CN107844755B - 一种结合dae和cnn的脑电信号特征提取与分类方法 - Google Patents

Abstract

本发明请求保护一种结合降噪自动编码机和卷积神经网络的脑电信号特征提取与分类方法，该方法包括步骤：通过脑电信号采集仪采集脑电数据；对采集到的数据进行去除异样样本、去均值、信号滤波等预处理；使用加入噪声系数的自动编码机对脑电信号进行训练；将降噪自动编码机的隐含层作为特征数据输出；再将所得特征数据转化为类似图像格式；利用卷积神经网络进行分类；最后利用测试数据集对训练好的网络进行性能测试。本发明相对其余传统方法能够获得更高的分类准确率，更强的鲁棒性。

Description

一种结合DAE和CNN的脑电信号特征提取与分类方法

技术领域

本发明属于一种脑电信号的特征提取及分类方法，尤其涉及一种结合降噪自动编码机和卷积神经网络的脑电信号特征提取与分类方法。

背景技术

脑机接口(brain-computer interface，BCI)是独立于外周神经组织与外部设备间直接建立通信通道，自首次提出后成为脑科学与认知科学领域研究热点。在脑机接口***中，信号识别通常包括预处理、特征提取和分类三部分。

传统方法中，预处理方面：采用小波变换、ICA处理，空域滤波等方法，本发明参考其方法进行了三个步骤的信号预处理。特征提取方面：采用共同空间模式(CSP)对运动想象进行特征提取，但时域分析开销太大，对脑电通道数要求较高；利用自回归模型法(AR)进行预测，但AR模型适合单通道数据，对于复杂高维的脑电信号存在局限性，分类准确率不高。分类方法方面：运用线性判别分析(LDA)，但LDA适用于线性样本，对本文提到的非线性脑电数据并不适用；运用了支持向量机(SVM)，SVM可以较好解决复杂非线性数据，但作为有监督网络，训练、测试过程都需要标签，参数调整复杂。

降噪自动编码机(Denoising Auto Encoder,DAE)和卷积神经网络(Convolutional Neural Network，CNN)都属于深度学习理论。DAE首次提出后，应用于文本、图像等的降维，其效果优于传统的特征降维算法。CNN由Lecun提出后，被广泛应用于图像识别、人脸检测、文本处理等领域。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种减小未标记样本的浪费和提高模型的泛化能力，提高准确度的结合DAE和CNN的脑电信号特征提取与分类方法。本发明的技术方案如下：

一种结合DAE和CNN的脑电信号特征提取与分类方法，其包括以下步骤：

1)、通过脑电信号采集仪采集脑电数据；2)、对采集到的数据进行包括去除异样样本、去均值、信号滤波在内的预处理；3)、使用加入噪声系数的降噪自动编码机DAE对经过步骤2)预处理后的脑电信号进行无监督训练；4)、将降噪自动编码机DAE的隐含层的数据提取出来并加入步骤1)的原始脑电数据，形成新矩阵，将得到的新矩阵数据转化为图像数据格式作为卷积神经网络的输入数据；5)、利用卷积神经网络CNN进行训练分类；最后利用测试数据集对训练好的网络进行性能测试，输入测试数据集，将输出值与左右手标签对比，得到运动想象脑电信号的分类准确率。

进一步的，，所述步骤1)通过脑电信号采集仪采集脑电数据具体包括步骤：

对被采集对象，采集设备采用Emotiv+采集仪，电极根据国际10-20标准安放，采样频率为256Hz，采样通道选取14个即去除两个参考电极，采样时间为2-4s，去掉前期及后期不稳定信号，选取中间平稳的1秒信号，左右手想象任务各执行120次，将采集到的信号组成数据集，将数据集按照数据量大小3:1划分为训练集、测试集。

进一步的，所述步骤2)进行数据预处理包括步骤：首先进行去除异样样本，以平均电位作为基准值，每个样本数据与其对比，筛除差异值较大的；再进行信号数据去均值，将每个样本幅值减去平均幅值；最后进行信号滤波，采用两种滤波形式，频率滤波和空间滤波，即选择运动想象重要频带8～30Hz进行带通滤波，空间滤波采用大拉普拉斯参考。

进一步的，所述步骤3)将经过步骤2)预处理的脑电数据作为降噪自动编码机的输入，初始化自动降噪编码机的网络结构，构造含有两层隐含层的自动降噪编码机，并确定节点数[m,n,o]；再设置加噪a系数，原始数据数据向量x乘以a得到x′，按照编码公式y＝f_θ(x′)＝s(Wx′+b)得到第一层隐含层的输出，再将第一层隐含层的输出重复此步骤，得到隐含层的输出；再按解码公式z＝g_θ(y)＝s(W′y+b′)得到网络输出，网络多次迭代训练，最小化损失函数来取得最佳参数，此时参数{w,b}按梯度下降法更新。

进一步的，利用最小化损失函数来获得最佳参数，具体包括以下步骤：

A1、令权值参数θ＝{W,b}，θ′＝{W′,b′}，DAE的损失函数如公式1：

采用损失函数最小化来优化参数，即优化函数如公式2：

f_θ(x_i)表示编码函数，g_θ′表示解码函数求导，x_i表示输入矩阵，θ^*′表示加噪后权值参数，θ^*表示原权值参数。

A2、训练过程中参数{w,b}按梯度下降法更新，流程如下：求出Δw＝Δw+▽_wL(x,z)Δb＝Δb+▽_bL(x,z)设置学习率ε大小，参数{w,b}按公式3、4更新。

b表示偏置

进一步的，所述步骤4)将训练好的降噪自动编码机的隐含层数据y提取出来，并加入原始输入数据，形成新矩阵，再将脑电信号数据转化为图像数据格式，作为卷积神经网络的输入数据；训练过程中初始化卷积神经网络各参数后，按照前向传播公式得到输出数据；按误差反向传播更新下采样层、卷积层、全连接层的参数；当误差满足一定的精度要求，保存权值和阈值，网络训练完成，反之继续迭代调整权值和阈值量，直至达到误差精度要求。进一步的，步骤4)中的降噪自动编码机的隐含层数据y提取出来，并加入原始输入数据，形成新矩阵{x,y},作为卷积神经网络的输入数据，具体包括以下步骤：

通过降噪自动编码机得到由隐含层和输入层组合而得的新输入数据矩阵y′如公式5所示：

y′＝(x,y)＝[x,s(wx′+b)] (5)

再将y′进行卷积运算、池化以及全连接。

所述按误差反向传播更新下采样层、卷积层、全连接层的参数，具体包括以下步骤：

A1、按公式(6)计算输出总误差Eⁿ

其中N为分类类别数，t为期望输出，z为实际输出；

A2、按误差反向传播更新参数，卷积层按公式(7)、(8)更新：

A3、下采样层参数按公式(9)、(10)更新：

符号ο表示每个元素相乘；

A4、全连接层参数按公式(11)更新：

在以上公式中δ^l表示灵敏度，η为特定的学习率。

本发明的优点及有益效果如下：

本发明将机器学习中的深度学习思想应用于脑电信号识别，提出将自动编码机进行降噪改进，利用DAE对原始数据进行学习，将隐含层信息作为提取到的特征输出，形成新的输入数据，再将脑电数据转化为图像类似格式，利用卷积神经网络进行分类。本发明能够很好地提取出特征信号，分类器的泛化能力强，同时作为半监督网络，简化了数据采集过程和网络训练过程。

附图说明

图1是本发明提供优选实施例结合降噪自动编码机和卷积神经网络的脑电信

号特征提取与分类流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

(1)选取三名健康男性受试者，设备上有16个电极,其中包含参考电极CMS及DRL和14个可拆卸电极，按照国际标准10-20安放。实验环境安静且无噪声干扰，采集信号过程如下：t＝0s时，实验开始，受试者保持脑部清醒且放松；t＝2s时，出现提示音，受试者根据电脑屏幕标识执行左手或右手想象任务；t＝4s时，受试者根据提示音结束本次任务，做短暂休息，准备下次实验。该设备采样频率为256Hz,采样时间为2-4s,去掉前期及后期不稳定信号，选取中间平稳的1秒信号，左右手想象任务各执行120次，即数据样本为240个，通道数为14，数据集大小为3584×240。

(2)脑电信号采集通常带有多种噪声，为了更好地进行特征提取及信号分类，本文进行了以下三个步骤的信号预处理过程：Step1:去除异样样本。以平均电位作为基准值，每个样本数据与其对比，筛除差异值较大的；Step2:去均值。为了降低运算复杂度，将每个样本幅值减去平均幅值。Step3:信号滤波；为了提高信噪比，本文采用了两种滤波形式，频率滤波和空间滤波。选择运动想象重要频带8～30Hz进行带通滤波，空间滤波采用大拉普拉斯参考。

(3)初始化自动降噪编码机网络结构，构造含有两层隐含层的自动降噪编码机，并确定节点数[m,n,o]。设置加噪a系数，原始数据x乘以a得到x′，按照编码函数，解码函数，和最小化损失函数，迭代多次，根据梯度下降法，获取降噪自动编码机的最佳参数。

(4)通过前面三个步骤将训练好的网络DAE的隐含层数据y提取出来，并加入原始输入数据，形成新矩阵{x,y},作为卷积神经网络的输入数据。

(5)初始化CNN网络各个权值w以及阈值参数。训练卷积神经网络得到输出数据。

对CNN的具体训练步骤如下：

输入层经过可学习的卷积核卷积，再通过激活函数得到C1卷积层。计算公式如(1)所示：

表示网络l层第j个神经元的激活值，f()为激活函数，

为前层第i个特征图和当前层第j个特征图的卷积核，M_j为前一层特征数据集合，B^l为偏置项。卷积运算可以加强特征信号，减弱噪声数据。

网络经过卷积后，特征图个数增加，为了避免维数过大，卷积层后加入下采样运算，在保持原有信息的基础上，有效地降低了维度，计算过程如(2)所示：

其中down()为次抽样函数。降采样通过对输入特征集

窗口滑动化分为多个n×n个小块，通过对每个块内求和、求均值等，使输出数据维度为原始的1n。

CNN模型在全连接层中，每个神经元与上层的每个神经元相连，输出通过对输入加权求和以及激活函数响应得到，运算过程如公式(3)所示：

其中f为激活函数，

为全连接的权重系数，

为偏置。

(6)按误差反向传播更新参数，更新卷积层、下采样层、全连接层参数。

(7)当误差满足一定的精度要求，保存权值和阈值，网络训练完成，反之继续迭代调整权值和阈值量，直至达到误差精度要求。

(8)输入测试数据，利用上述步骤训练好的网络模型进行测试，得到分类准确率。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (7)

1.一种结合DAE和CNN的脑电信号特征提取与分类方法，其特征在于，包括以下步骤：

1)、通过脑电信号采集仪采集脑电数据；2)、对采集到的数据进行包括去除异样样本、去均值、信号滤波在内的预处理；3)、使用加入噪声系数的降噪自动编码机DAE对经过步骤2)预处理后的脑电信号进行无监督训练；4)、将降噪自动编码机DAE的隐含层的数据提取出来并加入步骤1)的原始脑电数据，形成新矩阵，将得到的新矩阵数据转化为图像数据格式作为卷积神经网络的输入数据；5)、利用卷积神经网络CNN进行训练分类；最后利用测试数据集对训练好的网络进行性能测试，输入测试数据集，将输出值与左右手标签对比，得到运动想象脑电信号的分类准确率；

所述步骤4)将训练好的降噪自动编码机的隐含层数据y提取出来，并加入原始输入数据，形成新矩阵，再将脑电信号数据转化为图像数据格式，作为卷积神经网络的输入数据；训练过程中初始化卷积神经网络各参数后，按照前向传播公式得到输出数据；按误差反向传播更新下采样层、卷积层、全连接层的参数；当误差满足一定的精度要求，保存权值和阈值，网络训练完成，反之继续迭代调整权值和阈值量，直至达到误差精度要求。

2.根据权利要求1所述的脑电信号特征提取与分类方法，其特征在于，所述步骤1)通过脑电信号采集仪采集脑电数据具体包括步骤：

对被采集对象，采集设备采用Emotiv+采集仪，电极根据国际10-20标准安放，采样频率为256Hz，采样通道选取14个即去除两个参考电极，采样时间为2-4s，去掉前期及后期不稳定信号，选取中间平稳的1秒信号，左右手想象任务各执行120次，将采集到的信号组成数据集，将数据集按照数据量大小3:1划分为训练集、测试集。

3.根据权利要求1或2所述的脑电信号特征提取与分类方法，其特征在于，所述步骤2)进行数据预处理包括步骤：首先进行去除异样样本，以平均电位作为基准值，每个样本数据与其对比，筛除差异值较大的；再进行信号数据去均值，将每个样本幅值减去平均幅值；最后进行信号滤波，采用两种滤波形式，频率滤波和空间滤波，即选择运动想象重要频带8～30Hz进行带通滤波，空间滤波采用大拉普拉斯参考。

4.根据权利要求3所述的脑电信号特征提取与分类方法，其特征在于，所述步骤3)将经过步骤2)预处理的脑电数据作为降噪自动编码机的输入，初始化自动降噪编码机的网络结构，构造含有两层隐含层的自动降噪编码机，并确定节点数[m,n,o]；再设置加噪a系数，原始数据数据向量x乘以a得到x′，按照编码公式y＝f_θ(x′)＝s(Wx′+b)得到第一层隐含层的输出，再将第一层隐含层的输出重复此步骤，得到隐含层的输出；再按解码公式z＝g_θ(y)＝s(W′y+b′)得到网络输出，网络多次迭代训练，最小化损失函数来取得最佳参数，此时参数{w,b}按梯度下降法更新。

5.根据权利要求4所述的脑电信号特征提取与分类方法，其特征在于，利用最小化损失函数来获得最佳参数，具体包括以下步骤：

A1、令权值参数θ＝{W,b}，θ′＝{W′,b′}，DAE的损失函数如公式1：

采用损失函数最小化来优化参数，即优化函数如公式2：

f_θ(x_i)表示编码函数，g_θ′表示解码函数求导，x_i表示输入矩阵，θ^*′表示加噪后权值参数，θ^*表示原权值参数；

A2、训练过程中参数{w,b}按梯度下降法更新，流程如下：求出Δw＝Δw+▽_wL(x,z)Δb＝Δb+▽_bL(x,z)设置学习率ε大小，参数{w,b}按公式3、4更新；

b表示偏置。

6.根据权利要求1所述的脑电信号特征提取与分类方法，其特征在于，步步骤4)中的降噪自动编码机的隐含层数据y提取出来，并加入原始输入数据，形成新矩阵{x,y},作为卷积神经网络的输入数据，具体包括以下步骤：

通过降噪自动编码机得到由隐含层和输入层组合而得的新输入数据矩阵y′如公式5所示：

y′＝(x,y)＝[x,s(wx′+b)] (5)

再将y′进行卷积运算、池化以及全连接。

7.根据权利要求6所述的脑电信号特征提取与分类方法，其特征在于，

所述按误差反向传播更新下采样层、卷积层、全连接层的参数，具体包括以下步骤：

A1、按公式(6)计算输出总误差Eⁿ

其中N为分类类别数，t为期望输出，z为实际输出；

A2、按误差反向传播更新参数，卷积层按公式(7)、(8)更新：

A3、下采样层参数按公式(9)、(10)更新：

符号ο表示每个元素相乘；

A4、全连接层参数按公式(11)更新：

在以上公式中δ^l表示灵敏度，η为特定的学习率。

Images