一种原始脑电深度学习分类方法和应用

摘要

本发明公开了一种原始脑电深度学习分类方法，包括提取测试样本、将所得测试样本转换为测试输入图像、将所得测试输入图像输入到深度学习模型中，并且进行鲁棒性特征提取得到鲁棒性特征、将提取到的鲁棒性特征输入到极限学习机分类器中进行分类分析。其深度学习模型由卷积神经网络和长短期记忆神经网络构成。卷积神经网络可以利用卷积层进行特征提取，不需要反复寻找合适的特征，节省了大量的时间。同时，利用卷积层进行特征提取，可以通过改变卷积核的大小来提高对脑电分析的准确度，操作简便，速度更快，并且可使准确度高达90％以上。

说明书

技术领域

本发明涉及精神分裂症检测技术领域，特别是涉及一种原始脑电深度学习分类方法和应用。

背景技术

脑电信号是通过电极记录下来的脑细胞群的自发性和节律性电活动。脑电信号含有丰富的大脑活动信息，因此被广泛应用于脑电分析研究中。

目前的脑电分析大多依靠正常脑电与非正常脑电的对比或者依靠分析者的经验，没有具体合理的分析模型，主观影响因素较多，准确率较低。

发明内容

本发明的目的是针对现有技术中原始脑电深度学习分类方法准确率较低的技术缺陷，而提供一种原始脑电深度学习分类方法。

为实现本发明的目的所采用的技术方案是：

一种原始脑电深度学习分类方法，包括以下步骤：

步骤A：提取待测人的原始脑电时间序列信号，并对其进行噪声过滤处理，噪声过滤处理后的待测人的脑电时间序列信号作为测试样本；

步骤B：将步骤A所得测试样本转换为测试输入图像；

步骤C：将步骤B所得测试输入图像输入到深度学习模型中，并且在所述深度学习模型中进行鲁棒性特征提取得到鲁棒性特征；

步骤D：将步骤C提取到的鲁棒性特征输入到极限学习机(ELM)分类器中进行分类。参考文献：[1]S.Li,S.Song,and Y.Wan,“Laplacian twin extreme learning machinefor semi-supervised classification”,Neurocomputing,vol.321,pp.17-27,2018.

[2]Y.Yu and Z.Sun,“Sparse coding extreme learning machine forclassification”,Neurocomputing,vol.261,pp.50-56,2017.

在上述技术方案中，步骤B中测试样本转换方法是基于短时傅里叶变换算法。

在上述技术方案中，所述短时傅里叶变换算法是通过以下公式完成的：

其中，z(u)为在时刻u的脑电时间序列信号，g(u-t)为窗函数，f为脑电时间序列信号采样率，j为复数，j＝1×i，i为虚数单位。

在上述技术方案中，将所得测试样本转换为测试输入图像时，使用了3秒的窗口进行了短时傅里叶变换。

在上述技术方案中，步骤C中，所述深度学习模型由卷积神经网络(CNN)和长短期记忆神经网络(LSTM)构成。CNN与LSTM是进行网络堆叠的，将CNN提取的特征矩阵整合为LSTM可输入的矩阵。参考文献[3]Sainath T N,Vinyals O,Senior A,etal.Convolutional,Long Short-Term Memory,fully connected Deep Neural Networks[C]//ICASSP 2015-2015IEEE International Conference on Acoustics,Speech andSignal Processing(ICASSP).IEEE,2016.

在上述技术方案中，所述卷积神经网络共有三层，第一层卷积核大小为3×(3-20)，优选3×20，第二层卷积核大小为2×(2-20)，优选2×20，第三层卷积核大小为2×(2-20)，优选2×20。卷积神经网络中卷积核大小在此范围内时，可保证准确率达到90％以上。

在上述技术方案中，所述长短期记忆神经网络共有三层，第一次为输入层，第二层为隐藏层，所述隐藏层设置的隐藏单元为100，第三层为输出层。

在上述技术方案中，所述深度学习模型的训练方法，包括以下步骤：

步骤1：提取精神分裂症患者和健康人的原始脑电时间序列信号，并进行噪声过滤处理，噪声过滤处理后的精神分裂症患者和健康人的脑电时间序列信号作为训练样本；

步骤2：将步骤1提取的训练样本划分为训练集和验证集；所述训练集中脑电时间序列的数量为所述训练样本中脑电时间序列总数量的70％，所述验证集中脑电时间序列的数量为所述训练样本中脑电时间序列总数量的30％。

步骤3：基于短时傅里叶变换算法，将步骤2划分的训练集和验证集分别转换为卷积神经网络可识别的训练集输入图像和验证集输入图像，所述训练集输入图像和验证集输入图像组成模型输入图像集；

步骤4：将步骤3转换所得模型输入图像集输入到所述深度学习模型中，进行鲁棒性特征提取，并训练深度学习模型最优参数。

步骤5：将步骤4训练好的深度学习模型的最优参数输出。

与现有技术相比，本发明的有益效果是：

1.本发明提供的基于脑电与深度学习的原始脑电深度学习分类方法，其深度学习模型由卷积神经网络和长短期记忆神经网络构成。卷积神经网络可以利用卷积层进行特征提取，不需要反复寻找合适的特征，节省了大量时间。

2.本发明提供的基于脑电与深度学习的原始脑电深度学习分类方法，对于利用卷积层进行特征提取，可以通过改变卷积核的大小来提高脑电分析的准确度，操作简便，速度更快，并且可使准确度高达90％以上。

3.本发明提供的基于脑电与深度学习的原始脑电深度学习分类方法，长短期记忆神经网络可以在卷积层提取的特征基础上进行对时间依赖性的判断进一步提取鲁棒性特征。

附图说明

图1所示为基于脑电与深度学习的原始脑电深度学习分类方法的流程图。

图2所示为精神分裂症与健康人的脑电时间序列信号对比图。

图3所示为精神分裂症与健康人的3s窗口短时傅里叶变换图。

图4所示为CNN-LSTM-ELM的结构图。

具体实施方式

以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

一种深度学习模型，由卷积神经网络和长短期记忆神经网络构成。所述卷积神经网络共有三层，第一层卷积核大小为3X20，第二层卷积核大小为2X20，第三层卷积核大小为2X20。所述长短期记忆神经网络共有三层，第一层为输入层，第二层为隐藏层，所述隐藏层设置的隐藏单元为100，第三层为输出层。

上述深度学习模型的训练方法，包括以下步骤：

步骤1：提取训练样本

提取45位精神分裂症患者和39位健康人的原始脑电时间序列信号，并进行噪声过滤处理，噪声过滤处理后的精神分裂症患者和健康人的脑电时间序列信号作为训练样本。

步骤2：划分训练样本

将步骤1提取的训练样本划分为训练集和验证集，所述训练集中脑电时间序列的数量为所述训练样本中脑电时间序列总数量的70％，所述验证集中脑电时间序列的数量为所述训练样本中脑电时间序列总数量的30％。

步骤3：转换模型输入图像集

基于短时傅里叶变换算法，将步骤2划分的训练集和验证集分别转换为卷积神经网络可识别的(卷积神经网络可识别的图像格式为二维矩阵格式)训练集输入图像和验证集输入图像，所述训练集输入图像和验证集输入图像组成模型输入图像集。

步骤4：将步骤3转换所得模型输入图像集输入到深度学习模型中，进行鲁棒性特征提取，并训练深度学习模型最优参数。

步骤5：将步骤4训练好的深度学习模型的最优参数输出。

实施例2

一种原始脑电深度学习分类方法，包括以下步骤：

步骤A：提取原始脑电时间序列信号，并对其进行噪声过滤处理，噪声过滤处理后的待测人的脑电时间序列信号作为测试样本；

步骤B：基于短时傅里叶变换算法，将步骤A所得测试样本转换为卷积神经网络可识别的测试输入图像；

步骤C：将步骤B所得测试输入图像输入到实施例1训练好的深度学习模型中，并且在训练好的深度学习模型中进行鲁棒性特征提取得到鲁棒性特征；

步骤D：将步骤C提取到的鲁棒性特征输入到极限学习机分类器中进行分类分析。

该方法可用于精神分裂症的探测，所述极限学习机分类器进行精神分裂症的探测并输出探测结果。

实施例3

本实施例是在实施例2的基础上介绍其详细方法或优选。

实施例1步骤3中和实施例2步骤B中，所述短时傅里叶变换算法是通过以下公式完成的：

其中，z(u)为在时刻u的脑电时间序列信号，g(u-t)为窗函数，f为脑电时间序列信号采样率，j为复数，j＝1×i，i为虚数单位。

步骤B中，将所得测试样本转换为测试输入图像时，使用了3秒的窗口进行了短时傅里叶变换。

步骤D中，输出的探测结果是指，根据脑电时间序列信号判断被试者是有精神分裂症还是没有精神分裂症。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。