一种多尺度Inception网络的脑电图解码方法

一种多尺度inception网络的脑电图解码方法
技术领域
1.本发明涉及脑电图技术领域，具体为一种多尺度inception网络的脑电图解码方法。


背景技术：

2.脑电图是通过电极记录下来的脑细胞群的自发性、节律性电活动。eeg是癫痫诊断和治疗中最重要的一项检查工具，尽管高分辨率的解剖和功能影像学在不断的发展，但在癫痫的诊治中eeg始终是其他检测方法所不可替代的，现有的脑电图解码方法形式多样，但还是存在这一些缺陷。
3.尽管基于cnn的模型在mi-eeg分类中取得了较好的结果，但仍然存在各种问题阻碍了分类器的性能。首先，目前大多数深度学习模型通常只关注单尺度卷积核中的脑电信号特征，而忽略了其他卷积尺度中脑电信号的有用信息。其次，一些研究旨在解决脑机接口系统中不同被试间的差异性问题，因此有必要建立有效的跨被试模型，无需获取训练数据集即可应用于新被试的mi模型。然而，这需要在目标被试者mi分类过程中对模型进行微调。在实践中，选择较少的eeg通道可以减少电极帽采集时间和所需的内存，并降低设备成本和系统复杂性。此外，这可以防止在模型训练中选择不相关通道时的过度拟合。


技术实现要素：

4.针对现有技术的不足，本发明提供了一种多尺度inception网络的脑电图解码方法，解决了传统脑电图解码方法效果不是很好的问题。
5.为实现以上目的，本发明通过以下技术方案予以实现：一种多尺度inception网络的脑电图解码方法，具体包括以下步骤：
6.s1、选取数据集来训练和评估，然后采集到训练时的各项数据集进行统计；
7.s2、在通道选择过程中，将运动想象脑电信号数据的子集划分为对应于位于感觉运动皮层中的不同通道，这些eeg电极提供了最突出的mi功能，从而降低了设备成本、计算时间和系统复杂性，在调查通道选择对mi分类准确性的影响，根据之前的研究，将包含来自原始数据集的22个通道的区域分割为六个感兴趣区域；
8.s3、将原始数据并行输入到inception模块中，将不同尺度提取的特征通过max pooling、batch normalization、dropout、flatten和全连接层，然后将拼接后的数据输入dense层进行分类；
9.s4、对msicnn的性能在三种不同的场景下进行了评估，分别对应被试内、跨被试和跨被试微调来分析被试个体间的可变性。
10.优选的，所述s4中，被试内在本研究中，将eeg数据随机分为训练集、验证集和测试集，每个子数据集都使用最小-最大归一化进行缩放，三个子集的大小比例设置为8:1:1，在子数据集划分过程中，确保模型在使用训练集训练或使用验证集搜索超参数时不包含来自测试集的任何信息。
11.优选的，所述s4中，对于跨被试实验，使用除测试被试之外的所有其他被试的训练集来学习网络参数，这种方法确保所提出的系统从未见过来自测试集的任何数据，同样，在这种情况下，为每个单独的被试获得了独特的网络参数。
12.优选的，所述s4中，跨被试微调在最后一个场景中，使用该被试训练集的标记脑电图数据微调了为第二个场景中的每个目标被试开发的系统参数。
13.有益效果
14.本发明提供了一种多尺度inception网络的脑电图解码方法。与现有技术相比具备以下有益效果：
15.该多尺度inception网络的脑电图解码方法，通过将脑电信号的通道区域根据通道位置和数量划分为6种组合，探讨通道选择对脑电信号的性能影响，得到最佳的通道选择区域；由于被试间存在生理差异性以及采集的eeg信号天然地容易受到外部环境的影响，实验提出跨被试者和跨被试者微调两种实验场景，对比分析了两种性能效果，验证了跨被试微调场景下取得最佳分类性能结果；另外，实验设计一个端到端的多尺度inception cnn模型，学习来自不同卷积尺度的eeg信号特征，模型的分类准确度和泛化能力达到了优越的水平。
附图说明
16.图1为本发明六个感兴趣区域的示意图；
17.图2为本发明并行多尺度inception网络的系统框架图；
18.图3为本发明电极系统中的22个脑电电极位置示意图；
19.图4为本发明6种roi模型的混淆矩阵图；
20.图5为本发明三种评估场景下的分类性能图。
具体实施方式
21.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
22.请参阅图1-5，本发明提供一种技术方案：一种多尺度inception网络的脑电图解码方法，本实验选取格拉茨工业大学提供的bci竞赛iv数据集2a来训练和评估本文的研究，bci iv 2a数据集是一个四类运动想象任务(左手、右手、脚和舌)，记录了9名健康被试22个eeg通道采集的数据，采样频率为250hz，如图3所示，该数据集包含每个被试在两个不同日期记录的两个会话。每个会话有6次run，每次run有48次trial(12次左手、12次右手、12次双脚和12次舌头)，在每个会话中，每个trial都在t＝0s时开始，此时固定交叉十字架出现和短喇叭发声，然后当t＝2s时，出现1.25秒的箭头提示，提示被试进行相应的运动想象任务：左手、右手、双脚、舌。被试执行运动想象任务3-6秒，直到交叉十字架在t＝6秒时消失时停止运动想象任务，如图4所示，每个被试在试验中执行3秒的运动想象任务。
23.在通道选择过程中，本文将运动想象脑电信号数据的子集划分为对应于位于感觉运动皮层中的不同通道。这些eeg电极提供了最突出的mi功能，从而降低了设备成本、计算
时间和系统复杂性，研究旨在调查通道选择对mi分类准确性的影响，根据之前的研究，将包含来自原始数据集的22个通道的区域分割为六个感兴趣区域，如图1所示，roi a包含周围区域的三对通道，roi b在roi a的基础上扩展两对通道，roi c包括位于中央区域的三对通道。roi d涉及位于中心和周围区域的六对通道，roi e由感兴趣区域内的所有八对通道组成，最后，roi f包括区域中间的六对通道。
24.并行多尺度inception网络的系统框架如图2所示，将原始数据并行输入到inception模块中，将不同尺度提取的特征通过max pooling、batch normalization、dropout、flatten和全连接层，然后将拼接后的数据输入dense层进行分类。
25.msicnn的性能在三种不同的场景下进行了评估，分别对应被试内、跨被试和跨被试微调来分析被试个体间的可变性。
26.(1)被试内
27.在本研究中，将eeg数据随机分为训练集、验证集和测试集。每个子数据集都使用最小-最大归一化进行缩放，三个子集的大小比例设置为8:1:1。在子数据集划分过程中，确保模型在使用训练集训练或使用验证集搜索超参数时不包含来自测试集的任何信息。
28.(2)跨被试
29.对于跨被试实验，使用除测试被试之外的所有其他被试的训练集来学习网络参数。这种方法确保所提出的系统从未见过来自测试集的任何数据。同样，在这种情况下，为每个单独的被试获得了独特的网络参数。
30.(3)跨被试微调
31.在最后一个场景中，使用该被试训练集的标记脑电图数据微调了为第二个场景中的每个目标被试开发的系统参数。
32.性能对比结果如表1所示，其中对比指标是损失、精度、召回率、f1-score、准确度和kappa值，从实验结果来看，roi f的预测结果明显好于其他5个选区，对比指标都很高，roi f的分类准确率为98.49％，比分类准确率最低的roi a高出17.26％。特别是roi f融合了运动想象过程中主要的位置和通道数，展现更多相关的输入属性，数据预测更准确。
33.表1基于被试内场景的msicnn整体分类性能
[0034][0035]
图4显示了6种roi模型的混淆矩阵，描述了预测值和真实值的四种不同组合，反映了分类器对不同类别(左手、右手、双脚和舌头)的分类情况。可以通过观察混淆矩阵中的对角线元素和非对角线元素来评估分类器的性能。对角线元素代表分类器正确分类的概率，非对角线元素代表分类错误的概率。对比结果得出roi f模型分类性能最好。另外，观察得到roi a的分类性能最差，在舌头运动想象任务上的分类效果最差，因为它与语言有些混淆。
[0036]
此外，比较了三种评估场景下(被试内、跨被试和跨被试微调)的分类性能，如图5所示，跨被试微调场景下的分类性能显著优越，跨被试微调场景下的平均分类精度与被试内和跨被试场景下的分类性能相比，分别改善了1.82％和1.69％。
[0037]
主要贡献如下：
[0038]
(1)msicnn从不同的卷积尺度中捕获可区分的特征，从而克服了从mi-eeg信号中提取特征的局限性，能够准确地对训练数据进行预测。
[0039]
(2)为了解决eeg信号差异性的问题，提出了三种模型变体，用于被试内、跨被试和具有微调场景的跨被试场景。
[0040]
(3)对比分析6种roi的分类性能以确定最佳通道位置和通道组合，通过通道配对和端到端训练，所提出的方法在使用更少的训练样本的同时实现了高分类精度。
[0041]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0042]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种多尺度inception网络的脑电图解码方法，其特征在于：具体包括以下步骤：s1、选取数据集来训练和评估，然后采集到训练时的各项数据集进行统计；s2、在通道选择过程中，将运动想象脑电信号数据的子集划分为对应于位于感觉运动皮层中的不同通道，这些eeg电极提供了最突出的mi功能，从而降低了设备成本、计算时间和系统复杂性，在调查通道选择对mi分类准确性的影响，根据之前的研究，将包含来自原始数据集的22个通道的区域分割为六个感兴趣区域；s3、将原始数据并行输入到inception模块中，将不同尺度提取的特征通过max pooling、batch normalization、dropout、flatten和全连接层，然后将拼接后的数据输入dense层进行分类；s4、对msicnn的性能在三种不同的场景下进行了评估，分别对应被试内、跨被试和跨被试微调来分析被试个体间的可变性。2.根据权利要求1所述的一种多尺度inception网络的脑电图解码方法，其特征在于：所述s4中，被试内在本研究中，将eeg数据随机分为训练集、验证集和测试集，每个子数据集都使用最小-最大归一化进行缩放，三个子集的大小比例设置为8:1:1，在子数据集划分过程中，确保模型在使用训练集训练或使用验证集搜索超参数时不包含来自测试集的任何信息。3.根据权利要求1所述的一种多尺度inception网络的脑电图解码方法，其特征在于：所述s4中，对于跨被试实验，使用除测试被试之外的所有其他被试的训练集来学习网络参数，这种方法确保所提出的系统从未见过来自测试集的任何数据，同样，在这种情况下，为每个单独的被试获得了独特的网络参数。4.根据权利要求1所述的一种多尺度inception网络的脑电图解码方法，其特征在于：所述s4中，跨被试微调在最后一个场景中，使用该被试训练集的标记脑电图数据微调了为第二个场景中的每个目标被试开发的系统参数。

技术总结
本发明公开了一种多尺度Inception网络的脑电图解码方法，具体包括以下步骤：S1、选取数据集来训练和评估，然后采集到训练时的各项数据集进行统计；S2、在通道选择过程中，将运动想象脑电信号数据的子集划分为对应于位于感觉运动皮层中的不同通道，这些EEG电极提供了最突出的MI功能，从而降低了设备成本、计算时间和系统复杂性，在调查通道选择对MI分类准确性的影响；本发明涉及脑电图技术领域。该多尺度Inception网络的脑电图解码方法，验证了跨被试微调场景下取得最佳分类性能结果；另外，实验设计一个端到端的多尺度Inception CNN模型，学习来自不同卷积尺度的EEG信号特征，模型的分类准确度和泛化能力达到了优越的水平。的分类准确度和泛化能力达到了优越的水平。的分类准确度和泛化能力达到了优越的水平。


技术研发人员：刘培
受保护的技术使用者：昆明理工大学
技术研发日：2023.04.25
技术公布日：2023/7/25