on Acoustics,Speech andSignal Processing(ICASSP).IEEE,2016.