技术摘要：
一种基于神经网络的脑电信号通道选择方法，通过脑电仪采集被试者脑电数据；数据预处理；将一维的脑电数据转化成二维的时频域数据；建立卷积神经网络模型；选择RMSprop作为卷积神经网络模型的优化器，卷积神经网络模型的输出激活函数选择Sigmoid；卷积神经网络模型的损  全部
背景技术：
脑电图(Electroencephalogram,EEG)起源于十九世纪末，是一种非侵入式的记录 大脑皮层活动的方式，临床上多用来检测癫痫病症，除此之外脑电图也有丰富的应用场景， 比如：机械臂控制，肢体残疾人士可以使用脑电信号控制假肢和机械臂；轮椅控制，无法行 动的患者可以使用脑电信号控制轮椅的方向和动作；脑部其他疾病的辅助判断，如脑瘤等。 脑机接口可以定义为一个系统，此系统将大脑活动所产生的脑电信号通过计算机 或电子设备转换成控制外部设备的命令或与外界进行交互的消息。目前常见的脑机接口系 统中，运动想象(Motor  Imagery,MI)模式是目前很受欢迎的一种。运动想象是在身体没有 任何实际动作的条件下通过想象移动身体的某个部位，以此在头皮产生相应的脑电信号， 通过计算机或电子设备对外部设备进行控制。 目前使用的脑电信号记录设备多为国际10-20系统，其中“10”和“20”指的是相邻 电极之间的实际距离是颅骨前后或左右总距离的10％或20％，除此之外国际10-10系统也 有较多应用。 记录设备中得到的脑电信号是由多个电极采集到的不同大脑部位产生的电信号， 每个电极对应一个通道，由于大脑活动在每个大脑区域产生的反应都不同，所以电极通道 之间的信号也不相同。 早些时期Thomas  Navin  Lal等人提出了基于支持向量机的的递归特征消除和零 范数优化通道选择方法(期刊：IEEE  transactions  on  biomedical  engineering；著者： T.N.Lal，M.Schroder，T.Hinterberger，J.Weston，M.Bogdan  and  N.Birbaumer；出版年月： 2004年；文章题目：Support  Vector  Channel  Selection  in  BCI；页码：1003-1010)。Wing- Kin  Tam等人提出了基于公共空间模式(Common  Spatial  Pattern，CSP)的通道选择方法方 法(期刊：2011Annual  International  Conference  of  the  IEEE  Engineering  in  Medicine  and  Biology  Society；著者：Tam,Wing-Kin,Zheng  Ke,and  Kai-Yu  Tong；出版 年月：2011年；文章题目：Performance  of  common  spatial  pattern  under  a  smaller  set  of  EEG  electrodes  in  brain-computer  interface  on  chronic  stroke  patients: a  multi-session  dataset  study；页码：6344-6347)。M  Arvaneh和C  Guan等人提出了SCSP 的方法(期刊：IEEE  Transactions  on  Biomedical  Engineering；著者：M  Arvaneh，C  Guan，KK  Ang，C  Quek；出版年月：2011年；文章题目：Optimizing  the  channel  selection  and  classification  accuracy  in  EEG-based  BCI；页码：1865-1873)和RSCSP的方法(期 刊：The  2012International  Joint  Conference  on  Neural  Networks；著者：M.Arvaneh, C.Guan,K.K.Ang ,C.Quek；出版年月：2012年；文章题目：Robust  EEG  channel  selection  across  sessions  in  brain-computer  interface  involving  stroke  patients；页码：1- 4 CN 111543983 A 说　明　书 2/4 页 6)。这些方法原理复杂，应用不够简便，我们发明的方法原理更加简单，应用也更加方便并 且有助于更好地处理数据特征，提高分类准确率，具有很大的实用价值。
技术实现要素：
本发明所要解决的技术问题是，提供一种可以更加直观明了地反应通道权重的分 布情况的基于神经网络的脑电信号通道选择方法。 本发明所采用的技术方案是：一种基于神经网络的脑电信号通道选择方法，包括 如下步骤： 1)通过脑电仪采集被试者脑电数据； 2)数据预处理，剔除采集到的数据中的异常数据，使用陷波滤波器去除会对数据 记录产生影响的50Hz工频噪声，并去除眼电伪迹和进行基线校准； 3)使用Python扩展库PyWavelets中的cwt函数对预处理的脑电数据进行小波变 换，将一维的脑电数据转化成二维的时频域数据，最后得到数据的尺寸为N×H×W×C，其中 N表示数据的数量，H表示每个输入神经网络的数据的高度，W表示每个输入神经网络的数据 的宽度，C表示每个输入神经网络的数据的通道数； 4)建立卷积神经网络模型，卷积神经网络模型的输入为B×H×W×C的数据，其中B 表示输入神经网络的每个Batch的数量，H表示每个输入神经网络的数据的高度，W表示每个 输入神经网络的数据的宽度，C表示每个输入神经网络的数据的通道数； 5)选择RMSprop作为卷积神经网络模型的优化器，由于卷积神经网络模型使用的 数据是二分类数据，所以卷积神经网络模型的输出激活函数选择Sigmoid； 6)卷积神经网络模型的损失函数采用对数损失函数，损失函数如下： 其中，L为损失函数，y表示脑电数据的真实标签， 表示脑电数据的预测标签； 7)通过优化器对卷积神经网络模型的损失函数进行优化，保存优化后的卷积神经 网络模型； 8)将优化后的卷积神经网络模型从输入层到第一SE模块的后全连接层 softmax， 建立新的神经网络模型，新的神经网络模型的输入同所述的卷积神经网络模型的输入相 同，新的神经网络模型的输出是一个二维数组，对二维数组取平均值，得到的一维数组构成 输入脑电数据每个通道的权重； 9)根据得到的通道权重的数据，画出脑电地形图。 本发明的一种基于神经网络的脑电信号通道选择方法，基于深度学习技术，使用 神经网络结合SE模块计算输入数据的通道权重，可以更加直观明了地反应通道权重的分布 情况，无需使用CSP方法分析多个Pattern，使用更加自由。本发明提出的通道权重确定方法 可以获得较好的数据特征，结合神经网络进行分类，最高可达到95.87％的准确率。 附图说明 图1是本发明一种基于神经网络的脑电信号通道选择方法的流程图； 图2a是本发明的实验方案展示，被试者根据屏幕上不同的视觉刺激进行对应的运 5 CN 111543983 A 说　明　书 3/4 页 动想象，运动想象过程中产生的脑电数据通过信号放大设备之后存储到计算机中； 图2b是一次完整的运动想象实验的时间安排，共分为8个时间段； 图2c是一次完整的运动想象实验中，每个时间段的具体时间安排； 图3是本发明卷积神经网络模型的整体结构示意图； 图4是卷积神经网络模型中第一SE模块的结构示意图； 图5是卷积神经网络模型中第二SE模块或第三SE模块的结构示意图； 图6a是采用本发明的方法得到的分类精度Top5被试者数据脑电地形图； 图6b是采用传统的公共空间模式方法得到的分类精度Top5被试者数据脑电地形 图； 图7a是采用本发明方法得到的所有数据脑电地形图； 图7b是采用传统的公共空间模式方法得到的所有数据脑电地形图。