基于小波分析与深度学习的脑电信号分类（matlab）

原理

通过小波变换对运动想象信号进行特征提取，生成时频图像作为神经网络的输入。

实现

使用BCI竞赛2008–Graz dataset A中的A01受试者的数据作为数据集。

采样

采样频率250Hz，每个数据前三个为伪迹参考信号，后6个为EEG信号集，
每一个划成48次，四个任务，每个任务12次；
每次任务大概8s，每次大概从3-6s（750-1500点）为运动想像时间，
拟采集770-1462点，每个样本512个点，采样间隔20个点，采集25个样本；

%% 采样信号
clear;
fs = 250;     % 采样频率 250Hz
Na = 96735;   %
Nt = 48;      % 一个EEG信号集划成48次数据，即四个任务、每个任务12次
Ns = 25;      % 样本数 25个
Np = 20;      % 采样间隔20个点
N  = 256;
%%
x00 = load('A01T');
%%
for k=1:6  % 后6个为EEG信号集，即data {1,4} {1,5} {1,6} {1,7} {1,8} {1,9}x01 = x00.data{1, k+3}.X;    % EEG信号y01 = x00.data{1, k+3}.y;    % 类别t = x00.data{1, k+3}.trial;  % 试验（trials），包含伪迹t(Nt+1) = Na;%figurefor i = 1:Ntx0 = x01(t(i):t(i+1), :);%subplot(6,8,i);%plot(x0(:,1));xlim([0 2100]);ylim([-100 100]);for j = 1:Nsx1 = x0(750+Np*(j-1):750+Np*(j-1)+N-1, 1:22);x2 = (x1-min(x1(:)))/(max(x1(:))-min(x1(:)));  % 最大最小归一化XTr(:, :, 1, 1200*(k-1)+25*(i-1)+j) = x2;YTr(1, 1200*(k-1)+25*(i-1)+j) = categorical(y01(i));endclear x0; % 每次迭代x0的长度会发生变化end
endsave SubA_Train XTr YTr;

小波变换

%% 小波变换
clear
load SubA_Train;
%%id=[8 10 12];  % 选三个电极，
parfor i=1:length(XTr)for j=1:3 x = XTr(:,id(j),1,i);x1 = abs(cwt(x));  % 小波变换XTrft(:,:,j,i) = (x1-min(x1(:)))/(max(x1(:))-min(x1(:)));   % 归一化end
endsave SubA_TF_Train XTrft YTr;%% 可视化一个样本为彩色图片
size(XTrft(:,:,:,1))  % 51×256×3
categories(YTr)  % 查看类别数figure;
imshow(XTrft(:,:,:,1))

时频图样张：

把时频图保存到本地文件夹

图片的尺寸为51×256×3
4个文件夹（0、1、2、3），每个文件夹的图片为同一类信号

%% 转成图片格式，先新建一个images文件夹，然后在images里面新建4个文件夹，分别为0、1、2、3.
load SubA_TF_Train
for i = 1:7200k = double(string(YTr(1,i)))-1;  % labelimwrite(XTrft(:,:,:,i),['images\',num2str(k)','\',num2str(i),'.jpg'])  % 保存为图片
end

训练和评估

利用deepNetworkDesigner搭建网络，导出到工作区，训练。需要注意的是，网络的输出层为4类。可以采用典型的网络，例如Googlenet、resnet等。

clear;%% 导入数据集
imdsTrain = imageDatastore("images","IncludeSubfolders",true,"LabelSource","foldernames");
[imdsTrain, imdsValidation] = splitEachLabel(imdsTrain,0.8,"randomized");% 调整图像大小以匹配网络输入层
% inputsize = [256 256 3];
inputsize = [51 256 3];
augimdsTrain = augmentedImageDatastore(inputsize,imdsTrain);
augimdsValidation = augmentedImageDatastore(inputsize,imdsValidation);%% 网络结构alexnet
% Net = alexnet;
% Net = googlenet;
% Net = inceptionresnetv2;
deepNetworkDesigner%% 训练网络
miniBatchSize = 128;
learnRate = 0.0001;
valFrequency = floor(0.8*7200.0/miniBatchSize);
options = trainingOptions('adam', ...'InitialLearnRate',learnRate, ...'MaxEpochs',20, ...'MiniBatchSize',miniBatchSize, ...'Shuffle','every-epoch', ...'Plots','training-progress', ...'Verbose',false, ...'ValidationData',augimdsValidation, ...'ValidationFrequency',valFrequency, ...'LearnRateSchedule','piecewise', ...'LearnRateDropFactor',0.1, ...'LearnRateDropPeriod',5);
trainedNet = trainNetwork(augimdsTrain, lgraph_1, options);%% 评估
% 准确率
% 训练集
[YPred,probs] = classify(trainedNet,augimdsTrain);
accuracy = mean(YPred == imdsTrain.Labels)
disp("training acc: " + accuracy*100 + "%")
% 验证集
[YPred,probs] = classify(trainedNet,augimdsValidation);
accuracy = mean(YPred == imdsValidation.Labels)
disp("val acc: " + accuracy*100 + "%")% 混淆矩阵
figure('Units','normalized','Position',[0.2 0.2 0.4 0.4]);
cm = confusionchart(imdsValidation.Labels,YPred);
cm.Title = 'Confusion Matrix for Validation Data';
cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';

结果

alexnet
- training acc: 99.3924%
- val acc: 84.7917%
resnet
- training acc: 100%
- val acc: 85.4861%
simplenet（我自己搭建的网络）
- training acc: 98.7674%
- val acc: 90.0694%

python版本的数据集

https://github.com/bregydoc/bcidatasetIV2a

基于小波分析与深度学习的脑电信号分类（matlab）相关推荐

基于Pytorch深度学习的脑肿瘤分类识别
阅读笔记3：基于深度学习的运动想象脑电信号分类算法研究
1.论文信息题目:基于深度学习的运动想象脑电信号分类算法研究作者佟歌单位:哈尔滨工程大学控制科学与工程发表时间:201803 2.笔记 2.1 脑电信号采集及预处理 2.1.1脑电信号分析方法 ...
三维深度学习中的目标分类与语义分割
(转载的文章,仅供学习,如有侵权请随时联系删帖) 在过去的几年中,基于RGB的深度学习已经在目标分类与语义分割方面取得了非常好的效果,也促进了很多技术的发展,深度学习在现实生活中的应用也越来越多.但是 ...
014基于深度学习的脑电癫痫自动检测系统-2018(300引用)
An automated system for epilepsy detection using EEG brain signals based on deep learning approach ...
（脑肿瘤分割笔记：四十四）基于深度学习的脑肿瘤分割的综述
目录 Abstract&Introduction 脑肿瘤分割任务面临的主要挑战深度学习方法的脑肿瘤分割的方法脑肿瘤分割方法一:设计有效的架构分割方法针对于不同目的的模型对于精度有要求的 ...
深度神经网络对脑电信号运动想象动作的在线解码
目录简介网络模型结果比较结论本分享为脑机学习者Rose整理发表于公众号:脑机接口社区 QQ交流群:941473018 简介近年来,深度学习方法的快速发展使得无需任何特征工程的端到端学习成为 ...
基于弱监督深度学习的医学图像分割方法综述
基于弱监督深度学习的医学图像分割方法综述摘要:基于深度学习的医学影像分割尽管精度在不断的提升,但是离不开大规模的高质量标注数据的训练,被称为弱监督学习的深度学习的一个分支正在帮助医生通过减少对完整和 ...
语义分割：基于openCV和深度学习（二）
语义分割:基于openCV和深度学习(二) Semantic segmentation in images with OpenCV 开始吧-打开segment.py归档并插入以下代码: Semanti ...
语义分割：基于openCV和深度学习（一）
语义分割:基于openCV和深度学习(一) Semantic segmentation with OpenCV and deep learning 介绍如何使用OpenCV.深度学习和ENet架构执行 ...

基于小波分析与深度学习的脑电信号分类（matlab）

原理

实现

采样

小波变换

把时频图保存到本地文件夹

训练和评估

结果

python版本的数据集

基于小波分析与深度学习的脑电信号分类（matlab）相关推荐

最新文章

热门文章