CN113842152B - 脑电信号分类网络训练方法、分类方法、设备及存储介质 - Google Patents
脑电信号分类网络训练方法、分类方法、设备及存储介质 Download PDFInfo
- Publication number
- CN113842152B CN113842152B CN202111145529.9A CN202111145529A CN113842152B CN 113842152 B CN113842152 B CN 113842152B CN 202111145529 A CN202111145529 A CN 202111145529A CN 113842152 B CN113842152 B CN 113842152B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- data
- classification
- information
- signal
- 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
- 238000012549 training Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000009826 distribution Methods 0.000 claims abstract description 204
- 230000006870 function Effects 0.000 claims description 25
- 210000004556 brain Anatomy 0.000 claims description 23
- 230000008569 process Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000000763 evoking effect Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000008929 regeneration Effects 0.000 description 3
- 238000011069 regeneration method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000537 electroencephalography Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 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
- 230000007177 brain activity Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Veterinary Medicine (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种脑电信号分类网络训练方法、分类方法、设备及存储介质,属于计算机技术领域,该方法包括:获取训练数据;将第一脑电样本信号和第二脑电样本信号输入预先创建的初始网络模型,得到脑电样本信号的分类预测信息和数据特征;基于数据特征、第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,获取源数据与目标数据的时间分布差异;获取源数据与目标数据的类别分布差异;基于第一分类预测信息、分类信息、时间分布差异和类别分布差异对初始网络模型进行迭代训练,得到脑电信号分类网络;可以解决现有的脑电信号分类网络训练方法训练得到的脑电信号分类网络对于时变性很强的脑电信号分类不准确的问题。
Description
【技术领域】
本申请涉及一种脑电信号分类网络训练方法、分类方法、设备及存储介质,属于计算机技术领域。
【背景技术】
对脑电信号的分析可以为我们带来许多关于大脑活动的知识,脑电图具有非侵入性和方便的优点,因此,它已被学术界和工业界广泛采用。脑电图可用于评估睡眠质量;也可以用于测试注意力集中度;此外,它还是精神***症和癫痫等疾病诊断的有用工具。
传统的脑电信号识别任务包括稳态视觉诱发电位分类、P300诱发电位分类、运动想象脑电信号识别分类、错误相关电位识别和情绪识别。对于脑电应用,我们可以使用脑电数据的分类作为控制外部***的命令。
然而,现有的脑电信号分类网络训练方法,在训练脑电分类网络的过程中只关注了不同对象的脑电信号的整体分布差异,以及不同类别下脑电信号的分布差异,没有考虑到时间因素对脑电信号的影响,而导致训练得到的脑电信号分类网络对于时变性很强的脑电信号分类不准确的问题。
【发明内容】
本申请提供了脑电信号分类网络训练方法、装置、设备及存储介质,可以解决现有的脑电信号分类网络训练方法,在训练脑电分类网络的过程中只关注了不同对象的脑电信号的整体分布差异,以及不同类别下脑电信号的分布差异,没有考虑到时间因素对脑电信号的影响,而导致训练得到的脑电信号分类网络对于时变性很强的脑电信号分类不准确的问题。本申请提供如下技术方案:
第一方面,提供一种脑电信号分类网络训练方法,所述方法包括:
获取训练数据;所述训练数据包括源数据和目标数据;所述源数据包括至少一组第一脑电样本信号和所述第一脑电样本信号对应的第一标签;所述第一标签包括所述第一脑电样本信号的采集时间信息和分类信息;所述目标数据包括至少一组第二脑电样本信号和所述第二脑电样本信号对应的第二标签;所述第二标签包括所述第二脑电样本信号的采集时间信息;
将所述第一脑电样本信号和所述第二脑电样本信号输入预先创建的初始网络模型,得到脑电样本信号的分类预测信息和数据特征;所述分类预测信息包括所述第一脑电样本信号的第一分类预测信息和所述第二脑电样本信号的第二分类预测信息;所述数据特征包括所述第一脑电样本信号的第一数据特征和所述第二脑电样本信号的第二数据特征;
基于所述数据特征、所述第一脑电样本信号的采集时间信息和所述第二脑电样本信号的采集时间信息,获取所述源数据与所述目标数据的时间分布差异;
基于所述数据特征、所述第二分类预测信息和所述分类信息,获取所述源数据与所述目标数据的类别分布差异;
基于所述第一分类预测信息、所述分类信息、所述时间分布差异和所述类别分布差异对所述初始网络模型进行迭代训练,得到所述脑电信号分类网络。
可选地,所述基于所述数据特征、所述第一脑电样本信号的采集时间信息和所述第二脑电样本信号的采集时间信息,获取所述源数据与所述目标数据的时间分布差异,包括:
基于所述第一脑电样本信号的采集时间信息和所述第二脑电样本信号的采集时间信息,计算不同预设时间段的权重;
基于所述不同预设时间段的权重,计算所述第一数据特征与所述第二数据特征之间的最大均值差异,得到所述时间分布差异。
可选地,所述基于所述第一脑电样本信号的采集时间信息和所述第二脑电样本信号的采集时间信息,计算不同预设时间段的权重,包括:
确定采集时间在各个预设时间段内的第一脑电样本信号的第一样本数量;
对于每个预设时间段,将所述预设时间段内的第一样本数量与所述源数据中第一脑电样本信号的总样本数量的比值,确定为所述预设时间段的第一权重;
确定采集时间在所述各个预设时间段内的第二脑电样本信号的第二样本数量;
对于每个预设时间段,将所述预设时间段内的第二样本数量与所述目标数据中第二脑电样本信号的总样本数量的比值,确定为所述预设时间段的第二权重。
可选地,所述基于所述不同预设时间段的权重,计算所述第一数据特征与所述第二数据特征之间的最大均值差异,得到所述时间分布差异,通过下式表示:
其中,为所述时间分布差异;/>为所述源数据在不同预设时间段的分布;/>为所述目标数据在不同预设时间段的分布;/>表示再生核希尔伯特空间;T为所述预设时间段的数量;τ表示第τ个所述预设时间段;ns为所述源数据中第一脑电样本信号的数量;nt为所述目标数据中第二脑电样本信号的数量;/>和/>为第τ个预设时间段的第一权重;/>和/>为第τ个预设时间段的第二权重;xsi为所述源数据中第i组第一脑电样本信号对应的第一数据特征;xsj为所述源数据中第j组第一脑电样本信号对应的第一数据特征;xti为所述目标数据中第i组第二脑电样本信号对应的第二数据特征;xtj为所述目标数据中第j组第二脑电样本信号对应的第二数据特征;k(·,·)为核函数。
可选地,所述基于所述数据特征、所述第二分类预测信息和所述分类信息,获取所述源数据与所述目标数据的类别分布差异,包括:
基于第二分类预测信息和分类信息,计算不同预设类别的权重;
基于不同预设类别的权重,计算第一数据特征与第二数据特征之间的最大均值差异,得到类别分布差异。
可选地,所述基于所述第一分类预测信息、所述分类信息、所述时间分布差异和所述类别分布差异对所述初始网络模型进行迭代训练,得到所述脑电信号分类网络,包括:
将所述第一分类预测信息和所述分类信息输入分类损失函数,得到分类损失项;
计算所述时间分布差异的期望值,得到时间差异损失项;
计算所述类别分布差异的期望值,得到类别差异损失项;
基于所述分类损失项、所述时间差异损失项和所述类别差异损失项计算网络模型的总损失值;
基于所述总损失值迭代更新所述初始网络模型的模型参数,以使所述总损失值最小,得到所述脑电信号分类网络。
可选地,所述基于所述分类损失项、所述时间差异损失项和所述类别差异损失项计算网络模型的总损失值,通过下式表示:
其中,L为所述总损失值;ns为所述源数据中第一脑样本信号的数量;J(f(xsi),ysi)为所述源数据中第i组第一脑电样本信号对应的分类损失项;f(xsi)为所述源数据中第i组第一脑电样本信号对应的第一分类预测信息;ysi所述源数据中第i组第一脑电样本信号的采集时间信息;λ<c>为所述类别差异损失项的缩放因子,为预设常数;λ<τ>为所述时间差异损失项的缩放因子,为预设常数;为所述类别差异损失项;为所述时间差异损失项;/>为所述类别分布差异;为所述时间分布差异;/>为所述源数据在不同类别的分布;/>为所述目标数据在不同类别的分布;/>为所述源数据在不同时间段的分布;/>为所述目标数据在时不同时间段的分布。
第二方面,提供一种脑电信号分类方法,所述方法包括:
获取至少一组目标脑电信号;
将所述目标脑电信号输入预先训练的脑电信号分类网络,得到所述目标脑电信号对应的分类预测信息;
其中,所述脑电分类网络是使用第一分类预测信息、分类信息和时间分布差异和类别分布差异对初始网络模型进行迭代训练得到的;所述第一分类预测信息是将第一脑电样本信号输入所述初始网络得到的;所述分类信息是所述第一脑电样本信号对应的分类信息;所述时间分布差异是基于数据特征、所述第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,获取的源数据与目标数据之间的分布差异;所述源数据包括至少一组所述第一脑电样本信号和所述第一脑电样本信号对应的第一标签;所述第一标签包括所述第一脑电样本信号的采集时间信息和所述分类信息;所述目标数据包括至少一组所述第二脑电样本信号和所述第二脑电样本信号对应的第二标签;所述第二标签包括所述第二脑电样本信号的采集时间信息;所述数据特征是将所述第一脑电样本信号和所述第二脑电样本信号输入所述初始网络模型得到的;所述数据特征包括所述第一脑电样本信号的第一数据特征和所述第二脑电样本信号的第二数据特征;所述类别分布差异是基于所述数据特征、第二分类预测信息和所述分类信息,获取的所述源数据与所述目标数据之间的分布差异;其中,所述第二分类预测信息是将所述第二脑电样本信号输入所述初始网络得到的。
第三方面,提供一种电子设备,所述设备包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现第一方面提供的脑电信号分类网络训练方法;或者,实现第二方面提供的脑电信号分类方法。
第四方面,通过一种计算机可读存储介质,所述存储介质中存储有程序,所述程序被处理器执行时用于实现第一方面提供的脑电信号分类网络训练方法;或者,实现第二方面提供的脑电信号分类方法。
本申请的有益效果至少包括:通过获取训练数据;训练数据包括源数据和目标数据;源数据包括至少一组第一脑电样本信号和第一脑电样本信号对应的第一标签;第一标签包括第一脑电样本信号的采集时间信息和分类信息;目标数据包括至少一组第二脑电样本信号和第二脑电样本信号对应的第二标签;第二标签包括第二脑电样本信号的采集时间信息;将第一脑电样本信号和第二脑电样本信号输入预先创建的初始网络模型,得到脑电样本信号的分类预测信息和数据特征,分类预测信息包括第一脑电样本信号的第一分类预测信息和第二脑电样本信号的第二分类预测信息;数据特征包括第一脑电样本信号的第一数据特征和第二脑电样本信号的第二数据特征;基于数据特征、第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,获取源数据与目标数据的时间分布差异;基于数据特征、第二分类预测信息和分类信息,获取源数据与目标数据的类别分布差异;基于第一分类预测信息、分类信息、时间分布差异和类别分布差异对初始网络模型进行迭代训练,得到脑电信号分类网络;可以解决现有的脑电信号分类网络训练方法,在训练脑电分类网络的过程中只关注不同脑电信号的整体分布差异,以及不同类别下脑电信号的分布差异,没有考虑时间因素对脑电信号的影响,而导致训练得到的脑电信号分类网络对于时变性很强的脑电信号分类不准确的问题;由于在脑电分类网络训练的过程中基于脑电样本信号的采集时间信息计算源数据与目标数据的时间分布差异,且基于时间分布差异对神经网络进行迭代训练,在训练过程中考虑到了脑电样本信号采集时间对脑电样本信号的影响,所以可以提高了训练得到的脑电信号分类网络对于时变性很强的脑电信号分类的准确性。
同时,由于基于第一分类预测信息、分类信息、时间分布差异和类别分布差异对初始网络模型进行迭代训练,得到脑电分类网络,可以减小源数据与目标数据之间的时间分布差异和类别分布差异,可以解决仅基于第一分类预测信息和分类信息更新网络参数时,训练得到的分类网络在实际使用时对训练数据以外的其他脑电信号分类准确性较低的问题;由于可以减小源数据与目标数据之间的时间分布差异和类别分布差异,使得训练得到的分类网络的分类结果既保证了第一分类预测结果的准确性,也保证了第二分类预测结果的准确性,使得训练得到脑电分类网络可以实现跨对象脑电信号分类,所以可以提高训练得到的脑电分类网络对训练数据采集对象以外其他对象的脑电信号分类的准确性。
另外,由于可以通过时间差异损失项缩放因子调整时间差异损失项占总损失值的比重,通过类别差异损失项缩放因子调整类别差异损失项占总损失值的比重,从而调整网络总损失值的构成,在实际使用时可以根据实际需要调整时间差异损失项和类别差异损失项的大小,以使得训练得到的脑电分类网络可以应用于不同场景,所以可以提高脑电信号分类网络训练方法的实用性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
【附图说明】
图1是本申请一个实施例提供的脑电信号分类网络训练方法的流程图;
图2是本申请一个实施例提供的脑电信号分类网络训练方法的流程图;
图3时本申请一个实施例提供的脑电信号分类方法的流程图;
图4是本申请一个实施例提供的脑电信号分类网络训练装置的框图;
图5是本申请一个实施例提供的脑电信号分类装置的框图;
图6本申请一个实施例提供的电子设备的框图。
【具体实施方式】
下面结合附图和实施例,对本申请的具体实施方式做进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
首先,对本申请实施例涉及的若干名词进行介绍。
脑电信号:是大脑皮层和头皮表面上,大脑神经细胞中的电活动的总体效应所表现出来的一种反映。在研究过程中,常用脑电图表示脑电信号。
脑电图(Electroencephalogram,EEG):是通过精密的电子仪器,从头皮上将脑部的自发性生物电位加以放大记录而获得的图形,是通过电极记录下来的脑细胞群的自发性、节律性电活动。脑电图具有非侵入性和方便的优点,因此,它已被学术界和工业界广泛采用。
最大均值差异(Maximum Mean Discrepancy,MMD):在再生核希尔伯特空间中基于核嵌入来度量分布之间的距离,从而得到不同分布之间的差异。
核函数:将原始空间中的向量作为输入向量,并返回特征空间(转换后的数据空间,可能是高维)中向量的点积的函数;其中,特征空间可以为再生核希尔伯特空间。
可选地,本申请以各个实施例提供的脑电信号分类网络训练方法用于电子设备中为例进行说明,该电子设备为终端或服务器,终端可以为手机、计算机、平板电脑等,本实施例不对电子设备的类型作限定。
图1是本申请一个实施例提供的脑电信号分类网络训练方法的流程图,该方法至少包括以下几个步骤:
步骤101,获取训练数据;训练数据包括源数据和目标数据;源数据包括至少一组第一脑电样本信号和第一脑电样本信号对应的第一标签;第一标签包括第一脑电样本信号的采集时间信息和分类信息;目标数据包括至少一组第二脑电样本信号和第二脑电样本信号对应的第二标签;第二标签包括第二脑电样本信号的采集时间信息。
本申请中,分类信息是指第一脑电样本信号的分类信息。
可选地,第一脑电样本信号和第二脑电样本信号均使用脑电图表示。
可选地,训练数据可以通过公开的数据库获取,或者也可以采用脑电采集设备采集,本实施例不对源数据和目标数据的获取方式作限定。
在一个示例中,训练数据为通过公开数据库中获得的BCI Competition数据集。
在另一个示例中,训练数据通过安装在至少一名受试者头部的脑电帽采集。
可选地,第一脑电样本信号的采集对象与第二脑电样本信号的采集对象不同。
由于目标数据中不需要携带第二脑电样本信号的分类信息,所以第二脑电样本信号可以是无法直接获取分类信息的脑电样本信号。
在一个示例中,第二脑电样本信号为从植物人头部采集的脑电样本信号。
可选地,获取训练数据,包括:获取原始脑电信号;对原始脑电信号进行预处理得到脑电样本信号;基于脑电样本信号生成源数据和目标数据。
可选地,对原始脑电信号进行预处理得到脑电样本信号,包括:对原始脑电信号进行第一次带通滤波,得到第一脑电信号;去除第一电脑信号中的伪迹信号,得到第二脑电信号;对第二脑电信号进行第二次带通滤波得到第三脑电信号;对第三脑电数据进行截取,得到脑电样本信号。
其中,脑电样本信号中的一部分作为第一脑电样本信号,另一部分作为第二脑电样本信号。第一脑电样本信号和第二脑电样本信号按照预设比例划分,比如:2∶1的比例划分,本实施例不对脑电样本信号中第一脑电样本信号的数量和第二脑电样本信号的数量作限定。
其中,伪迹信号是指:第一脑电信号中无法反映脑电信息的信号,如脑电采集过程中,由于采集设备的有源电力线干扰,受试者眨眼或肌肉活动产生的信号。
可选地,去除第一脑电脑信号中的伪迹信号,得到第二脑电信号,包括:对第一脑电信号进行主成分分析,得到第二脑电信号。
在一个示例中,第一脑电信号的频率范围为5~35Hz;第二脑电信号的频率范围为8~30Hz。
在一个示例中,脑电样本信号的时长为3秒。
其中,第一脑电样本信号的分类信息表示第一脑电样本信号的类别,分类信息可以是根据不同的应用需求采用不同的方式对脑电样本信号进行分类得到的。
可选地,分类信息是基于稳态视觉诱发电位(Steady-State Visual EvokedPotential,SSVEP)对脑电样本信号进行分类得到的,或者,也可以是基于运动想象(Motorimagery electroencephalography,MI-EEG)对脑电样本信号进行分类得到的,或者,还可以是基于事件相关电位(Event-related Potential,ERP)对脑电样本信号进行分类得到的,本实施例不对脑电样本信号的分类方式作限定。
比如:基于事件相关电位对脑电样本信号进行分类得到的分类信息包括但不限于以下四种类型:深睡类型、困倦和注意力增加类型、清醒放松类型和思维类型。
可选地,将脑电样本信号的采集时间按照不同的预设时间段划分,利用每个脑电样本信号的采集时间所属的预设时间段来表示该脑电样本信号的采集时间。
在其它实现方式中,脑电样本信号的采集时间也可以使用实际采集时间表示,本实施例不对脑电样本信号的采集时间的表示方式作限定。
步骤102,将第一脑电样本信号和第二脑电样本信号输入预先创建的初始网络模型,得到脑电样本信号的分类预测信息和数据特征;分类预测信息包括第一脑电样本信号的第一分类预测信息和第二脑电样本信号的第二分类预测信息;数据特征包括第一脑电样本信号的第一数据特征和第二脑电样本信号的第二数据特征。
可选地,源数据中所有的第一脑电样本信号和目标数据中所有的第二脑电样本信号一次性输入初始网络模型,或者,源数据中的第一脑电样本信号和目标数据中的第二脑电样本信号分成若干批次(每个批次的数据中均包含第一脑电样本信号和第二脑电样本信号),依次将每个批次的脑电样本信号输入初始网络模型,本实施例不对第一脑电样本信号和第二脑电样本信号输入网络模型的方式作限定。
可选地,初始网络模型包括:特征提取网络部分和分类预测网络部分;其中,特征提取网络部分用于提取脑电样本信号的数据特征,分类预测网络部分用于基于脑电样本信号的数据特征对脑电样本信号进行分类。
可选地,特征提取网络为卷积神经网络,分类预测网络为全连接网络。
在一个示例中,将第一脑电样本信号和第二脑电样本信号输入预先创建的初始网络模型,得到脑电样本信号的分类预测信息和脑电数据特征,包括:将第一脑电样本信号和第二脑电样本信号输入特征提取网络,得到脑电样本信号对应的数据特征;将数据特征输入分类预测网络部分,得到脑电样本信号对应的分类预测信息。
可选地,基于数据特征获取源数据与目标数据之间的分布差异的方式,包括:计算第一数据特征和第二数据特征之间的最大均值差异,得到源数据与目标数据之间的分布差异。
可选地,计算第一数据特征和第二数据特征之间的最大均值差异,得到源数据与目标数据之间的分布差异,包括:在再生核希尔伯特空间下计算第一数据特征与第二数据特征之间的最大均值差异,得到源数据与目标数据之间的分布差异。
可选地,在再生核希尔伯特空间下计算第一数据特征与第二数据特征之间的最大均值差异,得到源数据与目标数据之间的分布差异,包括:将第一数据特征和第二数据特征映射到再生核希尔伯特空间下;在再生核希尔伯特空间下计算第一数据特征的分布期望和第二数据特征的分布期望;根据第一数据特征的分布期望与第二数据特征的分布期望,计算第一数据特征与第二数据特征之间的最大均值差异,得到源数据与目标数据之间的分布差异。
在一个示例中,根据第一数据特征的分布期望与第二数据特征的分布期望,计算第一数据特征与第二数据特征之间的最大均值差异,得到源数据与目标数据之间的分布差异,通过下式表示:
其中,为源数据与目标数据之间的分布差异;ps为源数据的分布;pt为目标数据的分布;/>表示再生核希尔伯特空间;xs为第一数据特征;xt为第二数据特征;φ(·)为将原空间数据映射到再生核希尔伯特空间的映射函数。/>
由于映射函数φ(·)不是固定的,难以选择和定义,在计算过程中我们首先将上述公式展开,得到下式;
其中,为源数据与目标数据之间的分布差异;ps为源数据的分布;pt为目标数据的分布;/>表示再生核希尔伯特空间;ns为源数据中第一脑电样本信号的数量;nt为目标数据中第二脑电样本信号的数量;xsi为源数据中第i组第一脑电样本信号对应的第一数据特征;xsj为源数据中第j组第一脑电样本信号对应的第一数据特征;xti为目标数据中第i组第二脑电样本信号对应的第二数据特征;xtj为目标数据中第j组第二脑电样本信号对应的第二数据特征;φ(·)为将原空间数据映射到再生核希尔伯特空间的映射函数。
然后,我们能找到一个核函数k(·,·),使得对于任意的xs和xt,都有:
k(xs,xt)=φ(xs)φ(xt)
其中,k(·,·)为核函数,xs为第一数据特征;xt为第二数据特征,φ(·)为将原空间数据映射到再生核希尔伯特空间的映射函数。
可选地,核函数为高斯核函数,或者,也可以为拉普拉斯核,本实施例不对核函数的类型作限定。
在一个示例中,使用核均值嵌入法估算第一数据特征与第二数据特征之间的最大均值差异,得到源数据与目标数据之间的分布差异,通过下式表示:
其中,为源数据与目标数据之间的分布差异;ps为源数据的分布;pt为目标数据的分布;/>表示再生核希尔伯特空间;xs为第一数据特征;xt第二数据特征;φ(·)为将原空间数据映射到再生核希尔伯特空间的映射函数;ns为源数据中第一脑电样本信号的数量;nt为目标数据中第二脑电样本信号的数量;xsi为源数据中第i组第一脑电样本信号对应的第一数据特征;xsj为源数据中第j组第一脑电样本信号对应的第一数据特征;xti为目标数据中第i组第二脑电样本信号对应的第二数据特征;xtj为目标数据中第j组第二脑电样本信号对应的第二数据特征;k(·,·)为核函数。
步骤103,基于数据特征、第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,获取源数据与目标数据的时间分布差异。
其中,时间分布差异是指根据源数据与目标数据在不同预设时间段的分布计算出的源数据与目标数据之间的分布差异。
可选地,基于数据特征、第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,获取源数据与目标数据的时间分布差异,包括:基于第一脑电样本信号的采集时间信息计算第一数据特征在不同预设时间段的分布期望;基于第二脑电样本信号的采集时间信息计算第二数据特征在不同预设时间段的分布期望;基于第一数据特征在不同预设时间段的分布期望和第二数据特征在不同预设时间段的分布期望计算第一数据特征与第二数据特征之间的最大均值差异,得到时间分布差异。
在一个示例中,基于第一数据特征在不同预设时间段的分布期望和第二数据特征在不同预设时间段的分布期望计算第一数据特征与第二数据特征之间的最大均值差异,得到时间分布差异,通过下式表示:
其中,为时间分布差异,/>表示再生核希尔伯特空间;/>为源数据在不同预设时间段的分布;/>为目标数据在不同预设时间段的分布;/>为第一数据特征在不同预设时间段的分布期望;/>为第二数据特征在不同预设时间段的分布期望。
可选地,基于第一脑电样本信号的采集时间信息计算第一数据特征在不同预设时间段的分布期望;基于第二脑电样本信号的采集时间信息计算第二数据特征在不同预设时间段的分布期望,包括:基于第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,计算不同预设时间段的权重;基于不同预设时间段的权重,计算第一数据特征在不同预设时间段的分布期望和第二数据特征在不同预设时间段的分布期望。
可选地,基于数据特征、第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,获取源数据与目标数据的时间分布差异,包括:基于第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,计算不同预设时间段的权重;基于不同预设时间段的权重,计算第一数据特征与第二数据特征之间的最大均值差异,得到时间分布差异。
可选地,基于第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,计算不同预设时间段的权重,包括:确定采集时间在各个预设时间段内的第一脑电样本信号的第一样本数量;对于每个预设时间段,将预设时间段内的第一样本数量与源数据中第一脑电样本信号的总样本数量的比值,确定为预设时间段的第一权重;确定采集时间在各个预设时间段内的第二脑电样本信号的第二样本数量;对于每个预设时间段,将预设时间段内的第二样本数量与目标数据中第二脑电样本信号的总样本数量的比值,确定为预设时间段的第二权重。
可选地,预设时间段的长度根据样本数据的分布情况和实际的分类需要确定,本实施例不对预设时间段的长度作限定。
在一个示例中,预设时间段长度为24小时。
在另一个示例中,预设时间段长度为2小时。
可选地,基于不同预设时间段的权重,计算第一数据特征与第二数据特征之间的最大均值差异,得到时间分布差异,通过下式表示:
其中,为时间分布差异;/>为源数据在不同预设时间段的分布;为目标数据在不同预设时间段的分布;/>表示再生核希尔伯特空间;T为预设时间段的数量;τ表示第τ个预设时间段;ns为源数据中第一脑电样本信号的数量;nt为目标数据中第二脑电样本信号的数量;/>为第τ个预设时间段的第一权重;/>为第τ个预设时间段的第二权重;xsi为源数据中第i组第一脑电样本信号对应的第一数据特征;xtj为目标数据中第j组第二脑电样本信号对应的第二数据特征。
将上式展开,并利用核均值嵌入法代入核函数,可以得到下式。
可选地,基于不同预设时间段的权重,计算第一数据特征与第二数据特征之间的最大均值差异,得到时间分布差异,通过下式表示:
其中,为时间分布差异;/>为源数据在不同预设时间段的分布;为目标数据在不同预设时间段的分布;/>表示再生核希尔伯特空间;T为预设时间段的数量;τ表示第τ个预设时间段;ns为源数据中第一脑电样本信号的数量;nt为目标数据中第二脑电样本信号的数量;/>和/>为第τ个预设时间段的第一权重;/>和/>为第τ个预设时间段的第二权重;xsi为源数据中第i组第一脑电样本信号对应的第一数据特征;xsj为源数据中第j组第一脑电样本信号对应的第一数据特征;xti为目标数据中第i组第二脑电样本信号对应的第二数据特征;xtj为目标数据中第j组第二脑电样本信号对应的第二数据特征;k(·,·)为核函数。
步骤104,基于数据特征、第二分类预测信息和分类信息,获取源数据与目标数据的类别分布差异。
其中,类别分布差异是指根据源数据与目标数据在不同预设类别的分布计算出的源数据与目标数据之间的分布差异。
可选地,基于数据特征、第二分类预测信息和分类信息,获取源数据与目标数据的类别分布差异,包括:基于分类信息计算第一数据特征在不同预设类别的分布期望;基于第二分类预测信息计算第二数据特征在不同预设类别的分布期望;基于第一数据特征在不同预设类别的分布期望和第二数据特征在不同预设类别的分布期望计算第一数据特征与第二数据特征之间的最大均值差异,得到类别分布差异。
在一个示例中,基于第一数据特征在不同预设类别的分布期望和第二数据特征在不同预设类别的分布期望计算第一数据特征与第二数据特征之间的最大均值差异,得到类别分布差异,通过下式表示:
其中,为类别分布差异,/>表示再生核希尔伯特空间;/>为源数据在不同预设类别的分布;/>为目标数据在不同预设类别的分布;/>为第一数据特征在不同预设类别的分布期望;/>为第二数据特征在不同预设类别的分布期望。
可选地,基于分类信息计算第一数据特征在不同预设类别的分布期望;基于第二分类预测信息计算第二数据特征在不同预设类别的分布期望,包括:基于分类信息和第二分类预测信息,计算不同预设类别的权重;基于不同预设类别的权重,计算第一数据特征在不同预设类别的分布期望和第二数据特征在不同预设类别的分布期望。
可选地,基于数据特征、第二分类预测信息和分类信息,获取源数据与目标数据的类别分布差异,包括:基于第二分类预测信息和分类信息,计算不同预设类别的权重;基于不同预设类别的权重,计算第一数据特征与第二数据特征之间的最大均值差异,得到类别分布差异。
可选地,基于第二分类预测信息和分类信息,计算不同预设类别的权重,包括:确定分类信息为各个预设类别的第一脑电样本信号的第三样本数量;对于每个预设类别,将预设类别内的第三样本数量与源数据中第一脑电样本信号的总样本数量的比值,确定为预设时间段的第三权重;确定第二分类预测信息为各个预设类别的第二脑电样本信号的第四样本数量;对于每个预设类别,将预设类别内的第四样本数量与目标数据中第二脑电样本信号的总样本数量的比值,确定为预设时间段的第四权重。
可选地,预设类别的数量根据数据分布情况和实际的分类需求确定,本实施例不对预设类别的数量不作限定。
可选地,基于不同预设类别的权重,计算第一数据特征与第二数据特征之间的最大均值差异,得到类别分布差异,通过下式表示:
其中,为类别分布差异;/>为源数据在不同预设类别的分布;为目标数据在不同预设类别的分布;/>表示再生核希尔伯特空间;C为预设类别的数量;c表示第c个预设时间段;ns为源数据中第一脑电样本信号的数量;nt为目标数据中第二脑电样本信号的数量;/>为第c个预设类别的第三权重;/>为第c个预设类别的第四权重;xsi为源数据中第i组第一脑电样本信号对应的第一数据特征;xtj为目标数据中第j组第二脑电样本信号对应的第二数据特征。
将上式展开,并利用核均值嵌入法代入核函数,可以得到下式。
可选地,基于数据特征和不同预设类别的权重,计算第一数据特征与第二数据特征的最大均值差异,得到类别分布差异,通过下式表示:
其中,为类别分布差异;/>为源数据在不同预设类别的分布;为目标数据在不同预设类别的分布;/>表示再生核希尔伯特空间;C为预设类别的数量;ns为源数据中第一脑电样本信号的数量;nt为目标数据中第二脑电样本信号的数量;和/>为第c个预设类别的第三权重;/>和/>为第c个预设类别的第四权重;xsi为源数据中第i组第一脑电样本信号对应的第一数据特征;xsj为源数据中第j组第一脑电样本信号对应的第一数据特征;xti为目标数据中第i组第二脑电样本信号对应的第二数据特征;xtj为目标数据中第j组第二脑电样本信号对应的第二数据特征;k(·,·)为核函数。
需要补充说明的是,步骤103可以在步骤104之前执行,或者,也可以在步骤104之后执行,或者,还可以与步骤104同时执行,本实施例不对步骤103与步骤104之间的执行顺序作限定。
步骤105,基于第一分类预测信息、分类信息、时间分布差异和类别分布差异对初始网络模型进行迭代训练,得到脑电信号分类网络。
可选地,基于第一分类预测信息、分类信息、类别分布差异和时间分布差异对初始网络模型进行迭代训练,得到脑电信号分类网络,包括:将第一分类预测信息和分类信息输入分类损失函数,得到分类损失项;计算类别分布差异的期望值,得到时间差异损失项;计算时间分布差异的期望值,得到类别差异损失项;基于分类损失项、时间差异损失项和类别差异损失项计算网络模型的总损失值;基于总损失值迭代更新初始网络模型的模型参数,以使总损失值最小,得到脑电信号分类网络。
可选地,基于分类损失项、时间差异损失项和类别差异损失项计算网络模型的总损失值,通过下式表示:
其中,L为总损失值;ns为源数据中第一脑样本信号的数量;J(f(xsi),ysi)为源数据中第i组第一脑电信样本信号对应的分类损失项;f(xsi)为源数据中第i组第一脑电样本信号对应的第一分类预测信息;ysi源数据中第i组第一脑电样本信号的采集时间信息;λ<c>为类别差异损失项的缩放因子,为预设常数;λ<τ>为时间差异损失项的缩放因子,为预设常数;为类别差异损失项;/>为时间差异损失项;为类别分布差异;/>为时间分布差异;/>为源数据在不同类别的分布;/>为目标数据在不同类别的分布;/>为源数据在不同时间段的分布;/>为目标数据在时不同时间段的分布。
可选地,通过时间差异损失项缩放因子调整时间差异损失项占总损失值的比重;通过类别差异损失项缩放因子调整类别差异损失项占总损失值的比重。
在一个示例中,时间差异损失项和类别差异损失项均为0.25。
可选地,基于总损失值迭代更新初始网络模型的模型参数,以使总损失值最小,得到脑电信号分类网络,包括:响应于总损失值大于或等于预设阈值,根据总损失值使用随机梯度下降法更新模型参数;清除梯度,并再次执行将第一脑电数据和第二脑电数据输入预先创建的初始网络模型,得到脑电数据的分类预测信息的步骤,直至总损失值小于预设阈值或迭代训练的次数达到预设次数时停止,得到脑电信号分类网络。
综上,本实施例提供的脑电信号分类网络训练方法,通过获取训练数据;训练数据包括源数据和目标数据;源数据包括至少一组第一脑电样本信号和第一脑电样本信号对应的第一标签;第一标签包括第一脑电样本信号的采集时间信息和分类信息;目标数据包括至少一组第二脑电样本信号和第二脑电样本信号对应的第二标签;第二标签包括第二脑电样本信号的采集时间信息;将第一脑电样本信号和第二脑电样本信号输入预先创建的初始网络模型,得到脑电样本信号的分类预测信息和脑电数据特征,分类预测信息包括第一脑电样本信号的第一分类预测信息和第二脑电样本信号的第二分类预测信息;数据特征包括第一脑电样本信号的第一数据特征和第二脑电样本信号的第二数据特征;基于数据特征、第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,获取源数据与目标数据的时间分布差异;基于数据特征、第二分类预测信息和分类信息,获取源数据与目标数据的类别分布差异;基于第一分类预测信息、分类信息、时间分布差异和类别分布差异对初始网络模型进行迭代训练,得到脑电信号分类网络;可以解决现有的脑电信号分类网络训练方法,在训练脑电分类网络的过程中只关注不同脑电信号的整体分布差异,以及不同类别下脑电信号的分布差异,没有考虑时间因素对脑电信号的影响,而导致训练得到的脑电信号分类网络对于时变性很强的脑电信号分类不准确的问题;由于在脑电分类网络训练的过程中基于脑电样本信号的采集时间信息计算源数据与目标数据的时间分布差异,且基于时间分布差异对神经网络进行迭代训练,在训练过程中考虑到了脑电样本信号采集时间对脑电样本信号的影响,所以可以提高了训练得到的脑电信号分类网络对于时变性很强的脑电信号分类的准确性。
同时,由于基于第一分类预测信息、分类信息、时间分布差异和类别分布差异对初始网络模型进行迭代训练,得到脑电分类网络,可以减小源数据与目标数据之间的时间分布差异和类别分布差异,可以解决仅基于第一分类预测信息和分类信息更新网络参数时,训练得到的分类网络在实际使用时对训练数据以外的其他脑电信号分类准确性较低的问题;由于可以减小源数据与目标数据之间的时间分布差异和类别分布差异,使得训练得到的分类网络的分类结果既保证了第一分类预测结果的准确性,也保证了第二分类预测结果的准确性,使得训练得到脑电分类网络可以实现跨对象脑电信号分类,所以可以提高训练得到的脑电分类网络对训练数据采集对象以外其他对象的脑电信号分类的准确性。
另外,由于可以通过时间差异损失项缩放因子调整时间差异损失项占总损失值的比重,通过类别差异损失项缩放因子调整类别差异损失项占总损失值的比重,从而调整网络总损失值的构成,在实际使用时可以根据实际需要调整时间差异损失项和类别差异损失项的大小,以使得训练得到的脑电分类网络可以应用于不同场景,所以可以提高脑电信号分类网络训练方法的实用性。
为了更清楚地理解本申请提供的脑电信号分类网络训练方法,下面对该方法举一个实例进行说明。图2是本申请一个实施例提供的脑电信号分类网络训练方法的流程图,该方法至少包括以下几个步骤:
首先,获取训练数据;训练数据包括源数据和目标数据;源数据包括至少一组第一脑电样本信号和第一脑电样本信号对应的第一标签;第一标签包括第一脑电样本信号的采集时间信息和分类信息;目标数据包括至少一组第二脑电样本信号和第二脑电样本信号对应的第二标签;第二标签包括第二脑电样本信号的采集时间信息。
其次,从训练数据中提取一个批次的第一脑电样本信号和第二脑电样本信号。
然后,将提取的数据输入特征提取网络部分,得到数据特征;数据特征包括第一脑电样本信号的第一数据特征和第二脑电样本信号的第二数据特征。
之后,将数据特征输入分类预测网络部分,得到分类预测信息;分类预测信息包括:第一脑电样本信号的第一分类预测信息和第二脑电样本信号的第二分类预测信息。同时,基于第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,计算第一数据特征与第二数据特征之间的最大均值差异,得到时间分布差异。
再然后,基于分类信息和第二分类预测信息,计算第一数据特征与第二数据特征之间的最大均值差异,得到类别分布差异。同时,将第一分类预测信息和分类信息输入分类损失函数,得到分类损失项。
之后,计算时间分布差异的期望值,得到时间差异损失项。同时,计算类别分布差异的期望值,得到类别差异损失项。
再次,基于分类损失项、时间差异损失项和类别差异损失项计算网络模型的总损失值。
最后,判断总损失值是否符合预设条件,如果总损失值符合预设条件,则训练结束;否则,基于总损失值迭代更新初始网络模型的模型参数,并继续执行从训练数据中提取一个批次的第一脑电样本信号和第二脑电样本信号的步骤,直至总损失值是否符合预设条件。
根据上述实施例可知,本申请提供的脑电信号分类网络训练方法,由于基于分类损失项、时间差异损失项和类别差异损失项计算总损失值,同时根据总损失值更新初始网络模型的参数,可以减小源数据与目标数据之间的时间分布差异和类别分布差异,可以解决仅根据分类损失项更新网络参数时,训练得到的分类网络在实际使用时对训练数据以外的其他脑电信号分类准确性较低的问题;由于可以减小源数据与目标数据之间的时间分布差异和类别分布差异,使得训练得到的分类网络的分类结果既保证了第一分类预测结果的准确性,也保证了第二分类预测结果的准确性,所以可以提高训练得到的分类网络对训练数据以外的脑电信号分类的准确性在训练过程中考虑到了脑电样本信号采集时间对脑电样本信号的影响,所以可以提高了训练得到的脑电信号分类网络对于时变性很强的脑电信号分类的准确性。
图3是本申请一个实施例提供的脑电信号的分类方法的流程图,该方法至少包括以下几个步骤:
步骤301,获取至少一组目标脑电数据信号。
步骤302,将目标脑电信号输入预先训练的脑电信号分类网络,得到目标脑电信号对应的分类预测信息。
其中,脑电分类网络是使用第一分类预测信息、分类信息和时间分布差异和类别分布差异对初始网络模型进行迭代训练得到的;第一分类预测信息是将第一脑电样本信号输入初始网络得到的;分类信息是第一脑电样本信号对应的分类信息;时间分布差异是基于数据特征、第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,获取的源数据与目标数据之间的分布差异;源数据包括至少一组第一脑电样本信号和第一脑电样本信号对应的第一标签;第一标签包括第一脑电样本信号的采集时间信息和分类信息;目标数据包括至少一组第二脑电样本信号和第二脑电样本信号对应的第二标签;第二标签包括第二脑电样本信号的采集时间信息;数据特征是将第一脑电样本信号和第二脑电样本信号输入初始网络模型得到的;数据特征包括第一脑电样本信号的第一数据特征和第二脑电样本信号的第二数据特征;类别分布差异是基于数据特征、第二分类预测信息和分类信息,获取的源数据与目标数据之间的分布差异;其中,第二分类预测信息是将第二脑电样本信号输入初始网络得到的。
其中,脑电信号分类网络的训练过程详见上述实施例,本实施例在此不再赘述。
根据上述实施例可知,本申请提供的脑电信号的分类方法,由于所使用的脑电分类网络是使用第一分类预测信息、分类信息和时间分布差异和类别分布差异对初始网络模型进行迭代训练得到的,可以解决现有的脑电信号分类网络,由于在训练过程中没有考虑时间因素对脑电信号的影响,而导致脑电信号分类网络对于时变性很强的脑电信号分类不准确的问题,由于在训练过程中考虑到了脑电样本信号采集时间对脑电样本信号的影响,所以可以提高了脑电信号分类网络对于时变性很强的脑电信号分类的准确性。
图4是本申请一个实施例提供的脑电信号分类网络训练装置的框图。该装置至少包括以下几个模块:数据获取模块401、分类预测模块402、第一获取模块403、第二获取模块404和迭代训练模块405。
数据获取模块401,用于获取训练数据;训练数据包括源数据和目标数据;源数据包括至少一组第一脑电样本信号和第一脑电样本信号对应的第一标签;第一标签包括第一脑电样本信号的采集时间信息和分类信息;目标数据包括至少一组第二脑电样本信号和第二脑电样本信号对应的第二标签;第二标签包括第二脑电样本信号的采集时间信息;
分类预测模块402,用于将第一脑电样本信号和第二脑电样本信号输入预先创建的初始网络模型,得到脑电样本信号的分类预测信息和数据特征,分类预测信息包括第一脑电样本信号的第一分类预测信息和第二脑电样本信号的第二分类预测信息;数据特征包括第一脑电样本信号的第一数据特征和第二脑电样本信号的第二数据特征;
第一获取模块403,用于基于数据特征、第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,获取源数据与目标数据的时间分布差异;
第二获取模块404,用于基于数据特征、第二分类预测信息和分类信息,获取源数据与目标数据的类别分布差异;
迭代训练模块405,用于基于第一分类预测信息、分类信息、时间分布差异和类别分布差异对初始网络模型进行迭代训练,得到脑电信号分类网络。
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的脑电信号分类网络训练装置在进行脑电信号分类网络训练时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将脑电信号分类网络训练装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的脑电信号分类网络训练装置与脑电信号分类网络训练方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图5是本申请一个实施例提供的脑电信号分类装置的框图。该装置至少包括以下几个模块:数据获取模块501和分类预测模块502。
数据获取模块501,用于获取至少一组目标脑电信号;
分类预测模块502,用于将目标脑电信号输入预先训练的脑电信号分类网络,得到目标脑电信号对应的分类预测信息;
相关细节参考上述方法实施例。
需要说明的是:上述实施例中提供的脑电信号分类装置在进行脑电信号分类时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将脑电信号分类装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供脑电信号分类装置与脑电信号分类方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图6本申请一个实施例提供的电子设备的框图。该设备至少包括处理器601和存储器602。
处理器601可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器601可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器601还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器601所执行以实现本申请中方法实施例提供的脑电信号分类网络训练方法或脑电信号分类方法。
在一些实施例中,电子设备还可选包括有:***设备接口和至少一个***设备。处理器601、存储器602和***设备接口之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口相连。示意性地,***设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,电子设备还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的脑电信号分类网络训练方法或脑电信号分类方法。
可选地,本申请还提供有一种计算机产品,该计算机产品包括计算机可读存储介质,所述计算机可读存储介质中存储有程序,所述程序由处理器加载并执行以实现上述方法实施例的脑电信号分类网络训练方法或脑电信号分类方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种脑电信号分类网络训练方法,其特征在于,所述方法包括:
获取训练数据;所述训练数据包括源数据和目标数据;所述源数据包括至少一组第一脑电样本信号和所述第一脑电样本信号对应的第一标签;所述第一标签包括所述第一脑电样本信号的采集时间信息和分类信息;所述目标数据包括至少一组第二脑电样本信号和所述第二脑电样本信号对应的第二标签;所述第二标签包括所述第二脑电样本信号的采集时间信息;
将所述第一脑电样本信号和所述第二脑电样本信号输入预先创建的初始网络模型,得到脑电样本信号的分类预测信息和数据特征;所述分类预测信息包括所述第一脑电样本信号的第一分类预测信息和所述第二脑电样本信号的第二分类预测信息;所述数据特征包括所述第一脑电样本信号的第一数据特征和所述第二脑电样本信号的第二数据特征;
基于所述数据特征、所述第一脑电样本信号的采集时间信息和所述第二脑电样本信号的采集时间信息,获取所述源数据与所述目标数据的时间分布差异;
基于所述数据特征、所述第二分类预测信息和所述分类信息,获取所述源数据与所述目标数据的类别分布差异;
基于所述第一分类预测信息、所述分类信息、所述时间分布差异和所述类别分布差异对所述初始网络模型进行迭代训练,得到所述脑电信号分类网络。
2.根据权利要求1所述的方法,其特征在于,所述基于所述数据特征、所述第一脑电样本信号的采集时间信息和所述第二脑电样本信号的采集时间信息,获取所述源数据与所述目标数据的时间分布差异,包括:
基于所述第一脑电样本信号的采集时间信息和所述第二脑电样本信号的采集时间信息,计算不同预设时间段的权重;
基于所述不同预设时间段的权重,计算所述第一数据特征与所述第二数据特征之间的最大均值差异,得到所述时间分布差异。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一脑电样本信号的采集时间信息和所述第二脑电样本信号的采集时间信息,计算不同预设时间段的权重,包括:
确定采集时间在各个预设时间段内的第一脑电样本信号的第一样本数量;
对于每个预设时间段,将所述预设时间段内的第一样本数量与所述源数据中第一脑电样本信号的总样本数量的比值,确定为所述预设时间段的第一权重;
确定采集时间在所述各个预设时间段内的第二脑电样本信号的第二样本数量;
对于每个预设时间段,将所述预设时间段内的第二样本数量与所述目标数据中第二脑电样本信号的总样本数量的比值,确定为所述预设时间段的第二权重。
4.根据权利要求2所述方法,其特征在于,所述基于所述不同预设时间段的权重,计算所述第一数据特征与所述第二数据特征之间的最大均值差异,得到所述时间分布差异,通过下式表示:
其中,为所述时间分布差异;/>为所述源数据在不同预设时间段的分布;/>为所述目标数据在不同预设时间段的分布;/>表示再生核希尔伯特空间;T为所述预设时间段的数量;τ表示第τ个所述预设时间段;ns为所述源数据中第一脑电样本信号的数量;nt为所述目标数据中第二脑电样本信号的数量;/>和/>为第τ个预设时间段的第一权重;/>和/>为第τ个预设时间段的第二权重;xsi为所述源数据中第i组第一脑电样本信号对应的第一数据特征;xsj为所述源数据中第j组第一脑电样本信号对应的第一数据特征;xti为所述目标数据中第i组第二脑电样本信号对应的第二数据特征;xtj为所述目标数据中第j组第二脑电样本信号对应的第二数据特征;k(·,·)为核函数。
5.根据权利要求1所述的方法,其特征在于,所述基于所述数据特征、所述第二分类预测信息和所述分类信息,获取所述源数据与所述目标数据的类别分布差异,包括:
基于第二分类预测信息和所述分类信息,计算不同预设类别的权重;
基于不同预设类别的权重,计算第一数据特征与第二数据特征之间的最大均值差异,得到类别分布差异。
6.根据权利要求1所述的方法,其特征在于,所述基于所述第一分类预测信息、所述分类信息、所述时间分布差异和所述类别分布差异对所述初始网络模型进行迭代训练,得到所述脑电信号分类网络,包括:
将所述第一分类预测信息和所述分类信息输入分类损失函数,得到分类损失项;
计算所述时间分布差异的期望值,得到时间差异损失项;
计算所述类别分布差异的期望值,得到类别差异损失项;
基于所述分类损失项、所述时间差异损失项和所述类别差异损失项计算网络模型的总损失值;
基于所述总损失值迭代更新所述初始网络模型的模型参数,以使所述总损失值最小,得到所述脑电信号分类网络。
7.根据权利要求6所述的方法,其特征在于,所述基于所述分类损失项、所述时间差异损失项和所述类别差异损失项计算网络模型的总损失值,通过下式表示:
其中,L为所述总损失值;ns为所述源数据中第一脑样本信号的数量;J(f(xsi),ysi)为所述源数据中第i组第一脑电样本信号对应的分类损失项;f(xsi)为所述源数据中第i组第一脑电样本信号对应的第一分类预测信息;ysi所述源数据中第i组第一脑电样本信号的采集时间信息;λ〈c〉为所述类别差异损失项的缩放因子,为预设常数;λ〈τ〉为所述时间差异损失项的缩放因子,为预设常数;为所述类别差异损失项;为所述时间差异损失项;/>为所述类别分布差异;为所述时间分布差异;/>为所述源数据在不同类别的分布;/>为所述目标数据在不同类别的分布;/>为所述源数据在不同时间段的分布;/>为所述目标数据在时不同时间段的分布。
8.一种脑电信号分类方法,其特征在于,所述方法包括:
获取至少一组目标脑电信号;
将所述目标脑电信号输入预先训练的脑电信号分类网络,得到所述目标脑电信号对应的分类预测信息;
其中,所述脑电信号分类网络是使用第一分类预测信息、分类信息和时间分布差异和类别分布差异对初始网络模型进行迭代训练得到的;所述第一分类预测信息是将第一脑电样本信号输入所述初始网络得到的;所述分类信息是所述第一脑电样本信号对应的分类信息;所述时间分布差异是基于数据特征、所述第一脑电样本信号的采集时间信息和第二脑电样本信号的采集时间信息,获取的源数据与目标数据之间的分布差异;所述源数据包括至少一组所述第一脑电样本信号和所述第一脑电样本信号对应的第一标签;所述第一标签包括所述第一脑电样本信号的采集时间信息和所述分类信息;所述目标数据包括至少一组所述第二脑电样本信号和所述第二脑电样本信号对应的第二标签;所述第二标签包括所述第二脑电样本信号的采集时间信息;所述数据特征是将所述第一脑电样本信号和所述第二脑电样本信号输入所述初始网络模型得到的;所述数据特征包括所述第一脑电样本信号的第一数据特征和所述第二脑电样本信号的第二数据特征;所述类别分布差异是基于所述数据特征、第二分类预测信息和所述分类信息,获取的所述源数据与所述目标数据之间的分布差异;其中,所述第二分类预测信息是将所述第二脑电样本信号输入所述初始网络得到的。
9.一种电子设备,其特征在于,所述设备包括处理器和存储器;所述存储器中存储有程序,所述程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的脑电信号分类网络训练方法;或者,实现如权利要求8所述的脑电信号分类方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有程序,所述程序被处理器执行时用于实现如权利要求1至7任一项所述的脑电信号分类网络训练方法;或者,实现如权利要求8所述的脑电信号分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111145529.9A CN113842152B (zh) | 2021-09-28 | 2021-09-28 | 脑电信号分类网络训练方法、分类方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111145529.9A CN113842152B (zh) | 2021-09-28 | 2021-09-28 | 脑电信号分类网络训练方法、分类方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113842152A CN113842152A (zh) | 2021-12-28 |
CN113842152B true CN113842152B (zh) | 2023-05-30 |
Family
ID=78980467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111145529.9A Active CN113842152B (zh) | 2021-09-28 | 2021-09-28 | 脑电信号分类网络训练方法、分类方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113842152B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359610A (zh) * | 2018-10-26 | 2019-02-19 | 齐鲁工业大学 | 构建cnn-gb模型的方法及***、数据特征分类方法 |
CN111134666A (zh) * | 2020-01-09 | 2020-05-12 | 中国科学院软件研究所 | 一种多通道脑电数据的情绪识别方法及电子装置 |
WO2020151144A1 (zh) * | 2019-01-24 | 2020-07-30 | 五邑大学 | 一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法 |
CN111728609A (zh) * | 2020-08-26 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 脑电信号的分类方法、分类模型的训练方法、装置及介质 |
WO2021107310A1 (ko) * | 2019-11-29 | 2021-06-03 | 서울대학교병원 | 뇌파 분석 기반 환자진단 지원 시스템 및 방법 |
CN113343753A (zh) * | 2021-04-21 | 2021-09-03 | 中国科学院深圳先进技术研究院 | 一种信号分类方法、电子设备以及计算机可读存储介质 |
CN113408397A (zh) * | 2021-06-16 | 2021-09-17 | 西安电子科技大学 | 领域自适应的跨受试者运动想象脑电信号识别***及方法 |
-
2021
- 2021-09-28 CN CN202111145529.9A patent/CN113842152B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359610A (zh) * | 2018-10-26 | 2019-02-19 | 齐鲁工业大学 | 构建cnn-gb模型的方法及***、数据特征分类方法 |
WO2020151144A1 (zh) * | 2019-01-24 | 2020-07-30 | 五邑大学 | 一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法 |
WO2021107310A1 (ko) * | 2019-11-29 | 2021-06-03 | 서울대학교병원 | 뇌파 분석 기반 환자진단 지원 시스템 및 방법 |
CN111134666A (zh) * | 2020-01-09 | 2020-05-12 | 中国科学院软件研究所 | 一种多通道脑电数据的情绪识别方法及电子装置 |
CN111728609A (zh) * | 2020-08-26 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 脑电信号的分类方法、分类模型的训练方法、装置及介质 |
CN113343753A (zh) * | 2021-04-21 | 2021-09-03 | 中国科学院深圳先进技术研究院 | 一种信号分类方法、电子设备以及计算机可读存储介质 |
CN113408397A (zh) * | 2021-06-16 | 2021-09-17 | 西安电子科技大学 | 领域自适应的跨受试者运动想象脑电信号识别***及方法 |
Non-Patent Citations (5)
Title |
---|
Hong Zeng et al..EEG classification of driver mental states by deep learning.《Cognitive Neurodynamics 》.2018,第12卷第597–606卷. * |
Xiu An et al..A Deep Learning Method for Classification of EEG Data Based on Motor Imagery.Springer,ICIC 2014, LNBI 8590.2014,第203-210页. * |
Yixiong Chen et al..NeuCubeRehab: A Pilot Study for EEG Classification in Rehabilitation Practice Based on Spiking Neural Networks.《 Lecture Notes in Computer Science》.2013,第8228卷第70-77页. * |
刘文华 等.奖励期待和结果评估的脑电成分在精神疾病研究中的应用.《心理科学进展》.2023,第31卷(第5期),第783-799页. * |
蔡梓良 等.基于最大分类器差异域对抗方法的跨被试脑电情绪识别研究.《生物医学工程学杂志》.2021,第38卷(第3期),455-462. * |
Also Published As
Publication number | Publication date |
---|---|
CN113842152A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Delorme et al. | EEGLAB, SIFT, NFT, BCILAB, and ERICA: new tools for advanced EEG processing | |
Hu et al. | Real-time sensing of trust in human-machine interactions | |
Esfahani et al. | Classification of primitive shapes using brain–computer interfaces | |
Delorme et al. | Independent EEG sources are dipolar | |
Kothe et al. | Estimation of task workload from EEG data: new and current tools and perspectives | |
CN111417342B (zh) | 脑网络的活动估计***、方法和存储介质 | |
CN110367976B (zh) | 脑电波信号检测方法、相关设备和存储介质 | |
CN112603335B (zh) | 脑电情感识别方法、***、设备及存储介质 | |
Andersen | Group analysis in MNE-python of evoked responses from a tactile stimulation paradigm: a pipeline for reproducibility at every step of processing, going from individual sensor space representations to an across-group source space representation | |
CN114052668B (zh) | 一种基于脑磁图数据的脑功能分析方法 | |
Li et al. | Implementation of EEG emotion recognition system based on hierarchical convolutional neural networks | |
CN114970599A (zh) | 注意缺陷关联脑电信号的识别方法、识别装置、存储介质 | |
US10945627B2 (en) | Systems and methods for super-resolving electromagnetic localization and causality | |
CN110141258A (zh) | 一种情绪状态检测方法、设备及终端 | |
WO2024083059A1 (zh) | 一种基于机器学习的工作记忆任务脑磁图分类*** | |
US11213255B2 (en) | Information processing device, information processing method, and recording medium storing information processing program | |
CN113842152B (zh) | 脑电信号分类网络训练方法、分类方法、设备及存储介质 | |
Wang et al. | Training state and performance evaluation of working memory based on task-related EEG | |
Shukla et al. | An improved decision support system for identification of abnormal EEG signals using a 1D convolutional neural network and savitzky-golay filtering | |
CN110148468B (zh) | 动态人脸图像重建的方法及装置 | |
Soltani et al. | Classification of SSVEP-based BCIs using genetic algorithm | |
Omar et al. | Enhancing EEG signals classification using LSTM‐CNN architecture | |
CN112438741A (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及*** | |
Sianipar et al. | Performance Analysis of Classifier in Detecting Epileptic Seizure Based on Discrete Wavelet Transform | |
CN107536616A (zh) | 焦虑状态的确定方法、装置、设备以及存储介质 |
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 |