[发明专利]基于小波包和LSTM型RNN神经网络的脑电识别方法

摘要

基于小波包和LSTM型RNN神经网络的脑电识别方法，属于生物信息技术领域。具体包括：首先，利用平均功率谱法分析脑电信号的时域特性，确定有效的时域范围。其次，对脑电信号进行小波包分解，基于改进的距离准则获取小波包最优子空间，并选取小波包最优子空间的小波包系数构成脑电特征。最后，以LSTM型RNN神经网络作为分类器对脑电信号进行分类。本发明能够自适应地选取小波包最优子空间，并自动确定最佳频段的小波包系数构成脑电时频特征，其保留了脑电信号的时序信息，而LSTM型RNN神经网络能够充分利用基于小波包变换提取的脑电特征的时序信息，从而提高脑电信号的分类准确率，为脑电信号的识别提供一种新思路。

主权项

1.基于小波包和LSTM型RNN神经网络的脑电识别方法，其特征在于：首先，利用平均功率谱法分析脑电信号的时域特性，确定有效的时域范围；其次，先利用小波包对脑电信号进行分解，然后采用改进的距离准则获取小波包最优子空间，并选取小波包最优子空间的小波包系数构成脑电特征；最终，利用LSTM神经网络作为分类器对脑电信号进行识别分类；其特征在于：本方法的具体步骤如下，步骤1，信号采集及预处理；首先按照国际标准10‑20系统来安放电极，通过脑电采集设备采集n导脑电信号，并将采集到的信号通过有限脉冲响应(Finite Impulse Response,FIR)滤波器进行8‑30Hz带通滤波，滤波后信号为其中N为样本点总数，n为脑电导联数目，m为采样点个数，为第i导联第j个采样点滤波后的脑电信号，t＝{1,2,…,N}，i＝1,2,…,n，j＝{1,2,…,m}；步骤2，平均功率谱法分析脑电时域特性；EEG信号通过电极帽采集并以电压幅值形式保存，其瞬时功率计算如下：式中，Pij(t)表示第t个样本第i导联第j个采样点脑电信号的瞬时功率；假设Pij为N次实验第i导联第j个采样点脑电信号的平均功率，则Pij表示为：根据式(2)分别计算出每个导联脑电信号的平均功率，并选取区别明显时间段的脑电信号进行特征提取；步骤3，对步骤2中选取的脑电信号进行小波包分解，然后利用改进的距离准则获取小波包最优子空间，并选取最优子空间的小波包系数构成脑电特征；步骤3.1，对脑电信号进行小波包分解；信号在第j层第k点处的小波包分解系数递推公式为：其中，n为滤波器系数序号，i∈{0,1,2…2^j‑1}为小波包子空间序号，j∈{0,1,…}为分解尺度，k∈{1,2,…}为位置指标；g(n)和h(n)为一对正交镜像滤波器；经过小波包分解，原信号按频带划分为若干小波包子空间，各子空间对应的频段为：式中，f_s为信号采样率；步骤3.2，基于改进的距离准则获取小波包子空间评价值；设c个类别ω₁,ω₂…,ω_c的样本矢量集为{x^(p,b),p＝1,2,...,c,b＝1,2,...,N_p}，其中为ω_p类中的第b个m维样本矢量，为x^(p,b)的第l个分量；N_p为ω_p类中的特征矢量的个数；首先，计算平均类内距离Sw如下：式中，表示ω_p类中μ^(p)的第l个分量的均值，l＝1,2,...,m；其次，设ω_p类样本的平均值矢量为μ^(p)，对c个类别的平均类间距离S_b定义为：式中，μl为样本总体均值矢量的第l个分量；同时引入权重因子α∈[0,1]表征对类内距离与类间距离的关注程度，得到改进的距离准则如下：JAl＝α*Sb‑(1‑α)*Sw    (7)利用该准则求得的评价值JAl越大，即表示对应的可分性越好；步骤3.3，选取最优子空间的小波包系数构成脑电特征；按式(8)计算第j层第k个小波包子空间对所有样本小波包评价的平均值JA，以表征对应的特征频段对分类的贡献度；将小波包子空间对应的评价值按从大到小重新排列，即J*A1～J*As，即为信号可分性从大到小的排列；将评价值最高的前四个小波包子空间系数抽取出来作为脑电特征；这里需要说明的是，由于EEG信号的个体差异性，不同实验者的最优子空间可能不同，该方法能够根据不同个体的实际信号自动选择合适的最优子空间；对于同一个个体来说，小波包最优子空间的选取只在训练阶段实施，在测试与使用阶段直接利用选取好的最优子空间的小波包系数构成脑电特征，这样大幅提高计算效率以满足脑电信号在线识别的要求；步骤4，利用LSTM型RNN神经网络进行脑电特征分类；RNN神经网络是一种递归神经网络，通过内部反馈存储和利用系统过去时刻的输入输出信息；而LSTM单元能有效的解决RNN训练时的梯度爆炸和梯度消失问题，因此，选取LSTM型RNN神经网络对脑电时间序列信号进行分类，其计算过程如下：(1)计算当前时刻的候选记忆单元值其计算公式如下：式中，xt为当前输入数据，ht‑1为上一时刻LSTM单元输出值，Wxc、Whc分别表示对应输入数据和上一时刻LSTM单元输出的权值，bc为偏置量；(2)输入门是用于控制当前数据输入对记忆单元状态值的影响；所有门的计算除了受当前输入数据xt和上一时刻LSTM单元输出值ht‑1影响外，还受上一时刻记忆单元值ct‑1的影响；输入门it值计算公式如下：it＝σ(Wxixt+Whiht‑1+Wcict‑1+bi)    (10)式中，ct‑1为上一时刻候选记忆单元值，Wxi、Whi和Wci分别表示对应输入门数据、上一时刻LSTM单元输入门和上一时刻输入门记忆单元值的权值，bi为偏置量；(3)遗忘门是用于控制历史信息对当前记忆单元状态值的影响，其计算公式如下：ft＝σ(Wxfxt+Whfht‑1+Wcfct‑1+bf)    (11)式中，Wxf、Whf和Wcf分别表示对应遗忘门、上一时刻LSTM单元遗忘门和上一时刻遗忘门记忆单元值的权值，bf为偏置量；(4)计算当前时刻记忆单元状态值ct，其计算公式如下：式中，⊙表示逐点乘积，记忆单元状态更新取决于自身状态c_t‑1和当前的候选记忆单元值并且通过输入门和遗忘门分别对这两部分因素进行调节；(5)输出门用于控制记忆单元状态值的输出，其计算公式如下：ot＝σ(Wxoxt+Whoht‑1+Wcoct‑1+bo)    (13)式中，Wxo、Who和Wco分别表示对应输出门、上一时刻LSTM单元输出门和上一时刻输出门记忆单元值的权值，bo为偏置量；(6)依式(14)计算LSTM单元的输出：ht＝ot⊙tanh(ct)    (14)式中，σ取logistic sigmoid函数；通过引入门控的设计，LSTM单元有保存，读取、重置和更新长距离历史信息的能力；LSTM网络采用通过时间的反向传播算法进行训练。