針對腦電信號分類正確率低的問題,結(jié)合頻帶能量、小波包變換和雙向門控循環(huán)網(wǎng)絡(luò),提出了一種基于頻帶能量特征序列和深度學(xué)習(xí)算法的運動想象意圖識別方法。首先,利用小波包變換對腦電信號進(jìn)行分解、重構(gòu),獲得運動想象相關(guān)頻帶信號;其次,對所得頻帶信號進(jìn)行加窗,并滑動截取,通過計算所截每段信號能量,實現(xiàn)能量特征的時序化分解;最后利用雙向門控循環(huán)網(wǎng)絡(luò)對腦電信號進(jìn)行識別并輸出分類結(jié)果。實驗結(jié)果表明:所提算法取得了92.1%的分類正確率,表明所提方法是切實可行的,能夠有效改善分類識別率。 

【文章來源】：科學(xué)技術(shù)與工程. 2020年09期 北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

小波包分解

長短時記憶網(wǎng)絡(luò)(long short term memory, LSTM)是循環(huán)神經(jīng)網(wǎng)絡(luò)的一個重要分支,它利用記憶細(xì)胞進(jìn)行時間序列記憶并通過門控機制實現(xiàn)信息流管理;該方法不僅考慮了特征序列中上下文的時序關(guān)系,還解決了RNN中的梯度爆炸或消失等問題。LSTM單元由輸入門、輸出門、遺忘門和一個記憶細(xì)胞組成,其中遺忘門和記憶細(xì)胞相互作用對輸入信息適當(dāng)遺忘和篩選,實現(xiàn)序列化樣本的預(yù)測和分類。但是,LSTM結(jié)構(gòu)復(fù)雜,需要選擇的網(wǎng)絡(luò)參數(shù)較多,計算量較大。門控循環(huán)單元(gated recurrent unit,GRU)作為LSTM的簡化模型,即解決了梯度消失等問題,又提高了學(xué)習(xí)效率。GRU單元由更新門和重置門組成,如圖2所示。其中,更新門用于控制前一時刻隱層輸出對當(dāng)前時刻的影響程度;重置門實現(xiàn)上一時刻信息的某種程度的遺忘;通過兩者的配合完成時序信息的篩選。GRU網(wǎng)絡(luò)前向傳播的具體計算過程如式(6)所示:

BiGRU是對GRU的拓展,其工作原理與GRU相似,由兩個方向相反的GRU組成,充分考慮了特征序列在時間上的雙向關(guān)聯(lián),展現(xiàn)了優(yōu)越的分類性能。設(shè)計的BiGRU模型如圖3所示,對輸入序列BiGRU后,采用Softmax分類器輸出分類結(jié)果。圖4 實驗流程圖

【參考文獻(xiàn)】：
期刊論文
[1]基于SAE和LSTM的下肢外骨骼步態(tài)預(yù)測方法[J]. 陳超強,蔣磊,王恒.  計算機工程與應(yīng)用. 2019(12)
[2]多模式刺激下運動想象腦電信號的特征調(diào)制研究[J]. 趙麗,李小芹,邊琰,王宣方,楊耿煌.  生物醫(yī)學(xué)工程學(xué)雜志. 2018(03)
[3]跨語言聲學(xué)模型在維吾爾語語音識別中的應(yīng)用[J]. 努爾麥麥提·尤魯瓦斯,劉俊華,吾守爾·斯拉木,熱依曼·吐爾遜,達(dá)吾勒·阿布都哈依爾.  清華大學(xué)學(xué)報(自然科學(xué)版). 2018(04)
[4]基于CSP與卷積神經(jīng)網(wǎng)絡(luò)算法的多類運動想象腦電信號分類[J]. 曾慶山,范明莉,宋慶祥.  科學(xué)技術(shù)與工程. 2017(27)
[5]基于ERD和累積能量的腦電特征提取方法[J]. 林文通,張學(xué)軍,黃麗亞,成謝鋒.  計算機技術(shù)與發(fā)展. 2017(06)
[6]想象動作誘發(fā)生理信息檢測及其應(yīng)用研究:回顧與展望[J]. 明東,王坤,何峰,綦宏志,萬柏坤.  儀器儀表學(xué)報. 2014(09)
[7]基于貝葉斯網(wǎng)絡(luò)的運動想象腦電信號分析[J]. 劉斌,羅聰,魏夢然,何良華.  計算機工程. 2014(07)
[8]基于AAR模型和累積頻帶能量的特征提取方法[J]. 李紅利,王江,鄧斌,魏熙樂.  天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版). 2013(09)
[9]在線腦機接口中腦電信號的特征提取與分類方法[J]. 徐寶國,宋愛國,費樹岷.  電子學(xué)報. 2011(05)
[10]基于小波包熵和支持向量機的運動想象任務(wù)分類研究[J]. 王艷景,喬曉艷,李鵬,李剛.  儀器儀表學(xué)報. 2010(12)



本文編號：2929211