[发明专利]一种基于CNN分类模型和生成对抗网络的运动想象分类方法及系统

说明书

本发明公开了一种基于CNN分类模型和生成对抗网络的运动想象分类方法及系统，包括数据预处理：对收集的MI原始数据通过ICA消除部分噪声，通过带通滤波器消除不重要或干扰的信号，并通过小波变换和快速傅立叶变换进行特征提取；数据扩充：通过基于长短期记忆网络和生成对抗网络，生成高质量MI数据；数据分类：通过多输出卷积神经网络，提高分类性能，得到分类结果；所述基于长短期记忆网络和生成对抗网络包括生成器和鉴别器，生成器包括第一完全连接层、多个卷积层和多个注意力网络，鉴别器包括多个卷积LSTM和第二完全连接层。本发明使用LSTM和GAN构建LGAN，完成对MI数据的时空维度建模，并通过生成器生成高质量的新数据，降低因数据不足对分类结果的影响。

技术领域

本发明涉及运动图像分类领域，尤其涉及一种基于CNN分类模型和生成对抗网络的运动想象分类方法及系统。

背景技术

脑机接口(BCI)在大脑和计算机之间建立连接路径，从而可以将脑电图(EEG)信号转换为外围控制信号。BCI通过放置在头皮表面或颅骨内部的电极记录脑电势活动。该信号表现出高的时间和空间分辨率。近年来，作为重要的EEG信号的运动图像(MI)已得到广泛研究。典型的MI任务是记录和分析EEG信号。这些信号来自参与者特定身体部位的假想运动。MI已广泛用于娱乐，医疗，军事和自动驾驶等各个领域。

传统的MI数据分析主要包括三个步骤：1)MI数据的预处理；2)对预处理的MI数据进行特征提取；3)分类提取特征。传统方法由于依赖研究人员的先验知识进行数据预处理和特征提取而受到限制。此外，可以容易地删除有用的信息，并且可以容易地忽略特征提取期间不同信道信号之间的相关性。因此，传统方法降低了MI分类的准确性和可靠性。

最近的研究表明深度学习对脑电信号分析的潜在贡献。它可以自动提取有用的脑电特征，从而减少了人为因素导致的特征选择的主观性和不完整性。

W.-L.Zheng,J.-Y.Z.,Y.Peng,andB.-L.Lu,EEG-based emotion classificationusing deep belief networks.nProc.IEEEInt.Conf.Multimedia Expo(ICME),2014:p.1-6中使用深度信念网络(DBN)和隐马尔可夫模型来检测情绪；因此，与传统的支持向量机(SVM)和KNN模型相比，他们获得了更高的分类精度。Z.Tang,C.L.,and S.Sun,,Single-trial EEG classification of motor imagery using deep convolutional neuralnetworks.Optik,2017.130:p.11-18.将ERD/ERS定义为在基准时间内信号功率上升或下降的百分比，并将该百分比输入到卷积网络中以完成左右手运动成像EEG的分类。与传统方法相比，精度提高了5％–10％。

但是，MI数据显示出高动态特性。在相同的MI任务下，不同的主题可能会呈现不同的数据形式。另外，分类模型需要大量数据以适应尽可能多的特征分布，并且MI数据的获取并不容易。解决此问题的方法有几种：基于生成对抗网络(GAN)的数据生成技术在许多领域都取得了重大成功。例如，使用基于GAN的自动编码器从EEG信号中滤除不必要的功能。实验中使用了UCI EEG酒精中毒数据集。结果表明，基于GAN的方法可以过滤掉脑电信号中66％的酒精中毒信息。使用GAN框架来增强EEG数据并有效地改善分类结果。同时，一些研究表明，CNN模型中的每个卷积层都可以提取出表示输入数据不同抽象级别上重要信息的特征。但是，端到端CNN分类模型中的低级特征信息会丢失，从而影响分类。提出一种用于对音频信号进行分类的多级，多范围的CNN体系结构。分别提取预训练卷积网络各层的音频特征，然后进行汇总以获得较长的音频片段，然后对其进行分类。将目标对象的多级特征图集成为多种分辨率，并将预测特征图与组合特征集成在一起。尽管在上述文件中提出了解决不同问题的解决方案，但这些解决方案并不全面。

发明内容