[发明专利]一种融合大脑区域间结构信息的脑电识别方法

说明书

本发明提供了一种融合大脑区域间结构信息的脑电信号识别方法，包括以下步骤：首先对脑电(Electroencephalogram，EEG)信号进行预处理并将EEG信号按照不同的大脑区域进行划分；然后利用深度神经网络学习局部和全局大脑区域的EEG深度特征，并将局部和全局大脑区域的EEG深度特征堆叠成特征矩阵；最后，通过引入核范式正则化项学习大脑不同区域间的结构信息。本发明能够利用深度神经网络学习局部和全局大脑区域的EEG深度特征，同时引入核范式正则化项学习基于EEG特征矩阵的大脑区域间结构信息，实现不同类型EEG信号的准确识别，确保基于EEG的BCI系统能够安全可靠的运行。

技术领域

本发明涉及一种融合大脑区域间结构信息的脑电信号识别方法，属于脑电信号识别领域。

背景技术

脑电信号(Electroencephalogram，EEG)具有时间分辨率高、采集过程非侵入以及便携性高等优点，被广泛用于记录大脑的动态活动过程。利用人工智能方法在EEG信号与肢体运动意图之间建立准确的映射关系可以帮助残障患者控制辅助机器人和轮椅完成日常任务，亦可用于电子游戏、军事服务等方面。近年来，深度学习方法已成功应用于对脑电信号特征的提取和分类，取得了较好的效果。然而，大脑的运动、情感等功能，是在空间上分布的但是在功能上相互存在关联的大脑不同区域之间相互作用的结果。目前大多数深度学习方法忽略了大脑不同区域之间存在的相关信息，会对分类结果产生一定的影响。针对上述问题，研究人员提出了一种融合大脑区域间结构信息的脑电识别方法，首先将EEG信号按照不同的大脑区域进行划分，并利用深度神经网络学习局部和全局大脑区域的EEG深度特征，并将局部以及全局脑区EEG深度特征向量堆叠成特征矩阵。最后，通过引入核范式正则化项来学习基于EEG特征矩阵的大脑区域间结构信息，实现EEG信号的准确识别。

发明内容

本发明提供了一种融合大脑区域间结构信息的脑电信号识别方法，利用深度神经网络学习局部和全局大脑区域的EEG深度特征，并将局部以及全局脑区EEG深度特征向量堆叠成特征矩阵，同时引入核范式正则化项学习大脑不同区域间的结构信息，从而提高EEG信号的识别性能。

本发明为解决上述问题采用以下技术方案：

一种融合大脑区域间结构信息的脑电信号识别方法，包括如下步骤：

步骤1：采集EEG信号。

步骤2：对EEG信号进行预处理，以去除噪声并选择特定时间段，得到原始EEG信号其中表示第n个EEG信号，m，d分别表示脑电信号的电极通道数和时间采样点数，y_n∈{-1，+1}是第n个EEG信号对应的标签。

步骤3：根据大脑的不同区域将EEG信号按照通道划分为对应的局部脑区EEG信号。

步骤4：将局部以及全局脑区EEG信号输入深度神经网络分别学习其深度特征，并将局部和全局脑区EEG深度特征展开堆叠成EEG特征矩阵。

步骤5：对EEG特征矩阵进行分类，利用核范式正则化项学习局部脑区间、局部与全局脑区间的结构信息。

步骤6：使用反向传播方法学习分类器和深度神经网络的参数。

优选的，所述融合大脑区域间结构信息方法利用深度学习方法学习局部和全局脑区EEG信号的深度特征，摒弃了人工提取脑电特征费时、费力且易出错的缺点，具有强大的自适应特征学习能力。

优选的，所述融合大脑区域间结构信息方法将局部以及全局脑区EEG深度特征向量堆叠成特征矩阵，并利用核范数正则化项学习脑区间的结构信息，最终的分类器目标函数为：

其中，W和b分别表示回归矩阵及偏置，R(W)表示W的平方Frobenius范数，G(W)表示W的核范数，H(·)表示损失函数。

有益效果：