一种基于EEG的脑电信号运动想象分类研究方法

摘要

本发明公开了一种基于EEG的脑电信号运动想象分类研究方法，具体涉及脑机接口运动想象技术领域，包括步骤一、脑电波数据采集，步骤二、测试者问卷调查并截取最优脑电数据，步骤三、脑电波预处理，步骤四、脑电波调配，步骤五、INCEPTION‑TCN模型建立，步骤六、运行INCEPTION‑TCN模型。本发明通过对采集者所处的采集环境进行严格标准，保证采集者采集的脑电波环境不受环境的各种因素干扰，提高脑电波采集的优异性，而且将所截取的脑电波数据进行各种预处理操作，并采用INCEPTION‑TCN模型对脑电波进行特征提取和训练操作，能够更快且精准的对各项脑电波进行分类研究，减少现在采集人员的工作负担。

说明书

技术领域

本发明涉及脑机接口运动想象技术领域，更具体地说，本发明涉及一种基于EEG的脑电信号运动想象分类研究方法。

背景技术

目前，随着人们在脑电信号的研究，以及计算机技术迅速发展，人工智能也变得越来越火热，越来越多专家学者开始着手研究脑电信号与计算机的结合；

EEG，即脑电波，是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的，它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映，人的大脑是由数以万计的神经元组成的，脑电波就是这些神经元之间的活动产生的电信号，这些神经元之间的连接有的是兴奋的，有的是抑制的；思维活动就是反映这些神经元之间的联系，大脑中的神经元会接收来自其他神经元的信号，当这一些信号的能量积累量超过一定的阐值时，就会产生脑电波，为了检测到脑电波，人们通常将电极放置在人的头皮上来检测脑电波信号，再应用相关的设备进行脑波的收集与处理；

脑机接口是指在人或动物大脑与外部设备之间创建的直接连接，实现脑与设备的信息交换，是一种在脑与外部设备之间建立直接的通信渠道，其信号来自中枢神经系统，传播中不依赖于外周的神经与肌肉系统，常用于辅助、增强、修复人体的感觉、运动功能或提升人机交互能力。

虽然相关的研究者对脑电信号运动想象的分类进行了大量的研究以及BCI技术的不断成熟，但是运动想象脑电信号是一种非常复杂的电信号，在研究及应用过程中，仍然存在以下几个关键问题：

(1)运动想象脑电信号的识别精确度较低，由于每个受试者之间的脑电信号不一样，不同的受试者在执行一样的想象任务时产生的脑电信号不可能完全相同，同一种算法对于同一个体的脑电信号分类准确率相差也很大，而且在整个脑电数据传送过程中，掺杂着较多的生理伪迹信号，其中包括眼动信号、肌肉信号和心电信号，以及设备产生的非生理信号，导致运动想象脑电信号的识别精度较低。

(2)运动想象脑电信号的识别精度和识别速度无法同时兼顾，在BCI研究领域中，研究人员不断地改进和完善现有算法中的缺陷，试图寻找可靠的特征提取和分类识别算法同时提高分类精度和分类速度，在实际应用中，较多的研究人员通常采用更复杂的算法来提高分类的准确率，但导致识别速度较慢，而如何找到一种稳定可靠的算法提高识别速度是目前有待解决的问题。

(3)BCI系统的性能较低，由于运动想象脑电信号的处理算法复杂度较高，需要足够的计算时间，在使用BCI系统传输脑电信号时，无法快速准确的转换为操作命令，导致用户的真实意图和系统的实际动作不匹配。

综上所述，本发明提出一种基于EEG的脑电信号运动想象分类研究方法。

发明内容

本发明技术方案针对现有技术解决方案过于单一的技术问题，提供了显著不同于现有技术的解决方案，为了克服现有技术的上述缺陷，本发明提供一种基于EEG的脑电信号运动想象分类研究方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于EEG的脑电信号运动想象分类研究方法，具体包括以下步骤：

步骤一、采集并截取多个测试者在执行运动想象任务时的远动想象脑电波，并将其进行分类，得到原始的脑电波数据；

步骤二、对多个测试者进行问卷填写，选取运动想象最好的数据段，并截取脑电波中的2-3s数据；

步骤三、将脑电波进行预处理，将步骤二所采集的脑电波信号进行去伪迹处理，具体以去除高频噪声和眼电干扰和肌电干扰为主，同时将脑电波进行共空间模式滤波处理，并对脑电波信号进行基线校正，得到干净的脑电波信号；

步骤四、将步骤三中的脑电波中，以30hz带通滤波采样频率调配为250-280hz，将处理后的脑电波信号分为训练集、验证集和测试集；

步骤五、建立INCEPTION-TCN模型，将步骤三中训练集数据导入INCEPTION-TCN模型中进行训练并提取特征，得到训练好的训练集模型；

步骤六、利用测试集对步骤四中训练好的训练集模型进行测试，并通过验证集进行验证处理，判断训练好的训练集模型是否在验证集上达到最优，如达到最优，则将此类模型输入至最优模型，如否，则输入到不合格模型，得到分类标准。

优选地，所述在步骤一中，对多个测试者进行脑电波采集具体步骤：

(1)给多名采集者佩戴电极采集帽，并在电极帽中打入导电膏，当所连接的显示屏显示电极的阻值降到5Ω时，停止注入并开始提取脑电波；

(2)提取前，要求采集者需要闭目养神2-3min，使采集者处于最终的放松状态，根据要求播放需要采集者进行深入学习的PPT，采集帽开始采集并记录脑电信号，同时，摄像机记录PPT播放具体步骤。

优选地，所述在进行深度学习时，PPT中的画面以flash动画为主，具体标准为：

(1)根据flash动画中，并根据提示以小球的上、下、左和右运动标准，诱使采集者想象该小球的运动方向；

(2)每组实验15s后，采集者放松2-3min，并再次进行深度想象，一共采集三组，每一组小球运动的方向顺序不同；

(3)最后，采集者针对小球运动的方向做最后一次连续采集处理。

优选地，所述步骤一中，采集者所处环境必须为隔音环境，且周围不放有干扰采集帽的设备，采集环境较暗。

优选地，所述TCN神经网络层具体包括：

输入层：用于数据的输入；

卷积层：使用卷积核进行特征提取和特征映射；

激励层：由于卷积也是一种线性运算，因此需要增加非线性映射；

池化层：进行下采样，对特征图稀疏处理，减少数据运算量；

全连接层：通常在TCN的尾部进行重新拟合，减少特征信息的损失；

输出层：用于输出结果。

优选地，在步骤四中，所述对训练集脑电波进行特征提取的过程中，所用到的特征提取方法包括傅里叶变换和功率谱分析。

本发明的技术效果和优点：

1、通过构建INCEPTION-TCN模型，将采集后的训练集导入INCEPTION-TCN模型中进行模拟训练，并通过验证集进行验证处理，判断训练好的训练集模型是否在验证集上达到最优数据，从而能够快速分类出该脑电波的优劣值，并根据脑电波最终的优劣值对脑电波进行分类，不需要人为的设计特征就可以自动的学习数据的特征，省去很多人工设计的工作，而在分类的过程中不易产生梯度消失或者爆炸的现象，方便研究人员对提取的最优脑电波数值进行研究，提高研究效率以及精准度；

2、通过在对采集者进行脑电波采集时，使采集者处于良好的采集环境中，避免采集者的脑电波数值跟随环境而发生变化，提高采集者在进行脑电波采集时的注意力，避免脑电波数据因采集者的刺激不同而发生微弱的变化，以及难以捕捉脑电波数值而造成的数据传输困难和时间长的缺陷，而且在采集的过程中，通过摄像机记录并进行分段深度学习的方式，保证脑电波采集数值的精度，提高采集效率。

3、本发明在对脑电波数据进行验证分类的过程中，采用TCN神经网络层和INCEPTION神经网络层相互结合的方式，TCN可以通过卷积层和池化层对脑电波图像或序列数据进行特征提取，而INCEPTION可以利用时间序列关系进行信息的记忆和遗忘，能够提供强大的特征提取能力，而且能够可以长期保存历史信息，并在需要的时候使用这些信息，避免历史数据遗忘，同时能够避免因数据维度过大或不稳定等问题导致的模型训练困难，保证脑电波数据分类进行的有序化，减少数据丢失。

附图说明

图1为本发明系统流程图；

图2为本发明技术路线图。

具体实施方式

实施例1、

一种基于EEG的脑电信号运动想象分类研究方法，具体包括以下步骤：

步骤一、采集并截取多个测试者在执行运动想象任务时的远动想象脑电波，并将其进行分类，得到原始的脑电波数据；

该步骤中的具体操作为：

(1)给多名采集者佩戴电极采集帽，并在电极帽中打入导电膏，当所连接的显示屏显示电极的阻值降到5Ω时，停止注入并开始提取脑电波；

(2)提取前，要求采集者需要闭目养神2-3min，使采集者处于最终的放松状态，根据要求播放需要采集者进行深入学习的PPT，采集帽开始采集并记录脑电信号，同时，摄像机记录PPT播放具体步骤；

具体为：(1.1)根据flash动画中，并根据提示以小球的上、下、左和右运动标准，诱使采集者想象该小球的运动方向；

(2.1)每组实验15s后，采集者放松2-3min，并再次进行深度想象，一共采集三组，每一组小球运动的方向顺序不同；

(3.1)最后，采集者针对小球运动的方向做最后一次连续采集处理；

采集者所处环境必须为隔音环境，且周围不放有干扰采集帽的设备，采集环境较暗。

步骤二、对多个测试者进行问卷填写，选取运动想象最好的数据段，并截取脑电波中的2-3s数据；

步骤三、将脑电波进行预处理，将步骤二所采集的脑电波信号进行去伪迹处理，具体以去除高频噪声和眼电干扰和肌电干扰为主，同时将脑电波进行共空间模式滤波，并对脑电波信号进行基线校正，得到干净的脑电波信号；

步骤四、将步骤三中的脑电波中，以30hz带通滤波采样频率调配为250hz，将处理后的脑电波信号分为训练集、验证集和测试集；

步骤五、建立INCEPTION-TCN模型，将步骤三中训练集数据导入INCEPTION-TCN模型中进行训练并提取特征，得到训练好的训练集模型；

所述对训练集脑电波进行特征提取的过程中，所用到的特征提取方法包括傅里叶变换和功率谱分析。

步骤六、利用测试集对步骤四中训练好的训练集模型进行测试，并通过验证集进行验证处理，判断训练好的训练集模型是否在验证集上达到最优，如达到最优，则将此类模型输入至最优模型，如否，则输入到不合格模型，得到分类标准。

实施例2、

一种基于EEG的脑电信号运动想象分类研究方法，具体包括以下步骤：

步骤一、采集并截取多个测试者在执行运动想象任务时的远动想象脑电波，并将其进行分类，得到原始的脑电波数据；

步骤二、对多个测试者进行问卷填写，选取运动想象最好的数据段，并截取脑电波中的2-3s数据；

步骤三、将脑电波进行预处理，将步骤二所采集的脑电波信号进行去伪迹处理，具体以去除高频噪声和眼电干扰和肌电干扰为主，同时将脑电波进行共空间模式滤波处理，并对脑电波信号进行基线校正，得到干净的脑电波信号；

步骤四、将步骤三中的脑电波中，以30hz带通滤波采样频率调配为260hz，将处理后的脑电波信号分为训练集、验证集和测试集；

步骤五、建立INCEPTION-TCN模型，将步骤三中训练集数据导入INCEPTION-TCN模型中进行训练并提取特征，得到训练好的训练集模型；

步骤六、利用测试集对步骤四中训练好的训练集模型进行测试，并通过验证集进行验证处理，判断训练好的训练集模型是否在验证集上达到最优，如达到最优，则将此类模型输入至最优模型，如否，则输入到不合格模型，得到分类标准。

本实施例中，将多个实验者进行脑电波提取，根据问卷调查情况，选取最优脑电波数据段，将最优数据段进行预处理操作，提高脑电波提取的有效值，保证所提取的脑电波为干净数据段，而且通过采用建立INCEPTION-TCN模型，将最优脑电波数据段进行特征提取并进行训练，自动分类出脑电波的各项数据标准，提高分类效果以及精准度。

实施例3、

一种基于EEG的脑电信号运动想象分类研究方法，具体包括以下步骤：

步骤一、采集并截取多个测试者在执行运动想象任务时的远动想象脑电波，并将其进行分类，得到原始的脑电波数据；

步骤二、对多个测试者进行问卷填写，选取运动想象最好的数据段，并截取脑电波中的2-3s数据；

步骤三、将脑电波进行预处理，将步骤二所采集的脑电波信号进行去伪迹处理，具体以去除高频噪声和眼电干扰和肌电干扰为主，同时将脑电波进行共空间模式滤波处理，并对脑电波信号进行基线校正，得到干净的脑电波信号；

步骤四、将步骤三中的脑电波中，以30hz带通滤波采样频率调配为275hz，将处理后的脑电波信号分为训练集、验证集和测试集；

步骤五、建立INCEPTION-TCN模型，将步骤三中训练集数据导入INCEPTION-TCN模型中进行训练并提取特征，得到训练好的训练集模型；

步骤六、利用测试集对步骤四中训练好的训练集模型进行测试，并通过验证集进行验证处理，判断训练好的训练集模型是否在验证集上达到最优，如达到最优，则将此类模型输入至最优模型，如否，则输入到不合格模型，得到分类标准；

本实施例中，还包括步骤七、将问卷调查后的截取的脑电波数据与INCEPTION-TCN模型识别后的最优模型进行对比，得出最终的脑电波数据模型。

实施例4、

一种基于EEG的脑电信号运动想象分类研究方法，具体包括以下步骤：

步骤一、采集并截取多个测试者在执行运动想象任务时的远动想象脑电波，并将其进行分类，得到原始的脑电波数据；

步骤二、对多个测试者进行问卷填写，选取运动想象最好的数据段，并截取脑电波中的2-3s数据；

步骤三、将脑电波进行预处理，将步骤二所采集的脑电波信号进行去伪迹处理，具体以去除高频噪声和眼电干扰和肌电干扰为主，同时将脑电波进行共空间模式滤波处理，并对脑电波信号进行基线校正，得到干净的脑电波信号；

步骤四、将步骤三中的脑电波中，以30hz带通滤波采样频率调配为280hz，将处理后的脑电波信号分为训练集、验证集和测试集；

步骤五、建立INCEPTION-TCN模型，将步骤三中训练集数据导入INCEPTION-TCN模型中进行训练并提取特征，得到训练好的训练集模型；

步骤六、利用测试集对步骤四中训练好的训练集模型进行测试，并通过验证集进行验证处理，判断训练好的训练集模型是否在验证集上达到最优，如达到最优，则将此类模型输入至最优模型，如否，则输入到不合格模型，得到分类标准。

值得说明的是：以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

最后，本发明中，通过对采集者所处的采集环境进行严格标准，保证采集者采集的脑电波环境不受环境的各种因素干扰，提高脑电波采集的优异性，而且将所截取的脑电波数据进行各种预处理操作，并采用INCEPTION-TCN模型对脑电波进行特征提取和训练操作，能够更快且精准的对各项脑电波进行分类研究，减少现在采集人员的工作负担。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。