本發(fā)明屬于運(yùn)動(dòng)想象腦電信號(hào)處理領(lǐng)域，具體涉及一種基于multi-bandsfdbn的運(yùn)動(dòng)想象腦電信號(hào)的特征提取方法，是腦科學(xué)與計(jì)算機(jī)科學(xué)的交叉領(lǐng)域。

背景技術(shù)：

大腦是一個(gè)異常精細(xì)與復(fù)雜的組織結(jié)構(gòu)，一套動(dòng)作的完成通常是經(jīng)由腦部對(duì)應(yīng)的區(qū)域產(chǎn)生刺激電位，這些電位經(jīng)過神經(jīng)元細(xì)胞傳輸?shù)讲煌牟课?，進(jìn)而通過肌肉組織或者外周神經(jīng)系統(tǒng)與外界建立聯(lián)系。然而，世界上每年因?yàn)榧膊』蛞馔舛氯藛适н\(yùn)動(dòng)能力的情形不計(jì)其數(shù)，此前有報(bào)道稱，在美國(guó)患有萎縮性側(cè)索硬化癥及脊髓損傷的人高達(dá)200萬(wàn)人以上，類似的病癥還有中風(fēng)、腦癱瘓等。這些疾病都是直接或間接地破壞了大腦中樞與外界交流的通道，從而影響了人們的正常生活。

bci的出現(xiàn)給這類病人帶來(lái)了福音，它繞過電位傳遞的通道，直接在大腦與外部設(shè)備之間進(jìn)行信息傳遞。同時(shí)它克服了人們必須通過神經(jīng)和肌肉與外界環(huán)境的交流，是當(dāng)前腦科學(xué)研究與信息處理技術(shù)的良好結(jié)合，給全身肌肉和神經(jīng)系統(tǒng)嚴(yán)重?fù)p傷但大腦思維正常的病人和老年人士帶來(lái)了一種新的人機(jī)交互方式，使他們可以通過思維直接控制外部環(huán)境來(lái)實(shí)現(xiàn)生活的自理。

現(xiàn)階段bci的研究已經(jīng)取得了一定成果，但遠(yuǎn)沒有達(dá)到實(shí)際應(yīng)用的程度。其中存在的主要問題之一就是尋找高識(shí)別率和精度的腦電信號(hào)處理算法。在bci系統(tǒng)中，如何從大腦的思維中高精度地提取并識(shí)別出運(yùn)動(dòng)想象mi-eeg指令，是評(píng)價(jià)運(yùn)動(dòng)想象腦電信號(hào)的處理算法的關(guān)鍵，所以，研究mi-eeg處理的特征提取和模式識(shí)別對(duì)bci系統(tǒng)的研究具有重要的學(xué)術(shù)意義和實(shí)際應(yīng)用價(jià)值。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在解決以上現(xiàn)有技術(shù)的問題。提出了一種提高當(dāng)前運(yùn)動(dòng)想象腦電信號(hào)識(shí)別率的基于multi-bandsfdbn的運(yùn)動(dòng)想象腦電信號(hào)的特征提取方法。本發(fā)明的技術(shù)方案如下：

一種基于multi-bandsfdbn的運(yùn)動(dòng)想象腦電信號(hào)的特征提取方法，其包括以下步驟：

1)、首先利用帶通濾波器將原始的腦電信號(hào)分成多個(gè)頻段，接著對(duì)各頻段采用fft將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)；使用全局min-max的方式對(duì)各頻域信號(hào)作歸一化處理；

2)、將步驟1)歸一化處理后的各頻域數(shù)據(jù)輸入深度置信網(wǎng)絡(luò)dbn進(jìn)行訓(xùn)練識(shí)別，對(duì)經(jīng)過預(yù)處理的腦電信號(hào)進(jìn)行特征提?。?/p>

3)、將深度置信網(wǎng)絡(luò)dbn后接softmax分類器對(duì)步驟2)提取到的特征進(jìn)行分類，并采用加權(quán)計(jì)算的方式將多個(gè)softmax分類器的結(jié)果進(jìn)行融合，輸出最終的分類結(jié)果。

進(jìn)一步的，所述步驟1)中，利用帶通濾波器將原始的腦電信號(hào)分成多個(gè)頻段具體包括：將多個(gè)帶通濾波器組成的濾波器組，根據(jù)帶通濾波器的參數(shù)而保留對(duì)應(yīng)的頻帶信息，為了盡可能地涵蓋多個(gè)頻帶，濾波器組中各個(gè)帶通濾波器的帶寬設(shè)置為5，相鄰濾波器之間的步長(zhǎng)為1，原始腦電信號(hào)經(jīng)濾波器組處理后，將分成多頻段數(shù)據(jù)。

進(jìn)一步的，所述fft算法簡(jiǎn)化了dft算法的過程，原始的dft算法的表達(dá)式如下：

其中

n表示頻率點(diǎn)，x(n)表示輸入的離散信號(hào)序列。

fft算法利用算子具有周期性及對(duì)稱性的特點(diǎn)，加快了運(yùn)算過程，使得算法的計(jì)算復(fù)雜度改進(jìn)為o(n·log(n))，dft可以根據(jù)奇偶分成兩部分計(jì)算：

當(dāng)n為偶數(shù)時(shí)，可表示為2m，n為奇數(shù)時(shí)，可表示為2m+1進(jìn)一步的，所述全局min-max歸一化的計(jì)算方式如下：

其中，x代表需原始數(shù)據(jù)。

進(jìn)一步的，所述dbn由若干個(gè)限制玻爾茲曼機(jī)rbm組成，rbm由一個(gè)可視層和一個(gè)隱層構(gòu)成，該rbm的系統(tǒng)能量計(jì)算如下：

其中，v,h分別表示可見層單元和隱含層單元，ai和bj分別代表可視層神經(jīng)元i和隱層神經(jīng)元j的偏置項(xiàng)，w是連接可見層和隱含層各單元間的連接權(quán)值，θ＝{a,b,w}是rbm模型的參數(shù)，i,j分別表示可見層和隱含層的單元個(gè)數(shù)。

進(jìn)一步的，所述步驟3)將多個(gè)網(wǎng)絡(luò)的softmax層輸出按照權(quán)重計(jì)算的方式進(jìn)行融合，輸出最終的分類結(jié)果，具體包括：

對(duì)于多頻帶頻域深度置信網(wǎng)絡(luò)multi-bandsfdbn來(lái)說，{x(1),...,x(m)}為dbn網(wǎng)絡(luò)最后一層的輸出，softmax分類器中樣本參數(shù)為w，則每一個(gè)樣本x對(duì)于類別j的條件概率計(jì)算如下：

使用共軛梯度法來(lái)求解softmax回歸代價(jià)函數(shù)極小值，softmax回歸的代價(jià)函數(shù)如下：

其中，1{f}為指示函數(shù)，f為真時(shí)，該函數(shù)值為1，否則為0；

結(jié)果融合將多個(gè)網(wǎng)絡(luò)的softmax層輸出按照權(quán)重計(jì)算的方式進(jìn)行融合，計(jì)算方式如下：

其中，ei是分類錯(cuò)誤率，ci表示此分類模塊對(duì)于最終結(jié)果的權(quán)重，最終的分類結(jié)果是加權(quán)各個(gè)分類器的輸出得到的：

其中，fi(x)是各個(gè)分類器中softmax層的輸出，r(x)表示最終的分類結(jié)果。

綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：對(duì)于運(yùn)動(dòng)想象腦電數(shù)據(jù)集，改進(jìn)的方法不僅充分挖掘了信號(hào)頻帶差異性的信息，而且提高了腦電信號(hào)穩(wěn)定性和平均識(shí)別率，并且方差更小，魯棒性更好。

附圖說明

圖1是本發(fā)明提供優(yōu)選實(shí)施例rbm網(wǎng)絡(luò)模型；

圖2為；multi-bandsfdbn算法流程圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、詳細(xì)地描述。所描述的實(shí)施例僅僅是本發(fā)明的一部分實(shí)施例。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案是：

本發(fā)明提供的技術(shù)方案為一種基于multi-bandsfdbn的運(yùn)動(dòng)想象腦電信號(hào)的特征提取方法。本發(fā)明的流程圖如圖2所示，該方法具體步驟為：

步驟一：預(yù)處理；對(duì)信號(hào)采集設(shè)備采集到的腦電信號(hào)根據(jù)信號(hào)頻帶信息的個(gè)體差異性，通過多個(gè)帶通濾波器組成的濾波器組，再對(duì)通過濾波器組的信號(hào)使用fft進(jìn)行變換，，最后使用min-max方法進(jìn)行歸一化處理。

步驟二：深層特征提??；采用dbn網(wǎng)絡(luò)對(duì)經(jīng)過預(yù)處理的腦電信號(hào)進(jìn)行提取特征。

步驟三：結(jié)果融合；將多個(gè)網(wǎng)絡(luò)的softmax層輸出按照權(quán)重計(jì)算的方式進(jìn)行融合，輸出最終的分類結(jié)果。

下面對(duì)本發(fā)明的每個(gè)步驟進(jìn)行具體說明：

步驟一的預(yù)處理部分中多個(gè)帶通濾波器組成的濾波器組，將會(huì)根據(jù)帶通濾波器的參數(shù)而保留對(duì)應(yīng)的頻帶信息。為了盡可能地涵蓋多個(gè)頻帶，濾波器組中各個(gè)帶通濾波器的帶寬設(shè)置為5，相鄰濾波器之間的步長(zhǎng)為1。原始腦電信號(hào)經(jīng)濾波器組處理后，將分成多頻段數(shù)據(jù)。

運(yùn)動(dòng)想象的信息主要集中在頻域，預(yù)處理部分中傅里葉變換fft是有效的變換算法。

fft作為dft(discretefouriertransform)的高效算法，它簡(jiǎn)化了在計(jì)算機(jī)中進(jìn)行dft的過程，原始的dft的計(jì)算如下：

其中

fft算法利用算子具有周期性及對(duì)稱性的特點(diǎn)，加快了運(yùn)算過程，使得算法的計(jì)算復(fù)雜度改進(jìn)為o(n·log(n))，dft可以根據(jù)奇偶分成兩部分計(jì)算：

單個(gè)的dft變換變成了兩個(gè)規(guī)模更小的dft，對(duì)于每一個(gè)子問題又可以按照這種方式分解得到更小的子問題，直到分解出的子問題無(wú)法繼續(xù)提高效率為止。這種計(jì)算方式的時(shí)間復(fù)雜度為o(n·log(n))。借助于fft變換，可以很方便地研究信號(hào)的頻域信息。

預(yù)處理部分中min-max歸一化可解決多次試驗(yàn)中噪聲干擾帶來(lái)的數(shù)據(jù)漂移問題。對(duì)于某些后端輸入，需要約束數(shù)據(jù)的范圍，此時(shí)，min-max歸一化便顯得比較重要。計(jì)算方式如下：

其中，x代表需原始數(shù)據(jù)。根據(jù)min以及max所選取的極值范圍不同，它可以分為局部min-max歸一化和全局min-max歸一化，其中，全局的min-max歸一化方式對(duì)于運(yùn)動(dòng)想象更有效。

步驟二的深層特征提取部分采用dbn網(wǎng)絡(luò)對(duì)經(jīng)過預(yù)處理的腦電信號(hào)進(jìn)行提取特征。

dbn由若干個(gè)rbm組成，rbm由一個(gè)可視層和一個(gè)隱層構(gòu)成，圖1展示了rbm的結(jié)構(gòu)。給定輸入信號(hào)v和rbm網(wǎng)絡(luò)參數(shù)w時(shí)，該rbm的系統(tǒng)能量計(jì)算如下：

其中，vi和hj表示二元狀態(tài)，ai和bj分別代表可視層神經(jīng)元i和隱層神經(jīng)元j的偏置項(xiàng)。

步驟三的結(jié)果融合部分將多個(gè)網(wǎng)絡(luò)的softmax層輸出按照權(quán)重計(jì)算的方式進(jìn)行融合，輸出最終的分類結(jié)果。

對(duì)于multi-bandsfdbn來(lái)說，{x(1),...,x(m)}為dbn網(wǎng)絡(luò)最后一層的輸出。softmax分類器中樣本參數(shù)為w，則每一個(gè)樣本x對(duì)于類別j的條件概率計(jì)算如下：

使用共軛梯度法來(lái)求解softmax回歸代價(jià)函數(shù)極小值，softmax回歸的代價(jià)函數(shù)如下：

其中，1{f}為指示函數(shù)，f為真時(shí)，該函數(shù)值為1，否則為0。

結(jié)果融合將多個(gè)網(wǎng)絡(luò)的softmax層輸出按照權(quán)重計(jì)算的方式進(jìn)行融合。計(jì)算方式如下：

其中，ei是分類錯(cuò)誤率，ci表示此分類模塊對(duì)于最終結(jié)果的權(quán)重。最終的分類結(jié)果是加權(quán)各個(gè)分類器的輸出得到的：

其中，fi(x)是各個(gè)分類器中softmax層的輸出，r(x)表示最終的分類結(jié)果。這種策略增加了重要頻帶的權(quán)重，越重要的頻帶對(duì)于最終的分類結(jié)果貢獻(xiàn)越大。

以上這些實(shí)施例應(yīng)理解為僅用于說明本發(fā)明而不用于限制本發(fā)明的保護(hù)范圍。在閱讀了本發(fā)明的記載的內(nèi)容之后，技術(shù)人員可以對(duì)本發(fā)明作各種改動(dòng)或修改，這些等效變化和修飾同樣落入本發(fā)明權(quán)利要求所限定的范圍。