[发明专利]基于深度卷积对抗生成神经网络的脑电信号解码方法

说明书

一种基于深度卷积对抗生成神经网络的脑电信号解码方法，首先将脑电信号通过短时傅里叶变化，由时序信号转化成时频域图像信号；然后再通过整合卷积神经分类网络和对抗生成网络，利用对抗生成网络对小样本脑电数据进行数据增强，再将增强后的数据放入卷积神经分类网络中，进行分类，实现解码；本发明将卷积神经分类网络和对抗生成网络的结构优势进行结合，构克服了神经网络处理小样本数据存在的缺陷，有效地解决了非平稳、非线性信号处理过程中存在的问题，提高了自发性脑电信号解码精度；同时，本发明为脑电信号数据增强提供了新的解决方法，为以后实际操作过程减少校准时间和提高分类模型泛化能力提供了新思路。

技术领域

本发明属于生物信息技术领域，具体涉及一种基于深度卷积对抗生成神经网络的脑电信号解码方法。

背景技术

运动想象思维活动，是一种运动意图的思维仿真而无真实的运动输出的思维方式，即大脑对整个运动过程进行想象而无实际的肌肉收缩，在神经生理学领域真实运动与运动想象有极大的相似性。脑-机接口(BCI)实质上是一套实现人和外部设备通信的人机接口系统，它不依赖于正常的外围神经肌肉通道，而是将脑电信号作为大脑意图的载体与外界进行交互。所以，在实际应用中，基于运动想象的脑机接口技术常常用来智能交互和辅助应用上。

在这个过程中，如何有效地提取脑电信号的特征和识别出受试者的运动意图，是这项任务的关键所在。但是脑电信号具有信噪比低、噪声干扰大，且具有强的非线性和非平稳性，而且，由于个体之间的生理差异，不同受试者的脑电信号在时域和频域上，会产生较大的差异。所以，传统的信号处理算法，难以有效地提取大脑活动意图。

近些年，深度神经网络在对图像、语音、自然文本语言特征分类的应用上取得了良好的效果，由于其分层特征表达能力和自适应特征学习能力，该方法有效降低了信息处理环节中的误差，能有效地提取和归纳特征，并降低了冗余信息对模式识别的干扰，是一种处理脑电信号的理想模型。但是，深度神经网络是一种数据依赖型的处理方法，没有大量数据的支撑，神经网络则易产生过拟合，从而不具备良好的泛化能力。在实际操作中，由于脑电实验对被试选择的限制，对实验时间的限制，以及操作复杂度等因素，导致脑电信号数据难以成规模、大批量的被收集到，所以，利用深度学习框架对脑电信号解码势必会产生小样本数据的问题。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于深度卷积对抗生成神经网络的脑电信号解码方法，提高了自发性脑电信号解码精度。

为了达到上述目的，本发明所采取的技术方案是：

一种基于深度卷积对抗生成神经网络的脑电信号解码方法，首先将脑电信号通过短时傅里叶变化，由时序信号转化成时频域图像信号；然后再通过整合卷积神经分类网络和对抗生成网络，利用对抗生成网络对小样本脑电数据进行数据增强，再将增强后的数据放入卷积神经分类网络中，进行分类，实现解码。

一种基于深度卷积对抗生成神经网络的脑电信号解码方法，包括以下步骤：

1)脑电信号预处理：采用BCI Competition Dataset 2b的运动想象脑电信号作为分析对象，首先，将采集到n导联脑电信号通过巴特沃斯四阶滤波器，进行8-30Hz的带通滤波，滤波后的信号表示为：

其中，N为样本点总数，n为导联数，m为采样点数，为第i个导联第j个采样点，t＝{1,2，···N}，然后，再利用短时傅里叶变化，将时序脑电信号转换成时频域空间信号；

X(t)是傅里叶变换之后的结果，ω表示固定的中心频率，R代表滑动窗的数目，j代表复指数；