[发明专利]一种基于卷积神经网络的脑电信号EEG身份识别方法

摘要

本发明公开了一种基于卷积神经网络的脑电信号EEG身份识别方法，包括下述步骤：S1，设计身份识别的脑电数据采集实验方案；设一个周期有三张测试图片和三张全黑色的过渡图片，测试图片用时t1，过渡图片用时t2，每个周期中的测试图片分别为红、绿、蓝三原色，且红、绿、蓝三原色出现的顺序随机，则一个周期用时3t1+3t2，每个被试者测试N个周期，共用时N(3t1+3t2)；设置过渡图片的目的是为了消除在切换测试图片时产生的视觉残留；本发明是有监督特征提取算法，而且能克服前者的缺陷，突破限制，使特征提取的过程更加具有科学性和客观性，提高身份识别的精度。

主权项

1.一种基于卷积神经网络的脑电信号EEG身份识别方法，其特征在于，包括下述步骤：S1，设计身份识别的脑电数据采集实验方案；设一个周期有三张测试图片和三张全黑色的过渡图片，测试图片用时t1，过渡图片用时t2，每个周期中的测试图片分别为红、绿、蓝三原色，且红、绿、蓝三原色出现的顺序随机，则一个周期用时3t1+3t2，每个被试者测试N个周期，共用时N(3t1+3t2)；设置过渡图片的目的是为了消除在切换测试图片时产生的视觉残留；S2，脑电数据的采集；被试者戴上脑电帽静坐于电脑屏幕前，当屏幕开始按照S1的实验方案显示图片时，脑电采集设备开始采集被试者观看屏幕时的脑电信号；脑电采集设备的采样频率为vHz；S3，脑电数据的预处理；提取被试者在认知任意一张测试图片的脑电信号作为身份识别分类的脑电信号，具体步骤如下：S3.1，通过eeglab观察所采集的脑电信号，剔除与本实验无关或者因设备原因损坏的头皮电极；设剔除后的头皮电极个数为k；S3.2，对所采集的原始脑电信号进行FIR滤波，剔除会成为噪声的眼电信号，同时提取出Delta(0.5Hz‑4Hz)、Theta(4Hz‑8Hz)、Alpha(8Hz‑14Hz)、Beta(14Hz‑30Hz)、Gamma(30Hz‑45Hz)和all(0.5Hz‑45Hz)这六个频段的脑电数据用于实验；S3.3，为了消除不同头皮电极可能存在的不同量纲影响，对S3.2中所提取的每个频段的脑电数据进行归一化处理，归一化后的每份脑电数据为k行t1×v列的脑电信号矩阵；S4，建立卷积神经网络；卷积神经网络的结构如下所示：(1)输入层：维度为k行t1×v列，用于输入数据；(2)第一卷积层：卷积核尺寸为3×3，卷积核数量为n1，对输入层的输出数据进行局部特征提取；(3)第一池化层：池化核尺寸2×2，对第一卷积层的输出数据进行max池化；(4)第二卷积层：卷积核尺寸为3×3，卷积核数量为n2，对第一池化层的输出数据进行局部特征提取；(5)第二池化层：池化核尺寸2×2，对第二卷积层的输出数据进行max池化；(6)第三卷积层：卷积核尺寸为3×3，卷积核数量为n3，对第二池化层的输出数据进行局部特征提取；(7)第三池化层：池化核尺寸2×2，对第三卷积层的输出数据进行max池化；(8)第四卷积层：卷积核尺寸为3×3，卷积核数量为n4，对第三池化层的输出数据进行局部特征提取；(9)第四池化层：池化核尺寸2×2，对第四卷积层的输出数据进行max池化；(10)Flatten层：将第四池化层输出的二维矩阵转变为一维矩阵；(11)全连接层：与Flatten层进行全连接，神经元数目为n5；(12)输出层：与全连接层进行全连接，神经元数目为被试者的个数，每个神经元分别代表识别为对应的被试者的概率；S5，身份的识别分类；从预处理后的脑电数据中进行随机不重复采样，采取70％的样本作为卷积神经网络的训练集，采取30％的样本作为测试集；在卷积神经网络的训练过程中，选择基于多分类的对数损失函数作为模型训练的损失函数；选择adam方法，在每次迭代训练后，根据卷积神经网络在训练集上的Loss值，调整卷积神经网络中每层神经网络的参数；使用测试集，对已训练的卷积神经网络进行身份识别分类测试。