基于EMD数据增强和并行SCN的运动想象脑电信号识别方法

技术特征：
1.一种基于emd数据增强和scn的运动想象脑电信号识别方法，其特征在于，包括以下步骤：步骤1：采集运动想象脑电信号，并根据不同的运动想象范式进行标注，采用32通道的脑电帽，其中包含感兴趣的通道(c3,c4,cz)；标注的意思是给这个样本做一个标签；步骤2：选取感兴趣通道的脑电信号进行滤波和标准化的预处理操作，然后将其按照4:1划分为训练集和测试集；步骤3：将训练集的脑电信号进行emd分解，获得每个样本通道的本征模态，将本征模态分段按照时间维度分段，并与另一相同标签样本不重复的本征模态段进行组合，形成新的脑电数据，并将人工生成的数据和经过预处理的训练集数据合并成新的训练集；步骤4：构建并行时空卷积网络，对卷积网络的输入进行了改进，使用两层的卷积模块分别提取μ和β频段的时空特征，用于提取不同感兴趣频率段的特征；其中的两层卷积模块，第一层在时间维度上进行特征提取，第二层在通道维度上进行提取；步骤5：使用数据增强后的脑电信号训练集训练并行时空卷积网络；步骤6：使用脑电信号测试集数据对并行时空卷积网络进行性能评估，选用性能好的模型用于脑电信号的在线分类。2.根据权利要求1所述的一种基于emd数据增强和并行scn的运动想象脑电信号识别方法，其特征在于，所述步骤1具体包括：采用德国brain products公司生产的脑电信号采集设备bp采集左右运动想象脑电信号，采样频率为250hz，一个运动想象的范式为10s，0-2s为准备时间，2-6s是运动想象时间，6-10s是休息时间。3.根据权利要求1所述的一种基于emd数据增强和并行scn的运动想象脑电信号识别方法，其特征在于，所述步骤2选取感兴趣通道的脑电信号进行滤波和标准化的预处理操作具体包括：通道选择：脑电信号采集设备bp选用的是32通道的电极帽，保留运动区域的通道c3，c4和cz，并按照采集范式截取出2-6s之间的运动想象脑电数据，将脑电信号构建成1000
×
3的向量；滤波和标准化：采用6阶的巴特沃斯带通滤波器对脑电信号滤波，滤波范围为0.5hz-40hz，然后对脑电信号进行标准化。4.根据权利要求1所述的一种基于emd数据增强和并行scn的运动想象脑电信号识别方法，其特征在于，所述步骤3具体包括以下步骤：先使用emd对脑电信号进行分解，就单个通道来说，随机选择两个相同标签的数据，对第一个通道经过emd分解分别得到imf1和imf2，将imf1和imf2按时间轴等分成四段，选择imf1的第一段和第三段，imf2的第二段和第四段组合成新的第一通道的脑电数据，同理，可以按照以上方式生成新的第二通道和第三通道的脑电数据，然后组合三个通道形成一个新的运动想象脑电信号数据。5.根据权利要求4所述的一种基于emd数据增强和并行scn的运动想象脑电信号识别方法，其特征在于，所述对第一个通道经过emd分解分别得到imf1和imf2，具体包括：1.根据原始信号最大和最小的极值点，画出上、下包络线；2.求上、下包络线的均值，并画出均值包络线；3.使用原始信号减均值包络线，得到中间信号；4.判断中间信号是否满足本征模态的两个条件，满足条件，则该信号是一个imf分量；若不满足条件，以该信号为基础，重做1-4步
骤；5.得到第一个imf后，使用原始信号减imf作为新的原始信号，再通过1-4步骤得到新的imf，以此类推，完成emd分解。6.根据权利要求4所述的一种基于emd数据增强和并行scn的运动想象脑电信号识别方法，其特征在于，所述步骤4构建并行时空卷积网络，对卷积神经网络的输入进行了改进，使用μ频段和β频段脑电信号并行输入时空卷积网络，以便模型能提取脑电信号频域、时域和空域的高级特征，网络模型具体为：当采用5-13hz的μ频段，输入层的数据形状为(20，1，1000，3)时，第一维度为输入数据的批次，第二个维度是为满足二维卷积新增的通道维度，第三维度是脑电信号的时间维度，第四维度是脑电信号的电极数；第一层的时间卷积使用卷积核大小为60
×
1，步长为3
×
1，第二层通道卷积使用卷积核大小为1
×
3，步长默认为1
×
1，然后经过核大小为6
×
1的最大池化。7.根据权利要求6所述的一种基于emd数据增强和并行scn的运动想象脑电信号识别方法，其特征在于，当采用13-30hz的β频段作为输入，同样经过以上的第一层卷积和第二层卷积，然后经过最大池化，得到模型提取的特征向量；最后将两个特征向量在时间维度拼接；将拼接的向量输入一个卷积核大小为3
×
1，步长为1
×
1的卷积来提取脑电信号深层次的时空特征；后面采用的是两层的全连接层，两层之间加入一个dropout，最后输出两个特征，然后将这两个特征经过softmax进行分类。8.根据权利要求6所述的一种基于emd数据增强和并行scn的运动想象脑电信号识别方法，其特征在于，所述步骤5使用数据增强后的数据集训练并行时空卷积网络，具体为将数据设置为每批次20个样本，总共对所有数据训练100次，优化器使用随机梯度下降算法，损失函数采用交叉熵损失函数。9.根据权利要求8所述的一种基于emd数据增强和并行scn的运动想象脑电信号识别方法，其特征在于，所述随机梯度下降算法具体包括：1.对训练集数据进行采样，通过并行scn进行预测；2.采用交叉熵损失函数计算预测值和真实值之间的损失；3.调整网络模型的权重，使损失最小化；损失函数采用交叉熵损失函数，具体包括：1.对模型的输出做归一化，计算出属于每个类别的概率；2.对标签值对应的概率取对数，再取负值得到一个样本的损失；3.对一个批次样本的损失值求平均，得到一个批次的平均损失，然后使用随机梯度下降算法对损失进行优化。

技术总结
本发明请求保护一种基于EMD数据增强和并行时空卷积网络(SCN)的运动想象脑电信号识别方法，该方法包括步骤：先对原始脑电信号进行预处理，将预处理的脑电信号采用EMD分解得到本征模态，本征模态按照时间维度分段，并与另一相同标签样本不重复的本征模态段进行组合，进而生成更多符合原始脑电信号特征的人造数据，以解决脑电信号样本量少的问题。接着设计了一种并行时空卷积网络，第一层在时间上做卷积，第二层在通道上做卷积，可充分提取脑电信号的时空特征，并考虑运动想象的节律主要分布在μ和β节律，所以分别将脑电信号的μ和β频段作为并行时空卷积网络的输入，以提取脑电信号时、空、频域的特征并分类。本发明可以有效克服因脑电信号数据量少导致的识别准确率低的问题。问题。问题。


技术研发人员：唐贤伦 杨才全 谢颖 李星辰 王世飞 孙霞 王乐君 李锐 王会明
受保护的技术使用者：重庆邮电大学
技术研发日：2022.07.28
技术公布日：2022/10/21