[发明专利]一种基于一致性正则化的半监督脑电信号分类方法

说明书

本发明公开了一种基于一致性正则化的半监督脑电信号分类方法，包括：1、选取部分数据进行标注，并进行预处理；2、搭建人工神经网络，并作为特征处理器；3、对输入进行随机增强，促使样本在输入空间上出现一定的波动；4、记录每次迭代得到的输出概率，当前的结果与历史的结果进行指数滑动平均集成；5、设计损失函数，在交叉熵损失函数的基础上，设计无监督的一致性正则项优化决策边界；6、利用组合后的损失函数优化模型参数，获得最优分类模型。本发明能够在仅有一小部分数据被标注的情况下，充分利用无标注数据来优化决策边界，从而取得较为理想的脑电信号分类性能，在医疗等应用领域，对减轻标注成本有重要意义。

技术领域

本发明属于脑电信号处理领域，具体的说是一种基于一致性正则化的半监督脑电信号分类方法。

背景技术

脑电信号(EEG，Electroencephalography)是记录脑电活动的有力工具，能够准确地区分不同的脑部状态。近年来，脑电信号的自动分类越来越多的关注，在癫痫检测、情绪识别和睡眠监护等领域都有重大的应用价值。目前，脑电信号分类方法主要分为两大类：传统机器学习算法和深度学习算法。

传统机器学习算法的关键在于特征工程，它需要人工设计具有高区分度的特征。常用的人工特征可以分为两大类：线性特征和非线性特征。线性特征主要包括自回归系数、方差、谱能量和Hjorth描述符等，非线性特征主要包括动态相似指数、Lyapunov指数和相位同步系数等。人工特征的设计要求研究人员具有高度深入的专业知识，且因为脑电信号固有的非平稳性，设计鲁棒的特征困难度极高。

近年来，深度学习算法被广泛的应用到脑电信号分类中，并取得了巨大的成功，常见的网络结构有深度置信网络、卷积神经网络、长短时记忆网络等。深度学习避免了人工特征的设计，采用数据驱动的方式，驱动人工神经网络自动提取数据中的特征，从而实现分类，并取得显著的分类效果。

然而，深度学习的成功依赖于大量带标注的数据。目前基于深度学习的脑电信号分类算法多采用全监督模式，在训练过程中，需要大量带标注的样本，才能取得可靠的决策边界。现实中，对脑电的标注成本极高，不仅要求相应病理学家有相当丰富的经验，而且十分耗时。这限制了深度学习方法在脑电信号分类中的进一步发展。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于一致性正则化的半监督脑电信号分类方法，以期能充分利用无标注数据来优化决策边界以减轻对标注数据的依赖，并取得较为理想的脑电信号分类性能。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于一致性正则化的半监督脑电信号分类方法的特点在于，包括以下步骤：

步骤1、获取脑电信号数据集，并利用随机函数选取部分数据进行标注，得到带标注的数据集；将其余的脑电信号数据集作为无标注的数据集；

步骤2、对所有数据统一进行切片分割、短时傅里叶变换、去噪的预处理；

步骤2.1、利用滑窗法分别将带标注的数据集和无标注的数据集切分为长度为l的片段，得到带标注的样本集和无标注的样本集；

步骤2.2、采用短时傅里叶变换分别将带标注的样本集和无标注的样本集转换为带标注的时频样本集和无标注的时频样本集；

步骤2.3、在频域上分别移除所述带标注的时频样本集和无标注的时频样本集的部分频率成分，以去除工频干扰和直流分量，从而得到带标注的去噪时频样本集L和无标注的去噪时频样本集U；其中，对于任意一个样本x，赋予一个标记标量I，当I＝0时，表示样本x属于无标注的去噪时频样本集U，即x∈U；当I＝1时，表示样本x属于带标注的去噪时频样本集L，即x∈L，当x∈L时，令样本x的标注y∈{0,...,C-1}，其中，C代表类别数；

步骤3、搭建人工神经网络f_θ，并作为特征处理器，其中，θ表示网络参数；