基于深度卷积神经网络的运动想象分类方法.docx

基于深度卷积神经网络的运动想象分类方法 1 运动想象分类 近年来，作为一种额外的治疗设备，康复上肢的外骨骨骼可以通过智能人机接口为不同康复期的脑卒中患者提供不同强度和模式的训练。 不同的运动想象 (如想象左手、右手、脚、舌的运动) , 会使大脑皮层的对应区域的脑电信号产生变化 卷积神经网络 (Convolutional Neural Network, CNN) 是一种多层感知器 (MLP) 的变种, 已被广泛运用于语音识别 本文创新地采用基于深度学习理论的卷积神经网络对单次运动想象EEG进行特征提取和分类.首先, 提出了基于CNN的运动想象分类方法, 优化CNN的结构和参数;其次, 将该方法应用于公共数据集和实验数据集并建立分类模型, 同时与其它3种方法相比较;最后, 将从实验数据集中获得的分类模型 (具有最好分类表现) 应用于上肢康复外骨骼的实时控制中, 验证本文提出方法的可行性. 2 nb网络模型 传统的运动想象分类方法先手工提取EEG时频特征信息, 然后采用机器学习的方法建立EEG特征和运动想象之间的映射关系 CNN最早由Lecun等人 典型的CNN网络结构由卷积层、降采样层、全连接层组成 综上所述, 本文的创新点主要包括: (1) 在单次运动想象EEG特征提取方面, 首次引入了卷积神经网络; (2) 在单次运动想象分类方面, 根据脑电信号时间和空间特征相结合的特性, 针对性地设计了一个5层的CNN结构来进行运动想象分类; (3) 在上肢康复外骨骼的实时控制方面, 创新地引入CNN分类模型, 并通过实验验证了该方法的可行性. 3 基于cn的运动想象分类方法 3.1 数据收集的准备 3.1.1 公共数据集 为了验证本文提出方法的有效性, 首先将其应用于公共数据集 (BCI Competition IV的Data set 1数据集 3.1.2 实验范式的确立 (1) 实验对象与数据采集.实验招募了4名健康男性被试 (年龄:27.25±1.26岁) , 均为右利手 (通过爱丁堡利手问卷评定 (2) 实验范式.所有电极安置完毕后, 被试坐在屏幕前, 双手自然地放置在桌上, 如图1所示;实验中, 应避免头部或身体的移动, 并尽量不眨眼.每个被试在整个实验中需完成560次基于提示的试验, 其中想象左手运动和脚运动各280次 (由于之后的外骨骼实验中被试的右手会因穿戴外骨骼而运动, 会产生和右手运动想象相似的ERD/ERS现象 3.2 erd/ers的特征 采集到的原始EEG首先通过滤波获得8Hz~30Hz频率段的脑电数据 (该频率段包含重要的运动分类信息 其中:EEG 观察ERD/ERS的时序图和脑地形图发现, ERD/ERS模式通常出现在每次试验中的第4s到第7s (参考第4节的图4) , 因此, 本文将对这段数据进行特征提取和分类.此外, 本文定义数据分段的开窗长度为50ms, 因而每个输入样本将由一个28通道×60时间采样点 (3s时间段×1000Hz采样率÷50ms开窗长度) 的矩阵组成. 3.3 卷积节点层过程性图件 脑电信号是一种具有时-空特性的信号.因此, 本文针对性地设计了一种新颖的CNN结构来进行运动想象分类, 如图3所示.特征提取部分需要考虑时间和空间特征, 分类部分则与传统的BP神经网络类似.整个CNN由5层网络组成:第1层为输入层;第2层 (卷积层) 和3层 (卷积层) 构成特征提取部分;第3层的输出 (特征值) 和第4、5层 (全连接层) 构成分类部分.各网络层形容如下. (1) 第1层 (L1) .该层为输入层, 每个输入样本为28×60的输入矩阵, 其中28代表通道数, 60表示每个通道中的时间采样点; (2) 第2层 (C2) .该层为卷积层 (第1隐含层) , 主要作用是对原始输入样本进行空间滤波, 因此该层与输入层之间的连接是局部连接.在该层使用8种滤波器, 每种滤波器去卷积输入矩阵就得到不同特征的映射, 即得到8个特征图.卷积核的大小设置为[28×1], 每个特征图的大小为 (1×60) .卷积核设置为向量而非一般图像识别中的矩阵, 其原因是不使卷积运算后的特征中混杂两种信息, 只包含空间特征; (3) 第3层 (C3) .该层为卷积层 (第2隐含层) , 主要作用是对脑电信号在时间上的特征提取, 因此也加入了局部连接和权值共享的理念.针对C2层中每个特征图使用5种滤波器, 因此在经过此部分的映射后, C3层共有40个特征图.卷积核的大小设置为[1×10], 每个特征图的大小为 (1×6) .设置卷积步长与卷积核长度相同的原因是为了减少参数防止过拟合, 在实现卷积操作的同时实现降采样; (4) 第4层 (F4) .该层为全连接层 (第3隐含层) , 作用是配合前一层和输出层, 组成