基于小波分析与深度学习的脑电信号分类（matlab）

最新推荐文章于 2023-03-24 22:20:31 发布

代码缝合怪

最新推荐文章于 2023-03-24 22:20:31 发布

阅读量4.1k

点赞数 1

分类专栏：机器学习+深度学习

本文链接：https://blog.csdn.net/qq_50258800/article/details/127045577

版权

机器学习+深度学习专栏收录该内容

17 篇文章 7 订阅

订阅专栏

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;
    %figure
    for i = 1:Nt
        x0 = x01(t(i):t(i+1), :);
        %subplot(6,8,i);
        %plot(x0(:,1));xlim([0 2100]);ylim([-100 100]);
        for j = 1:Ns
            x1 = 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));
        end
        clear x0; % 每次迭代x0的长度会发生变化
    end
end

save SubA_Train XTr YTr;

请添加图片描述

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     
end

save 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：
请添加图片描述

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 = 1:7200
    k = double(string(YTr(1,i)))-1;  % label
    imwrite(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';