CN112890827B - 一种基于图卷积和门控循环单元的脑电识别方法及*** - Google Patents
一种基于图卷积和门控循环单元的脑电识别方法及*** Download PDFInfo
- Publication number
- CN112890827B CN112890827B CN202110048818.0A CN202110048818A CN112890827B CN 112890827 B CN112890827 B CN 112890827B CN 202110048818 A CN202110048818 A CN 202110048818A CN 112890827 B CN112890827 B CN 112890827B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- data
- matrix
- electroencephalogram data
- electro
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012880 independent component analysis Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000002087 whitening effect Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims 2
- 238000003379 elimination reaction Methods 0.000 claims 2
- 230000033001 locomotion Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000002156 mixing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003447 ipsilateral effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出一种基于图卷积和门控循环单元的脑电识别方法及***，包括：获取脑电数据，并对所述脑电数据进行预处理，其中所述预处理包括：滤波、基准校正、去均值、剔除眼电图伪迹，归一化；将经过预处理的脑电数据输入多个图卷积网络相对独立地进行特征提取，并将各图卷积网络提取的特征堆叠成特征矩阵输入门控循环单元进行分类识别，输出识别结果；本发明可有效提高脑电信号的识别率。
Description
技术领域
本发明涉及智慧生物医疗领域，尤其涉及一种基于图卷积和门控循环单元的脑电识别方法及***。
背景技术
脑-机接口技术(BCI)是一种能通过人脑实现直接与计算机或其它电子设备进行交流的人机交互技术。BCI在神经康复、生物医学和智能机器人等领域具有重要的研究意义和巨大的发展潜力。BCI可以通过诱导活动依赖的大脑可塑性来恢复正常的大脑功能，实现癫痫的诊断、用大脑直接控制机器人、人工假肢等。为残疾人恢复正常的活动功能提供了可能。
BCI的核心是脑电信号(EEG)的识别。EEG一般可分为：视觉诱发电位(VEP)、事件相关电位(ERP)、皮层慢电位(SCP)、时间相关同步电位(ERS)与去同步电位等(ERD)。在对EEG的识别中一般对其中某一类做具体的分类识别以实现诊断或者控制，也有多种类型EEG结合实现更多样的控制。
ERS与ERD是由单边肢体运动或想象单边肢体运动产生的，在同侧的脑区会产生ERS，在另一侧产生ERD。本发明介绍的结合图卷积网络(GCN)与门控循环单元(GRU)的脑电识别方法便是基于ERS与ERD的分类识别方法。
EEG的识别主要包括数据预处理、特征提取、分类三个环节。数据预处理包括选择有用通道、基线校准、重参考、滤波、去除伪迹、归一化等，主要为了更好的提取有用特征以及去除眼电干扰。传统的EEG特征提取主要包括时域方法、频域方法和时频方法三类。频域方法中常用的有功率谱估计，把EEG转化为功率与频率的对应关系，例如AR模型；时域方法常见的有方差分析、波形识别和峰值检测等；时频方法中有小波变换等。早期EEG分类方法有线性分类器：如线性判别分析、支持向量机，人工神经网络：如多层感知机，非线性贝叶斯分类：贝叶斯二次分类，最近邻分类器：K近邻算法和马氏距离等。这些早期的分类方法都很难在对低信噪比、非稳态和高随机性的EEG分类有好的表现。随着近年来深度学习的快速发展，深度学习算法的应用领域的不断扩大，越来越多的人将深度学习算法应用到BCI领域，并且由于深度学习算法对非线性数据强大的处理能力，使其在BCI领域也有较好的表现。
传统的特征提取方法在提取EEG特征过程中往往提取的是一些人们能理解的特征(例如：均值、方差、幅值等)，一些接近EEG本质的特征反而被遗弃。普通的深度学习算法虽然没有这个问题，但也不能有效的提取出脑电信号的本质特征，导致分类准确率不高。并且无论是传统的EEG识别方法还是训练的神经网络分类器，在检测到幅值数倍于EEG的眼电(EOG)时，都会受到极大的扰动，导致分类结果不准确。
发明内容
鉴于以上现有技术存在的问题，本发明提出一种基于图卷积和门控循环单元的脑电识别方法及***，主要解决现有技术针对脑电信号识别率不高的问题。
为了实现上述目的及其他目的，本发明采用的技术方案如下。
一种基于图卷积和门控循环单元的脑电识别方法，包括：
获取脑电数据，并对所述脑电数据进行预处理，其中所述预处理包括：滤波、基准校正、去均值、剔除眼电图伪迹，归一化；
将经过预处理的脑电数据输入多个图卷积网络相对独立地进行特征提取，并将各图卷积网络提取的特征堆叠成特征矩阵输入门控循环单元进行分类识别，输出识别结果。
可选地，所述剔除眼电图伪迹，包括：
对脑电数据进行多次小波包分解，得到所述脑电数据的多阶高频分量和低频分量；
根据眼电图的信号频段筛选出对应频段的高频分量和低频分量，并基于筛选出的分量重构眼电图信号；
将所述重构眼电信号与所述脑电数据作为独立成分分析算法的输入，获取所述脑电数据中的独立分量，从所述脑电数据中减去所述独立分量。
可选地，获取所述脑电数据中的独立分量的步骤包括：
对输入独立成分分析算法的的数据进行预处理，得到观测矩阵，其中预处理包括中心化、白化；
初始化混合矩阵，通过所述混合矩阵计算初始独立分量，更新所述混合矩阵进行多次迭代，比较各次迭代得到的独立分量，选出各独立分量中各向量非高斯性最大的矩阵作为最终输出的独立分量估计。
可选地，将提出眼电图伪迹的脑电数据归一化到[-1，1]区间，并对数据进行标注后划分为训练集和测试集。
可选地，所述归一化计算方式表示为：
其中，X表示归一化前的数据，Xmin，Xmax分别表示X所在通道数据最小值和最大值，X'表示归一化后的数据。
可选地，每个图卷积网络进行特征提取的步骤包括：
根据输入的脑电数据创建图数据，一个通道的脑电数据对应所述图数据中的一个节点，并以节点之间的相关性构建连接各节点的边，进而得到邻接矩阵；
根据所述邻接矩阵生成拉普拉斯矩阵，根据所述拉普拉斯矩阵聚合相邻节点同维度特征，并对聚合后的特征做非线性变换，获取脑电数据的特征。
可选地，节点间相关性计算方式表示为：
其中，X和Y分别表示不同通道的脑电数据，k表示单通道序列长度，N为单通道补零后序列长度。
可选地，图卷积网络特征提取过程表示为：
Hi+1＝leaky_relu(LHiWG)
其中，Hi表示第i层的特征矩阵，WG表示非线性变换权重矩阵，L为拉普拉斯矩阵，leaky_relu为带泄漏的relu激活函数。
可选地，构建门控循环单元的损失函数进行网络训练，损失函数表示为：
其中，
为数据标签，y为网络输出。
一种基于图卷积和门控循环单元的脑电识别***，包括：
脑电数据处理模块，用于获取脑电数据，并对所述脑电数据进行预处理，其中所述预处理包括：滤波、基准校正、去均值、剔除眼电图伪迹，归一化；
脑电识别模块，用于将经过预处理的脑电数据输入多个图卷积网络相对独立地进行特征提取，并将各图卷积网络提取的特征堆叠成特征矩阵输入门控循环单元进行分类识别，输出识别结果。
如上所述，本发明一种基于图卷积和门控循环单元的脑电识别方法及***，具有以下有益效果。
准确有效地提出眼电图，极大地降低了眼电图对脑电信号分类的影响；通过构建的图卷积和门控循环的结合可有效提高脑电识别的准确率。
附图说明
图1为本发明一实施例中基于图卷积和门控循环单元的脑电识别方法的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，本发明提供一种基于图卷积和门控循环单元的脑电识别方法，包括以下步骤。
步骤S01，采集脑电数据。脑电信号数据采集，可使用32通道的Emotiv脑电采集仪，根据国际标准电极法安放电极，参考电极CMS和DRL选择在顶额位置安放，采样频率为128HZ，采集到的脑电信号通过无线传输到计算机中。被采集者根据指示休息一定时间，然后保持安静状态两秒作为基线校准数据，之后再不停的想象左手(右手)运动，同一个动作持续12秒，休息之后继续采集，采集左右手想象各一半。
步骤S02，数据预处理。脑电采集设备采集到的脑电信号往往伴随着各种噪声以及直流干扰，且由于ERD和ERS表现的α(8-13HZ)和β(13-30HZ)节律，所以先对脑电信号进行8-30HZ的带通滤波，带通滤波器可使用scipy库中的signal模块设计一个六阶的Butterworth带通滤波器。同时，由于脑电信号的采集过程中，幅值和波形往往会随着时间有较大的变化，且有电位偏移现象产生，所以对采集到的数据做基准校正，用每次采集的数据减去前一段校正时间内EEG的均值。同时由于眨眼或者眼动产生的眼电图(EOG)伪迹的幅值高达EEG的数倍，会对模型的训练和测试产生极大的干扰，所以采用WTICA剔除EOG伪迹。
WTICA去伪流程为：
利用小波包分解不断分解信号高频和低频的能力分解脑电信号：
令A和D分别表示一次分解后的低频和高频信号，S表示初始信号，则S可表示为式(1)：
其中AA表示一次分解中低频部分二次分解的低频部分，AD表示一次分解中低频部分二次分解的高频部分，DA，DD等依次类推。
根据所要提取的EOG信号频段(0-10HZ)，选择相应频带对应的小波包分解系数进行重构。
进一步地，将重构的信号和各通道原始信号作为ICA(独立成分分析)的输入。由小波包分解重构的EOG信号并不准确，所以我们可以把重构后的信号作为混合下的EOG观测信号，再和原通道数据组合作为ICA的输入：观测矩阵X。则X可表示为：
X＝AS
其中，A为混合矩阵，S为混合信号中的独立分量。
ICA目的就是找到混合矩阵A。设W＝A-1，在X＝AS两边同时左乘W，则WX＝WAS＝S，便能解出S。
ICA步骤为：首先对输入数据进行中心化和白化预处理。中心化是将数据中的每个独立值减去一个数使得数据各维度的中心都移到零，中心化相当于对数据进行平移的过程，平移过后所有数据的中心为0。白化是将数据的方差映射到一个特定的范围，首先求出数据在特定范围内的新坐标，再对新坐标的方差进行归一化，经过白化后的数据之间特征相关性较低，且特征具有相同的方差，可有效去除数据中的冗余信息。
然后随机初始化混合矩阵W。由于S＝WX，通过更新W矩阵，经过多次迭代后，得到对应的多个S矩阵，计算S矩阵各向量的非高斯性，找出非高斯性最大的矩阵从而得出独立分量估计S。如可计算各向量中元素相对向量的均值/协方差的偏差统计，进而判断向量的非高斯性。
从S中提取出EOG信号之后用各通道原始信号减去EOG伪迹，即得出EEG真迹。
最后考虑到EEG具有正负极性，若将数据归一到[0,1]，会丢失掉大量存在于EEG负值区中的重要信息，所以使用式(2)将EEG数据归一化到[-1,1]区间，然后标记数据标签并划分训练集和测试集。标记标签时想象左手运动标记为0，想象右手运动标记为1。
其中，X表示归一化前的数据，Xmin，Xmax分别表示X所在通道数据最小值和最大值，X'表示归一化后的数据。
步骤S03：使用GCN提取EEG特征。使用图卷积网络GCN提取EEG特征过程如下：
由EEG信号创建图数据。一张图包含了节点N和边E，每个节点包含自己的特征，边表示了节点与节点之间的关系。用矩阵H表示每个节点与他们包含的所有特征(H∈Rn*m,n为节点数，m为每个节点所含特征数)，用邻接矩阵A表示节点与节点之间的关系(A∈Rn*n)。可将每个通道作为一个节点，每个通道所含的信号作为该节点特征建立特征矩阵H，然后根据互相关判断公式(3)计算相关系数rc k，设定阈值，当rck大于阈值表示两节点相关，边为1，否则边为0，依此建立邻接矩阵A。
其中，X和Y分别表示不同通道的脑电数据，k表示单通道序列长度，N为单通道补零后序列长度。
由邻接矩阵A生成拉普拉斯矩阵L。首先为了避免A的自身特征的损失，令
I为单位矩阵。避免在矩阵相乘中改变特征本来的分布，把
归一化生成拉普拉斯矩阵
其中
为对角矩阵，
GCN前向传播提取特征。GCN的特征提取过程可有下式表示：
Hi+1＝leaky_relu(LHiWG)(4)
其中Hi表示第i层的特征矩阵，WG表示非线性变换权重矩阵。
上式的提取过程可以看成两个步骤：
1.聚合相邻节点同维度特征
2.对聚合特征做非线性变换
leaky_relu为带泄漏的relu激活函数。
步骤S04，将多个GCN提取的特征堆叠后输入GRU分类识别。
使用多个GCN提取EEG特征组合，并把提取出的特征堆叠成矩阵。一个GCN提取后的特征矩阵(Hout∈Rn*n_f，n为通道数，n_f为单通道提取的特征数)，a个GCN提取后水平堆叠之后的特征矩阵(X∈Rn*m,m＝a*n_f)。将X作为门控循环单元GRU的输入，GRU传播过程如下所示：
rt＝σ(Wr·[ht-1,xt])(5)
zt＝σ(WZ·[ht-1，xt])(6)
y＝σ(Woht＝m)(9)
式中，rt，zt，
ht分别表示t时刻的重置门，更新门，候选集，状态。y为最后输出。更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，重置门控制前一个状态写入到当前候选集的多少。
模型训练过程如下：
将步骤S02预处理后的数据送GCN做特征提取，将每个GCN提取出的特征水平堆叠之后传入GRU，GRU输出分类结果，由于是二分类，输出层节点数可取1。损失函数取交叉熵损失函数
为数据标签。
此模型中需要训练的参数有Wo，Wh，Wz，Wr，WG。
各参数梯度为：
参数更新根据梯度可采用Adam优化器更新。
步骤S05，测试集验证网络性能。将步骤2中的EEG测试集数据输入到训练好GCN-GRN网络做特征提取与分类，如果输出y>＝0.5,则预测为右手想象运动，反之则为左手想象运动，计算出左右手想象运动分类的准确率。
本实施例中还提供了一种基于图卷积和门控循环单元的脑电识别***，用于执行前述方法实施例中所述的基于图卷积和门控循环单元的脑电识别方法。由于***实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。
在一实施例中，一种基于图卷积和门控循环单元的脑电识别***，包括：
脑电数据处理模块，用于获取脑电数据，并对所述脑电数据进行预处理，其中所述预处理包括：滤波、基准校正、去均值、剔除眼电图伪迹，归一化；
脑电识别模块，用于将经过预处理的脑电数据输入多个图卷积网络相对独立地进行特征提取，并将各图卷积网络提取的特征堆叠成特征矩阵输入门控循环单元进行分类识别，输出识别结果。
综上所述，本发明一种基于图卷积和门控循环单元的脑电识别方法及***，选用WTICA的方法剔除EOG伪迹，选用GCN与GRU结合做特征提取与分类，大大降低EOG对分类器的影响，解决了EEG信号中EOG难以实时处理的问题；利用了GCN强大的图数据处理能力，选用多个GCN提取脑电特征，充分提取了EEG的有用信息，选用GRU作为特征分类器，一定程度上避免了梯度消失，保证了不同GCN提取的特征信息具有同等效力；结合GCN和GRU的模型能有效提高脑电信号的识别准确率。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种基于图卷积和门控循环单元的脑电识别方法，其特征在于，包括：
获取脑电数据，并对所述脑电数据进行预处理，其中所述预处理包括：滤波、基准校正、去均值、剔除眼电图伪迹，归一化；所述剔除眼电图伪迹，包括：对脑电数据进行多次小波包分解，得到所述脑电数据的多阶高频分量和低频分量；根据眼电图的信号频段筛选出对应频段的高频分量和低频分量，并基于筛选出的分量重构眼电图信号；将所述重构眼电图信号与所述脑电数据作为独立成分分析算法的输入，获取所述脑电数据中的独立分量，从所述脑电数据中减去所述独立分量；其中，获取所述脑电数据中的独立分量的步骤包括：对输入独立成分分析算法的的数据进行预处理，得到观测矩阵，其中预处理包括中心化、白化；初始化混合矩阵，通过所述混合矩阵计算初始独立分量，更新所述混合矩阵进行多次迭代，比较各次迭代得到的独立分量，选出各独立分量中各向量非高斯性最大的矩阵作为最终输出的独立分量估计；
将经过预处理的脑电数据输入多个图卷积网络分别进行特征提取，包括：根据输入的脑电数据创建图数据，一个通道的脑电数据对应所述图数据中的一个节点，并以节点之间的相关性构建连接各节点的边，进而得到邻接矩阵；根据所述邻接矩阵生成拉普拉斯矩阵，根据所述拉普拉斯矩阵聚合相邻节点同维度特征，并对聚合后的特征做非线性变换，获取脑电数据的特征；并将各图卷积网络提取的特征堆叠成特征矩阵输入门控循环单元进行分类识别，输出识别结果。
2.根据权利要求1所述的基于图卷积和门控循环单元的脑电识别方法，其特征在于，获取所述脑电数据中的独立分量的步骤包括：
对输入独立成分分析算法的的数据进行预处理，得到观测矩阵，其中预处理包括中心化、白化；
初始化混合矩阵，通过所述混合矩阵计算初始独立分量，更新所述混合矩阵进行多次迭代，比较各次迭代得到的独立分量，选出各独立分量中各向量非高斯性最大的矩阵作为最终输出的独立分量估计。
3.根据权利要求1所述的基于图卷积和门控循环单元的脑电识别方法，其特征在于，将剔除眼电图伪迹的脑电数据归一化到[-1,1]区间，并对数据进行标注后划分为训练集和测试集。
4.根据权利要求3所述的基于图卷积和门控循环单元的脑电识别方法，其特征在于，所述归一化计算方式表示为：
其中，X表示归一化前的数据，Xmin，Xmax分别表示X所在通道数据最小值和最大值，X'表示归一化后的数据。
5.根据权利要求1所述的基于图卷积和门控循环单元的脑电识别方法，其特征在于，节点间相关性计算方式表示为：
其中，X和Y分别表示不同通道的脑电数据，k表示单通道序列长度，N为单通道补零后序列长度。
6.根据权利要求1所述的基于图卷积和门控循环单元的脑电识别方法，其特征在于，图卷积网络特征提取过程表示为：
Hi+1＝leaky_relu(LHiWG)
其中，Hi表示第i层的特征矩阵，WG表示非线性变换权重矩阵，L为拉普拉斯矩阵，leaky_relu为带泄漏的relu激活函数。
7.根据权利要求1所述的基于图卷积和门控循环单元的脑电识别方法，其特征在于，构建门控循环单元的损失函数进行网络训练，损失函数表示为：
其中，
为数据标签，y为网络输出。
8.一种基于图卷积和门控循环单元的脑电识别***，其特征在于，包括：
脑电数据处理模块，用于获取脑电数据，并对所述脑电数据进行预处理，其中所述预处理包括：滤波、基准校正、去均值、剔除眼电图伪迹，归一化；所述剔除眼电图伪迹，包括：对脑电数据进行多次小波包分解，得到所述脑电数据的多阶高频分量和低频分量；根据眼电图的信号频段筛选出对应频段的高频分量和低频分量，并基于筛选出的分量重构眼电图信号；将所述重构眼电图信号与所述脑电数据作为独立成分分析算法的输入，获取所述脑电数据中的独立分量，从所述脑电数据中减去所述独立分量；
脑电识别模块，用于将经过预处理的脑电数据输入多个图卷积网络分别进行特征提取，包括：根据输入的脑电数据创建图数据，一个通道的脑电数据对应所述图数据中的一个节点，并以节点之间的相关性构建连接各节点的边，进而得到邻接矩阵；根据所述邻接矩阵生成拉普拉斯矩阵，根据所述拉普拉斯矩阵聚合相邻节点同维度特征，并对聚合后的特征做非线性变换，获取脑电数据的特征；并
将各图卷积网络提取的特征堆叠成特征矩阵输入门控循环单元进行分类识别，输出识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110048818.0A CN112890827B (zh) | 2021-01-14 | 2021-01-14 | 一种基于图卷积和门控循环单元的脑电识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110048818.0A CN112890827B (zh) | 2021-01-14 | 2021-01-14 | 一种基于图卷积和门控循环单元的脑电识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112890827A CN112890827A (zh) | 2021-06-04 |
| CN112890827B true CN112890827B (zh) | 2022-09-20 |
Family
ID=76113094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110048818.0A Active CN112890827B (zh) | 2021-01-14 | 2021-01-14 | 一种基于图卷积和门控循环单元的脑电识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112890827B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113476056B (zh) * | 2021-06-25 | 2024-03-15 | 西北工业大学 | 一种基于频域图卷积神经网络的运动想象脑电信号分类方法 |
| CN114969934B (zh) * | 2022-05-31 | 2023-09-05 | 湖南工商大学 | 一种斜拉索损伤程度识别方法及模型构建方法 |
| CN115251845B (zh) * | 2022-07-28 | 2024-05-03 | 纽锐思(苏州)医疗科技有限公司 | 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法 |
| CN115116607B (zh) * | 2022-08-30 | 2022-12-13 | 之江实验室 | 一种基于静息态磁共振迁移学习的脑疾病预测*** |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
| CN109820525A (zh) * | 2019-01-23 | 2019-05-31 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
| WO2020248008A1 (en) * | 2019-06-14 | 2020-12-17 | The University Of Adelaide | A method and system for classifying sleep related brain activity |
| CN110399857B (zh) * | 2019-08-01 | 2023-05-23 | 西安邮电大学 | 一种基于图卷积神经网络的脑电情感识别方法 |
| CN111544256A (zh) * | 2020-04-30 | 2020-08-18 | 天津大学 | 基于图卷积和迁移学习的脑控智能全肢体康复方法 |
| CN111657935B (zh) * | 2020-05-11 | 2021-10-01 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别***、终端及存储介质 |
| CN111950455B (zh) * | 2020-08-12 | 2022-03-22 | 重庆邮电大学 | 一种基于lffcnn-gru算法模型的运动想象脑电信号特征识别方法 |
-
2021
- 2021-01-14 CN CN202110048818.0A patent/CN112890827B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112890827A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112890827B (zh) | 一种基于图卷积和门控循环单元的脑电识别方法及*** | |
| Yang et al. | Automatic recognition of arrhythmia based on principal component analysis network and linear support vector machine | |
| Mullen et al. | Real-time neuroimaging and cognitive monitoring using wearable dry EEG | |
| Luo et al. | Dynamic frequency feature selection based approach for classification of motor imageries | |
| Zhou et al. | Removal of EMG and ECG artifacts from EEG based on wavelet transform and ICA | |
| Bentlemsan et al. | Random forest and filter bank common spatial patterns for EEG-based motor imagery classification | |
| Chatterjee et al. | Ensemble learning approach to motor imagery EEG signal classification | |
| Bascil et al. | Spectral feature extraction of EEG signals and pattern recognition during mental tasks of 2-D cursor movements for BCI using SVM and ANN | |
| Darvishi et al. | Brain-computer interface analysis using continuous wavelet transform and adaptive neuro-fuzzy classifier | |
| CN110175510B (zh) | 基于脑功能网络特征的多模式运动想象识别方法 | |
| Serdar Bascil et al. | Multi-channel EEG signal feature extraction and pattern recognition on horizontal mental imagination task of 1-D cursor movement for brain computer interface | |
| Noorbasha et al. | Removal of EOG artifacts from single channel EEG–an efficient model combining overlap segmented ASSA and ANC | |
| CN111310656A (zh) | 基于多线性主成分分析的单次运动想象脑电信号识别方法 | |
| Sheoran et al. | Methods of denoising of electroencephalogram signal: A review | |
| Abolghasemi et al. | EEG–fMRI: dictionary learning for removal of ballistocardiogram artifact from EEG | |
| Mathe et al. | Intelligent approach for artifacts removal from EEG signal using heuristic-based convolutional neural network | |
| Geng et al. | [Retracted] A Fusion Algorithm for EEG Signal Processing Based on Motor Imagery Brain‐Computer Interface | |
| Ghonchi et al. | Spatio-temporal deep learning for EEG-fNIRS brain computer interface | |
| Zou et al. | A supervised independent component analysis algorithm for motion imagery-based brain computer interface | |
| Assi et al. | Kmeans-ICA based automatic method for ocular artifacts removal in a motorimagery classification | |
| Loza et al. | Transient model of EEG using Gini Index-based matching pursuit | |
| Górecka et al. | Artifacts extraction from EEG data using the infomax approach | |
| Guo et al. | EEG signal analysis based on fixed-value shift compression algorithm | |
| Patidar et al. | A hybrid algorithm for artifact rejection in EEG recordings based on iterative ICA and fuzzy clustering | |
| Oveisi | EEG signal classification using nonlinear independent component analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |