一种用于介入式脑电信号的分类方法

本发明属于脑电信号处理，更具体地，涉及一种用于介入式脑电信号的分类方法。

背景技术：

1、脑机接口技术作为一种前沿的人机交互技术，在医疗、教育、娱乐等领域已经展现出了巨大的潜力和应用前景，可以极大的改善人类的生活质量和社会效率。

2、目前，对于非侵入式脑机接口已经进行了长足的研究。非侵入式脑机接口是直接采集受试者头皮表面的脑电信号，其具有高安全性、高便捷性。非侵入式脑机接口在运动想象(mi)、视觉稳态诱发刺激(ssvep)、错误相关电位(erp)等任务中已经有了一定的应用。但是由于头皮表面距离大脑有一定距离，信号在传输过程中会衰减，导致信号的时间分辨率不高；同时脑电信号受到头骨介质效应的影响，导致信号之间相互干扰。而目前新型的侵入式脑机接口和介入式脑机接口可以获得更高质量的脑电信号；介入式脑机接口相比较于侵入式脑机接口在安全性和长时间有效性上更具有优势。

3、脑电信号分类旨在通过分析脑机接口采集到的脑电信号来识别和分类不同的脑活动模式，并将其与特定的认知或运动任务相关联。目前的脑电信号分类方法主要分为两种：第一种方法是传统的时域、频域特征提取：通过数学方法分析脑电信号在不同维度上的特征。该方法经过了长时间的发展，在ssvep等任务上表现出较好的性能，但是对于复杂任务中的多通道脑电信号采集的大规模数据中包含的丰富特征，仅使用传统方法实现脑电信号分类难度较大。第二种方法是使用深度学习的方法，近年来发展迅速，且在bci领域表现出色，能够有效地提高分类准确性。

4、但是目前信号分类方法大多仅被用于非侵入式脑机接口系统中，而专门用于介入式脑电信号的分类方法暂时欠缺。因此，针对目前介入式脑机接口系统中，没有一种有效的方法对介入式脑电信号进行特征提取和分类的问题，我们提出一种脑电信号的识别与分类方法。本方法可以实现对介入式脑机接口采集到的脑电信号进行有效的识别和分类。

技术实现思路

1、本发明针对非侵入式脑机接口与介入式脑机接口采集到的脑电信号的不同，提出适应介入式脑电信号的信号预处理方法；同时使用强化学习方法自适应的调整模型结构，在保证准确率的情况下提高信号分类方法的泛化能力；除此之外，在运动脑区相关任务中，配合使用数据分段标注程序可以实现数据集的自动处理，提高介入式脑机接口系统的效率。

2、为实现上述目的，本发明提供了如下方案：

3、一种用于介入式脑电信号的分类方法，包括以下步骤，

4、步骤一：介入式脑机接口系统信号采集，并对采集的数据标注；

5、步骤二：介入式脑电信号数据预处理；

6、步骤三：神经架构搜索调整模型结构；

7、步骤四：深度学习模型超参数调整，即超参数优化；

8、步骤五：脑电信号特征提取与分类，使用深度学习模型完成脑电信号分类。

9、本技术方案进一步的优化，所述步骤一中数据标注，将采集到的原始脑电信号进行数据标注，根据任务需求和采样频率将原始数据按照不同的固定长度分段，然后根据实验视频中记录的信息来给每一段数据进行数据标注。

10、本技术方案进一步的优化，所述步骤一中介入式脑机接口采集受试者的介入式脑电数据并记录准确的数据采集时间，同时视频记录受试者采集数据时的状态，使用openpose+运动状态识别网络从视频中提取每一时刻受试者的具体运动状态，并将运动状态标注到每一段对应时间的数据上。

11、本技术方案进一步的优化，所述步骤二中由于介入式脑机接口相比非侵入式脑机接口能采集到时间分辨率更高的脑电信号，为了增强信号的特征，在数据预处理时先求出信号的频域曲线，再将两段曲线按前后顺序拼接到一起作为一个输入信号，从而在保留信号时域特征的基础上凸显频域特征。对于每一段数据xi，其具体表示为：

12、xi＝[xo,xf]

13、其中xo表示数据的原始时域表示，xf表示原始数据xo经过快速傅里叶变换(fft)得到的数据频域表示。xo与xf都是离散数据，其中xo的自变量为t，所以xo可以被写为xo[t]；xf的自变量为k，所以xf可以被写为xf[k]，xf具体计算公式为：

14、

15、式中，xo[t]是数据的原始时域表示中的第t个样本点；n是原始数据的总长度；k表示不同的频率；

16、基于此，可以得到xi的长度为(t+k)。

17、本技术方案进一步的优化，所述步骤二中将数据分段标准化后再整体标准化，即首先每一段数据xi都按照如下公式进行标准化

18、

19、式中，meani表示第i段数据的平均值，std表示第i段数据的标准差，

20、然后再将所有的数据拼接起来，构成整体数据xall：

21、xall＝[x1,x2,······,xi]

22、最后再对整体数据进行标准化：

23、

24、式中，meanall表示整体数据的平均值，stdall表示整体数据的标准差

25、最后得到的标准化后的整体数据作为输入到深度学习模型中的数据，同时制作数据对应的标签y。

26、本技术方案进一步的优化，所述步骤三使用基于强化学习的神经架构搜索来调整模型结构，首先定义一个搜索空间，其中包括不同的网络结构；然后定义奖励函数，其的目的是使交叉验证中验证集的最高准确率最高；再使用选定的强化学习算法和奖励函数来训练智能体，使其学会在搜索空间中选择最佳的网络结构，同时监控智能体的学习过程，确保准确率逐渐提高；记录最终选择的网络结构即为调整后的网络结构。

27、本技术方案进一步的优化，所述步骤三中模型为卷积神经网络模型，所述模型由第一层卷积层、第一层批次标准化层、第一层relu激活、第一层池化层、第二层卷积层、第二层批次标准化层、第二层relu激活、第二层池化层、第三层卷积层、第三层批次标准化层、第三层relu激活、第三层池化层、第一层全连接层、第四层relu激活，第一层dropout层、第二层全连接层构成。

28、本技术方案更进一步的优化，所述步骤三用奖励函数来评估cnn模型结构的性能，选择使用验证集准确率最大值来作为奖励函数，表示为：

29、r(s,a)＝accuracy(s)

30、其中r(s,a)表示当前状态s下采取动作a的奖励值；accuracy(s)表示在状态s下的模型在验证集上的准确率最大值。

31、本技术方案更进一步的优化，所述模型使用q-learning强化学习算法来计算q函数进行训练，停止条件为训练轮数达到100轮，训练公式如下：

32、q(s,a)＝(1-α)·q(s,a)+α[r+γ·max(q(s',a'))]

33、式中q(s,a)表示在状态s下采取动作a可以获得的奖励的期望值；α是学习率、控制了新估计值和旧估计值之间的权衡；r是在状态s下采取动作a后获得的即时奖励；γ是折扣因子、用于衡量未来奖励的重要性；s'是在采取动作a后进入的下一个状态；a'是在状态s'下选择的最优动作。

34、区别于现有技术，上述技术方案有益效果如下：

35、1.本发明提出了一种用于介入式脑电信号的识别与分类方法，填补了介入式脑机接口任务中没有专用的脑电信号分类方法的空白。

36、2.使用数据分段标注程序实现运动脑区信号的分段与数据标注，节省时间，极大的减轻了数据标注的工作量。

37、3.针对介入式脑电信号特点，使用特征缝合的方法能够突出信号特征，提高分类种类，使介入式脑机接口系统能够适应更复杂的任务。

38、4.使用神经架构搜索来调整模型结构。还使用超参数优化来调整模型超参数，提高cnn模型对介入式脑机接口不同任务下的准确率以及模型的泛化能力。