[发明专利]基于CWT和MLMSFFCNN的脑电识别方法有效

专利信息
申请号: 202010291359.4 申请日: 2020-04-14
公开(公告)号: CN111582041B 公开(公告)日: 2023-06-09
发明(设计)人: 李明爱;韩健夫;杨金福;孙炎珺 申请(专利权)人: 北京工业大学
主分类号: G06F18/24 分类号: G06F18/24;G06F18/213;G06N3/0464;G06N3/08
代理公司: 北京思海天达知识产权代理有限公司 11203 代理人: 沈波
地址: 100124 *** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 cwt mlmsffcnn 识别 方法
【说明书】:

本发明公开了基于CWT和MLMSFFCNN的脑电识别方法,将各导联运动想象脑电信号进行CWT,得到每导联的时频矩阵;然后,截取信号时频矩阵8‑30Hz频带的数据,沿频率轴等分为三个子矩阵;将三个子矩阵分别按列求和,得到三个子序列后,将每个子序列沿时间轴分为三个窗口;结合BCI采集系统导联坐标信息构造MI‑EEG信号复合特征矩阵;MLMSFFCNN通过各个级卷积段输出特征的拼接以及各级卷积的多分支结构实现了特征的融合与多分辨率计算;使用MLMSFFCNN对上述MI‑EEG复合特征矩阵进行监督训练后,进行十折交叉验证,得到最终的分类结果。本发明通过MLMSFFCNN的特征融合能力与多分辨率计算能力使得信号时、频、空域特征信息能够被充分提取,对于提升MI‑EEG信号多域特征表达、分类精度具有重要意义。

技术领域

本发明涉及一种基于连续小波变换(Continue Wavelet Transform,CWT)和多级多尺度特征融合卷积神经网络(Multi-level Multi-scale Feature FusionConvolutional Neural Network,MLMSFFCNN)的运动想象脑电信号(Motor ImageryElectroencephalogram,MI-EEG)识别方法。具体涉及:基于CWT的MI-EEG信号的时频特征提取,结合导联坐标投影生成复合特征矩阵,并采用MLMSFFCNN实现时-频-空多域特征融合与分类。

背景技术

随着深度学习技术的发展,利用深度学习技术对MI-EEG信号进行识别因其巨大的发展潜力而受到关注。卷积神经网络的(Convolutional Neural Network,CNN)仿生感受野机制能充分提取MI-EEG信号在局部空间上的变化,在处理具有多导联的MI-EEG信号方面具有独特的优势。在现有基于CNN的方法中,网络的输入是各个导联信号经过时频变换后产生的时频矩阵,或进一步按某个人为指定的顺序将不同导联产生的时频矩阵进行堆砌形成的数据矩阵。该方法虽然对MI-EEG信号的时频信息进行了有效提取,但是特征矩阵生成方式无法很好保留导联间的相对位置,不符合MI-EEG信号的空间分布特性;同时,这些方法使用的CNN只包含一种尺度的卷积核,这使得网络不能对MI-EEG信号的特征矩阵进行多分辨率计算,容易造成空域局部相关性信息的丢失;另外,传统序贯式CNN在输出分类结果时只考虑最后一层卷积的计算结果,不能充分利用中间过程产生的卷积特征,缺乏对于全局空间特征和抽象空间特征的综合推理能力。从而,限制了CNN对于MI-EEG的识别能力。

针对以上问题,本专利将基于CWT和MLMSFFCNN实现对MI-EEG信号时、频、空域特征的提取和融合,从而提升MI-EEG信号识别准确率。

发明内容

针对现有方法的不足,本发明要解决的技术问题为:提出了一种基于连续小波变换与多级多尺度特征融合卷积神经网络的MI-EEG信号识别方法。

具体涉及:

(1)使用连续小波变换计算各个导联EEG信号的时频矩阵,提取运动想象最相关的8-30Hz频带的部分信息,并将其平均划分为3×3的9个子区域。计算各子区域内所有点小波系数平方的均值作为该子区域的时频特征值,从而,每导EEG信息得到3×3的时频特征矩阵,以使各导联EEG的时频信息得到有序的保留。

(2)将所有导联的3×3时频特征矩阵插值到二维采集系统相应导联坐标上,从而,每次运动想像实验获得一个N×N维度的复合特征矩阵。不仅使各导联EEG的时频特征正确体现在其导联的空间位置上,而且最终生成具有时域、频域和空域多维度信息的复合特征矩阵。

(3)采用MLMSFFCNN进行多分辨率的特征融合与分类。首先,设计了多级卷积神经网络结构,将各级卷积网络输出的计算结果进行拼接,实现对全局特征与抽象特征的融合。其次,在序贯式卷积神经网络的基础上设计具有多分支结构的各级卷积神经网络,采用三组1×1、2×2和3×3的多尺度卷积核同时对复合特征矩阵进行特征提取,增加了模型在局部空间上对复合特征矩阵的多分辨率分析能力。MLMSFFCNN有利于提升模型的分类性能。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京工业大学,未经北京工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010291359.4/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top