融合频带能量特征和双向门控循环单元的运动想象意图识别

发布时间：2020-12-21 04:45

　　针对脑电信号分类正确率低的问题,结合频带能量、小波包变换和双向门控循环网络,提出了一种基于频带能量特征序列和深度学习算法的运动想象意图识别方法。首先,利用小波包变换对脑电信号进行分解、重构,获得运动想象相关频带信号;其次,对所得频带信号进行加窗,并滑动截取,通过计算所截每段信号能量,实现能量特征的时序化分解;最后利用双向门控循环网络对脑电信号进行识别并输出分类结果。实验结果表明:所提算法取得了92.1%的分类正确率,表明所提方法是切实可行的,能够有效改善分类识别率。 

【文章来源】：科学技术与工程. 2020年09期 北大核心

【文章页数】：6 页

【部分图文】：

小波包分解

长短时记忆网络(long short term memory, LSTM)是循环神经网络的一个重要分支,它利用记忆细胞进行时间序列记忆并通过门控机制实现信息流管理;该方法不仅考虑了特征序列中上下文的时序关系,还解决了RNN中的梯度爆炸或消失等问题。LSTM单元由输入门、输出门、遗忘门和一个记忆细胞组成,其中遗忘门和记忆细胞相互作用对输入信息适当遗忘和筛选,实现序列化样本的预测和分类。但是,LSTM结构复杂,需要选择的网络参数较多,计算量较大。门控循环单元(gated recurrent unit,GRU)作为LSTM的简化模型,即解决了梯度消失等问题,又提高了学习效率。GRU单元由更新门和重置门组成,如图2所示。其中,更新门用于控制前一时刻隐层输出对当前时刻的影响程度;重置门实现上一时刻信息的某种程度的遗忘;通过两者的配合完成时序信息的筛选。GRU网络前向传播的具体计算过程如式(6)所示:

BiGRU是对GRU的拓展,其工作原理与GRU相似,由两个方向相反的GRU组成,充分考虑了特征序列在时间上的双向关联,展现了优越的分类性能。设计的BiGRU模型如图3所示,对输入序列BiGRU后,采用Softmax分类器输出分类结果。图4 实验流程图

【参考文献】：
期刊论文
[1]基于SAE和LSTM的下肢外骨骼步态预测方法[J]. 陈超强,蒋磊,王恒.  计算机工程与应用. 2019(12)
[2]多模式刺激下运动想象脑电信号的特征调制研究[J]. 赵丽,李小芹,边琰,王宣方,杨耿煌.  生物医学工程学杂志. 2018(03)
[3]跨语言声学模型在维吾尔语语音识别中的应用[J]. 努尔麦麦提·尤鲁瓦斯,刘俊华,吾守尔·斯拉木,热依曼·吐尔逊,达吾勒·阿布都哈依尔.  清华大学学报(自然科学版). 2018(04)
[4]基于CSP与卷积神经网络算法的多类运动想象脑电信号分类[J]. 曾庆山,范明莉,宋庆祥.  科学技术与工程. 2017(27)
[5]基于ERD和累积能量的脑电特征提取方法[J]. 林文通,张学军,黄丽亚,成谢锋.  计算机技术与发展. 2017(06)
[6]想象动作诱发生理信息检测及其应用研究:回顾与展望[J]. 明东,王坤,何峰,綦宏志,万柏坤.  仪器仪表学报. 2014(09)
[7]基于贝叶斯网络的运动想象脑电信号分析[J]. 刘斌,罗聪,魏梦然,何良华.  计算机工程. 2014(07)
[8]基于AAR模型和累积频带能量的特征提取方法[J]. 李红利,王江,邓斌,魏熙乐.  天津大学学报(自然科学与工程技术版). 2013(09)
[9]在线脑机接口中脑电信号的特征提取与分类方法[J]. 徐宝国,宋爱国,费树岷.  电子学报. 2011(05)
[10]基于小波包熵和支持向量机的运动想象任务分类研究[J]. 王艳景,乔晓艳,李鹏,李刚.  仪器仪表学报. 2010(12)



本文编号：2929211