具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，本发明提供一种基于图卷积和门控循环单元的脑电识别方法，包括以下步骤。

步骤S01，采集脑电数据。脑电信号数据采集，可使用32通道的Emotiv脑电采集仪，根据国际标准电极法安放电极，参考电极CMS和DRL选择在顶额位置安放，采样频率为128HZ，采集到的脑电信号通过无线传输到计算机中。被采集者根据指示休息一定时间，然后保持安静状态两秒作为基线校准数据，之后再不停的想象左手(右手)运动，同一个动作持续12秒，休息之后继续采集，采集左右手想象各一半。

步骤S02，数据预处理。脑电采集设备采集到的脑电信号往往伴随着各种噪声以及直流干扰，且由于ERD和ERS表现的α(8-13HZ)和β(13-30HZ)节律，所以先对脑电信号进行8-30HZ的带通滤波，带通滤波器可使用scipy库中的signal模块设计一个六阶的Butterworth带通滤波器。同时，由于脑电信号的采集过程中，幅值和波形往往会随着时间有较大的变化，且有电位偏移现象产生，所以对采集到的数据做基准校正，用每次采集的数据减去前一段校正时间内EEG的均值。同时由于眨眼或者眼动产生的眼电图(EOG)伪迹的幅值高达EEG的数倍，会对模型的训练和测试产生极大的干扰，所以采用WTICA剔除EOG伪迹。

WTICA去伪流程为：

利用小波包分解不断分解信号高频和低频的能力分解脑电信号：

令A和D分别表示一次分解后的低频和高频信号，S表示初始信号，则S可表示为式(1)：

其中AA表示一次分解中低频部分二次分解的低频部分，AD表示一次分解中低频部分二次分解的高频部分，DA，DD等依次类推。

根据所要提取的EOG信号频段(0-10HZ)，选择相应频带对应的小波包分解系数进行重构。

进一步地，将重构的信号和各通道原始信号作为ICA(独立成分分析)的输入。由小波包分解重构的EOG信号并不准确，所以我们可以把重构后的信号作为混合下的EOG观测信号，再和原通道数据组合作为ICA的输入：观测矩阵X。则X可表示为：

X＝AS

其中，A为混合矩阵，S为混合信号中的独立分量。

ICA目的就是找到混合矩阵A。设W＝A^-1，在X＝AS两边同时左乘W，则WX＝WAS＝S，便能解出S。

ICA步骤为：首先对输入数据进行中心化和白化预处理。中心化是将数据中的每个独立值减去一个数使得数据各维度的中心都移到零，中心化相当于对数据进行平移的过程，平移过后所有数据的中心为0。白化是将数据的方差映射到一个特定的范围，首先求出数据在特定范围内的新坐标，再对新坐标的方差进行归一化，经过白化后的数据之间特征相关性较低，且特征具有相同的方差，可有效去除数据中的冗余信息。

然后随机初始化混合矩阵W。由于S＝WX，通过更新W矩阵，经过多次迭代后，得到对应的多个S矩阵，计算S矩阵各向量的非高斯性，找出非高斯性最大的矩阵从而得出独立分量估计S。如可计算各向量中元素相对向量的均值/协方差的偏差统计，进而判断向量的非高斯性。

从S中提取出EOG信号之后用各通道原始信号减去EOG伪迹，即得出EEG真迹。

最后考虑到EEG具有正负极性，若将数据归一到[0,1]，会丢失掉大量存在于EEG负值区中的重要信息，所以使用式(2)将EEG数据归一化到[-1,1]区间，然后标记数据标签并划分训练集和测试集。标记标签时想象左手运动标记为0，想象右手运动标记为1。

其中，X表示归一化前的数据，X_min，X_max分别表示X所在通道数据最小值和最大值，X'表示归一化后的数据。

步骤S03：使用GCN提取EEG特征。使用图卷积网络GCN提取EEG特征过程如下：

由EEG信号创建图数据。一张图包含了节点N和边E，每个节点包含自己的特征，边表示了节点与节点之间的关系。用矩阵H表示每个节点与他们包含的所有特征(H∈R^n*m,n为节点数，m为每个节点所含特征数)，用邻接矩阵A表示节点与节点之间的关系(A∈R^n*n)。可将每个通道作为一个节点，每个通道所含的信号作为该节点特征建立特征矩阵H，然后根据互相关判断公式(3)计算相关系数r_c ^k，设定阈值，当r_ck大于阈值表示两节点相关，边为1，否则边为0，依此建立邻接矩阵A。

其中，X和Y分别表示不同通道的脑电数据，k表示单通道序列长度，N为单通道补零后序列长度。

由邻接矩阵A生成拉普拉斯矩阵L。首先为了避免A的自身特征的损失，令I为单位矩阵。避免在矩阵相乘中改变特征本来的分布，把归一化生成拉普拉斯矩阵其中为对角矩阵，

GCN前向传播提取特征。GCN的特征提取过程可有下式表示：

Hⁱ⁺¹＝leaky_relu(LHⁱW_G)(4)

其中Hⁱ表示第i层的特征矩阵，W_G表示非线性变换权重矩阵。

上式的提取过程可以看成两个步骤：

1.聚合相邻节点同维度特征

2.对聚合特征做非线性变换leaky_relu为带泄漏的relu激活函数。

步骤S04，将多个GCN提取的特征堆叠后输入GRU分类识别。

使用多个GCN提取EEG特征组合，并把提取出的特征堆叠成矩阵。一个GCN提取后的特征矩阵(H_out∈R^n*n_f，n为通道数，n_f为单通道提取的特征数)，a个GCN提取后水平堆叠之后的特征矩阵(X∈R^n*m,m＝a*n_f)。将X作为门控循环单元GRU的输入，GRU传播过程如下所示：

r_t＝σ(W_r·[h_t-1,x_t])(5)

z_t＝σ(W_Z·[h_t-1，x_t])(6)

y＝σ(W_oh_t＝m)(9)

式中，r_t，z_t，h_t分别表示t时刻的重置门，更新门，候选集，状态。y为最后输出。更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，重置门控制前一个状态写入到当前候选集的多少。

模型训练过程如下：

将步骤S02预处理后的数据送GCN做特征提取，将每个GCN提取出的特征水平堆叠之后传入GRU，GRU输出分类结果，由于是二分类，输出层节点数可取1。损失函数取交叉熵损失函数 为数据标签。

此模型中需要训练的参数有W_o，W_h，W_z，W_r，W_G。

各参数梯度为：

参数更新根据梯度可采用Adam优化器更新。

步骤S05，测试集验证网络性能。将步骤2中的EEG测试集数据输入到训练好GCN-GRN网络做特征提取与分类，如果输出y>＝0.5,则预测为右手想象运动，反之则为左手想象运动，计算出左右手想象运动分类的准确率。

本实施例中还提供了一种基于图卷积和门控循环单元的脑电识别系统，用于执行前述方法实施例中所述的基于图卷积和门控循环单元的脑电识别方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。

在一实施例中，一种基于图卷积和门控循环单元的脑电识别系统，包括：

脑电数据处理模块，用于获取脑电数据，并对所述脑电数据进行预处理，其中所述预处理包括：滤波、基准校正、去均值、剔除眼电图伪迹，归一化；

脑电识别模块，用于将经过预处理的脑电数据输入多个图卷积网络相对独立地进行特征提取，并将各图卷积网络提取的特征堆叠成特征矩阵输入门控循环单元进行分类识别，输出识别结果。

综上所述，本发明一种基于图卷积和门控循环单元的脑电识别方法及系统，选用WTICA的方法剔除EOG伪迹，选用GCN与GRU结合做特征提取与分类，大大降低EOG对分类器的影响，解决了EEG信号中EOG难以实时处理的问题；利用了GCN强大的图数据处理能力，选用多个GCN提取脑电特征，充分提取了EEG的有用信息，选用GRU作为特征分类器，一定程度上避免了梯度消失，保证了不同GCN提取的特征信息具有同等效力；结合GCN和GRU的模型能有效提高脑电信号的识别准确率。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。