买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安交通大学

摘要：一种基于多通道脑电图集成的错误相关电位分类方法，先从原始脑电信号中选取九个脑电通道，对九个脑电通道的信号进行预处理，将一维的脑电信号转化为二维的脑电图；然后构建基于注意力的卷积神经网络AT‑CNN模型，设置网络参数；再构建神经网络集成模型，设置网络参数；最后采用两阶段集成方法，得到最终的错误相关电位分类结果；本发明提升错误相关电位分类性能。

主权项：1.一种基于多通道脑电图集成的错误相关电位分类方法，其特征在于，包括以下步骤：S1，从原始脑电信号中选取九个脑电通道；S2，对选取的九个脑电通道的信号进行预处理，将一维的脑电信号转化为二维的脑电图，图像大小为224×224；S3，构建基于注意力的卷积神经网络AT-CNN模型，设置网络参数；S4，构建神经网络集成模型，设置网络参数；S5，采用两阶段集成方法，得到最终的错误相关电位分类结果；步骤S1所选择的九个脑电通道为前扣带皮层中的通道F1、FZ、F2、FC1、FCZ、FC2、C1、CZ、C2；步骤S2所述的预处理具体为：首先是选取共同平均参考值CAR进行空间滤波，然后选取三阶巴特沃斯滤波器对脑电信号进行带通滤波，滤波频段是1-10Hz；滤波后截取刺激前0.2秒和刺激后0.2秒的脑电信号，并将其转换为大小为224×224的二维灰度图；步骤S3所述的AT-CNN模型的前四层为四个卷积单元，每个卷积单元由卷积层、ReLU激活层、批归一化层和最大池化层组成；卷积层的卷积核大小为3×3，步长为1像素，卷积层输入用1个像素填充；池化层的大小为2×2，步长为2个像素；四个卷积核个数依次为8、16、32、64；四个卷积单元之后是一个卷积块注意力模块CBAMConvolutionalBlockAttentionModule，卷积块注意力模块由通道注意力模块CAMChannelAttentionModule和空间注意力模块SAMSpatialAttentionModule两个子模块组成，这两个子模块以串行顺序的方式组合在一块；在卷积块注意力模块之后是全连接层，全连接层包含四层，神经元个数依次为12544、896、64、2；在全连接层之间加入50％的Dropout；步骤S4所述的神经网络集成模型是一个三层神经网络，第一层是9个神经元，第二层是4个神经元，最后一层是1个神经元；步骤S5所述的两阶段集成方法是首先将步骤S2的9个脑电通道的二维脑电图分别输入到步骤S3构建的AT-CNN模型中，然后将个AT-CNN模型的输出结果输入到步骤S4构建的神经网络集成模型中，得到错误相关电位分类结果；神经网络集成模型训练时采用的优化器为Adam，学习率为0.01，损失函数为交叉熵，batchsize设为32；AT-CNN模型在训练时进行标签平滑，损失函数如下： y′c＝1-ε*yc6其中，C是损失函数，N是所有样本的数量，pc是神经网络的输出值，在0到1之间；y′c是目标标签，ε设置为0.1；多通道集成方法将集成9个AT-CNN模型，具体分为两个阶段，第一阶段负责提供各个通道的通道预测结果，第二阶段负责集成第一阶段的通道预测结果，做出最后的决策；在第一阶段将原始脑电数据集划分为五个大小相同的子集，{A1，A2，A3，A4，A5}，其中Ai＝{xi，yi}，i＝1，2，…5，xi指的是第i个子集的脑电数据，由包含FCZ在内的9个通道组成；yi为对应子集的标签；第一轮中，使用A2，A3，A4，A5的并集作为训练集，A1作为测试集，给定输入x1，在这个阶段的9个AT-CNN模型提供相应的预测p1x1，p2x1，...p9x1，其中pix1是一个二进制变量，Pix1指的是第i个通道的预测结果，一共9个通道；在第一轮分类之后，集成了每个AT-CNN模型的预测结果P1＝[p1x1，p2x1，...p9x1]，然后将P1与标签y1合并行成一个新的数据集B1，用于第二阶段；经过五轮后，获得了5个新的数据集，{B1，B2，B3，B4，B5}，Bi＝{Pi，yi}，i＝1，2，3，4，5；第二阶段采用一个简单三层神经网络作为集成模型，在这一阶段，也采用五折交叉验证，取平均值来获得结果。

全文数据：

权利要求：

百度查询： 西安交通大学 一种基于多通道脑电图集成的错误相关电位分类方法