关键词:
EEG
时序变化特性分析
信号表征
特征学习
信号识别与分类
摘要:
脑电(Electroencephalogram,EEG)是记录大脑活动状态与认知行为的实时电信号数据,理论上与任何人机交互都是相关的。随着信息处理与软硬件技术的快速发展,EEG信号的精准识别与分类在航天、军事、医疗、教育等领域获得了越来越多的关注,特别是将先进信息技术与脑认知研究相结合,能够有效增强多领域创新应用的信息检测与交互性能。基于EEG信号的脑认知行为研究的关键在于获取有效的信号特征信息,然而当前大多研究主要从信号处理和一般时序数据分析的角度提取信号变化特征。针对EEG信号研究的重要应用价值与存在的痛难点问题,通过深度解析信号的复杂时序变化特性,研究如何获得高效的EEG时序变化表征信息,克服现有技术方法对关键时序特征提取存在的不足,并利用具有综合表征能力的多元时序特征信息增强EEG信号的分类检测性能。相关研究内容包括基于多子段信号的一致性和特有性时序特征学习方法、融合信号表征与自动特征提取的多子段关联时序特征学习方法、基于EEG动静变化特性的多元时序特征学习方法以及用于EEG时序特征分类的多模型融合方法。针对以上研究内容所取得的研究成果包括以下四个方面:
(1)针对EEG信号存在的复杂时序变化特性,以及现有特征提取方法难以有效表征信号时序特性的难题,提出基于多子段EEG信号的时序特征学习方法。通过多子段信号划分和基于幅度-时间映射的特征提取,将各个信号子段进行幅度轴和时间轴的特征信息映射,在此基础上提取表征各子段信号变化的时域统计特征;针对不同子段信号表征时序变化特性的差异性,从时间序列分析的角度提出一致性时序特征和特有性时序特征的无监督学习方法。实验结果表明,通过对多子段EEG信号进行无监督一致性时序特征和特有性时序特征学习,能够有效增强实际应用的EEG信号分类与检测性能。
(2)针对现有基于卷积神经网络的自动特征提取方法主要进行EEG信号幅度相关特征信息的学习,缺乏对时间变化特征信息学习的难题,提出构建幅度-时间双视角的EEG信号表征数据。通过对两类表征数据进行一维卷积神经网络的自动特征学习获取反映EEG信号变化的基本特征信息;进一步地,提出基于混合膨胀卷积的长时间范围下多子段EEG信号关联时序特征学习,从而克服小尺度卷积核只能学习局部信号变化信息的不足。所提出方法融合了信号表征和深度自动特征提取,能够有效实现长时间范围下多子段关联时序特征学习,提高对EEG信号的识别和分类精度。
(3)针对不同大脑活动状态下EEG信号呈现差异化的波动特性,以及信号特征变化存在模糊性和不确定性的问题,提出基于多子带与多子段信号动静变化特性的多元时序特征学习方法。首先对原始EEG信号进行多子带分解和多子段划分,构建并提取多子带与多子段的信号动静变化特征;进一步地,构建深度特征学习器从连续子段信号表征信息中学习一致性时序特征和特有性时序特征,并利用循环神经网络对提取的动静变化特征学习连续动态时序特征。该方法结合实际需求和问题探索,充分考虑EEG信号多子带与多子段信号下连续特征变化模式,具有同步学习多元EEG信号时序变化特性的应用优势。
(4)针对类别不平衡和信号相似性对EEG识别与分类性能的影响,提出基于多模型融合的EEG时序特征分类方法。根据不同大脑活动状态及认知行为的EEG信号相似性,将小样本数据类别作为一个整体逐步按照信号差异性进行分类检测;通过利用小样本整体状态信号数据建立单类支持向量机的校正模型,进而对每个分类模型的结果进行校正,降低由类别不平衡造成的小样本信号数据误分率;最后,利用多通道和多子带的多维时序特征提取,增强对具有强信号相似性的小样本EEG数据的分类精度。相较于欠采样和数据增强的类别不平衡解决方法,所提出方法对增强EEG信号多类分类性能和解决信号时序特征应用关键问题提供了有效解决方案。
综上所述,论文针对EEG信号复杂时序变化特征学习中存在的关键问题进行了深入研究,从时间序列变化角度深度解析EEG信号特征变换模式,学习表征信号关键动态信息的多元时序特征,并结合信号分类关键问题进行应用研究,通过对不同睡眠脑活动状态的分类实验测试,在睡眠质量评估、疲劳检测和神经疾病诊断分类任务中获得了较好EEG信号识别性能。相关研究成果为EEG信号时序数据分析提供新的方法途径,具有重要的学术研究和实际应用价值。