一种基于GAN模型和PLV网络的运动想象识别方法

摘要

本发明提出了一种基于GAN模型和PLV网络的运动想象识别方法，其步骤包括：(1)对原始信号进行预处理，包括重采样和分段处理；(2)对每段脑电信号带通滤波，并进行滑动窗处理；(3)针对每个滑动窗下脑电信号计算PLV，然后求各个滑动窗信号的PLV的平均值，将该平均值作为该状态下的PLV；(4)计算静息态下的PLV；(5)计算差分PLV特征矩阵；(6)以带有标签样本的PLV特征矩阵为约束条件，利用GAN将生成器获取的随机生成矩阵转化为生成PLV特征矢量，实现样本特征集的扩充；(7)基于扩充后的样本特征集训练分类器，构建基于GAN模型和PLV网络的运动想象识别模型，输出识别结果。本发明通过GAN实现样本特征集的有效扩充，克服样本特征集不足造成的训练过拟合现象，提高了运动想象的状态识别能力，为进一步的研究奠定基础。

说明书

技术领域

本发明涉及信号与信息处理和神经生物学交叉领域，特别是涉及一种基于GAN模型和PLV网络的运动想象识别方法。

背景技术

大脑，作为自然界中最为复杂的系统之一，是人类大脑进行信息处理和认知表达的生理基础。考虑到大脑皮层相互作用，利用数学建模无创地获取人脑的结构连接仍是目前构建人脑结构网络的一个研究热点内容，这有利于增强理解脑-任务关系。因此，对脑网络的研究有助于加深理解人类在任务态下大脑的工作机制，促进脑机接口、认知过程及临床应用等领域的发展与进步。

近年来，虽然不断涌现新的特征提取方法为运动想象的识别带来了更多的选择，但由于(1)个体差异性，造成不同被试间数据的通用性问题；(2)数据采集设备和采集时间成本较大，引起的采集成本问题等，综上这些因素共同作用下易造成运动想象标签样本的缺失。特别是随着深度学习网络的出现，进一步加深了解决该问题的急迫性。相比于传统特征提取方法，深度学习具有深层网络结构的特点，队训练样本的数据量提出了更高的要求，否则极易出现过拟合的现象。

因此，本专利充分利用少量带标签特征矩阵伪约束条件，以GAN模型为基础实现特征矩阵的扩充，期望解决网络训练的过拟合现象及有效解决样本完备性的问题，进而保证分类识别效果。通过GAN网络内部生成模型和判别模型的竞争和博弈过程，实现整个网络参数优化和性能提升。考虑到GAN模型的设计灵活，为了提升数据的完备性，利用少量带标签特征矩阵对学习网络进行优化和微调，以保证网络模型训练的完备性和充分性，最终设计适用于运动想象数据扩充算法框架。

发明内容

为了解决上述问题，本发明提出了一种将基于GAN模型的样本生成算法和差分PLV网络模型结合的运动想象状态识别方法，它是首先提取脑电信号的PLV模型的特征参数，然后GAN模型实现对样本数据库的扩充，最终实现对运动想象状态的识别。本发明的基本技术方案如下：

1.对原始信号进行预处理，包括重采样和分段处理；

2.对每段脑电信号带通滤波，并进行滑动窗处理；

3.针对每个状态下脑电信号的每个滑动窗信号，分别计算其PLV，然后求各个滑动窗信号的PLV的平均值，将该平均值作为该状态下的PLV；

4.针对每个运动想象开始前2s脑电数据进行滑动窗处理，对每个窗数据计算PLV，然后求各个滑动窗PLV的平均值，将该平均值作为静息态下的PLV；

5.计算差分PLV特征矩阵；

6.以带有标签样本的PLV特征矩阵为约束条件，利用生成对抗网络(GenerativeAdversarial Networks，GAN)将生成器获取的随机生成矩阵转化为生成PLV特征矢量，实现样本特征集的扩充；

7.基于扩充后的样本特征集训练分类器，构建基于GAN模型和PLV网络的运动想象识别模型，输出识别结果。

本发明的有益效果是，在进行运动想象的状态识别时，利用生成对抗网络实现特征集样本的扩充，有效克服了样本集不足的问题，提高了运动想象的状态识别能力。

附图说明

图1基于GAN模型和PLV网络的运动想象识别方法流程图

图2真实样本的PLV网络示意图(基于BrainNet工具箱显示)

图3生成样本的PLV网络示意图(基于BrainNet工具箱显示)

具体实施方式

本发明提出的基于GAN模型和PLV网络的运动想象识别方法的流程图如图1所示，下面结合附图对本发明的具体实施方式做详细说明。

(1)对原始N导脑电信号进行预处理，包括重采样和分段处理：读取运动想象的脑电数据，并对其进行降采样；然后依据想象运动状态的标签对重采样后的数据进行分段处理，设定每个想象运动状态的脑电信号s(t)持续时间为3s；

(2)对每段脑电信号s(t)进行(15-35Hz)带通滤波，并进行滑动窗处理，窗长为1s，重叠率为10％，据此将s(t)的脑电信号分段，每段信号为s

(3)计算每个s

(4)将想象运动开始前2s的脑电数据作为静息态脑电数据，重复(2)和(3)，计算静息态的平均值PLV矩阵Matrix

(5)根据(3)和(4)计算的PLV矩阵，计算差分PLV特征矩阵Matrix

Matrix

(6)以带有标签样本的PLV特征矩阵为约束条件，利用生成对抗网络(GAN)将生成器获取的随机生成矩阵转化为生成PLV特征矢量，实现样本特征集的扩充，具体的实现步骤如下：

(6.1)利用利用GAN的生成器随机生成n个样本的N×N伪特征矩阵Matrix

(6.2)将伪特征矩阵Matrix

(6.3)若生成PLV特征矩阵和真实PLV特征矩阵误差达到一定的阈值，则表示GAN的生成器和判别器优化完成，进入下一步；否则利用反向传播算法对生成器和判别器的网络参数进行优化更新，重新进入步骤(6.1)；

(6.4)对各个状态下的样本特征矩阵为约束条件，重复步骤(6.1)，直至生成所有的运动想象状态的伪特征矩阵；

(6.5)利用特定状态下的伪特征矩阵实现对该状态下的带标签的特征矩阵实现容量扩充，构建新的特征矩阵[Matrix

(7)基于扩充后的样本特征矩阵训练分类器，构建基于GAN模型和PLV网络的运动想象识别模型，输出识别结果。