孪生级联柔性最大网络的多主体运动想象识别模型及方法技术

本发明专利技术公开的孪生级联柔性最大网络的多主体运动想象识别模型，由第一部分：已训练的CSCNN网络模型及第二部分：复制生成的CSCNN网络模型组成；CSCNN网络包括有基于CNN的特征提取层、主体分类层及运动想象分类层，脑电信号数据输入基于CNN的特征提取层，特征提取层提取的特征输入主体分类层；主体分类层输出结果输入运动想象分类层，而且提取的特征也通过跨层连接输入运动想象分类层；整个CSCNN网络输出由主体分类层输出与运动想象分类层输出两部分联结组成。该模型可以提高卷积神经网络模型在主体间的泛化能力，从而提高多主体运动想象BCI的性能。

【技术实现步骤摘要】
孪生级联柔性最大网络的多主体运动想象识别模型及方法
本专利技术属于脑机接口
，具体涉及一种孪生级联柔性最大网络的多主体运动想象识别模型，还涉及一种孪生级联柔性最大网络的多主体运动想象识别方法。
技术介绍
脑机接口(BCI)是一种测量中枢神经系统活动并将其转换为指令信号输出的系统。这种输出可以替代、恢复、增强、补充或改善中枢神经系统的自然输出。脑电信号(EEG)是一种简单、灵活、无创的大脑监测方法，且对实验环境要求低。基于脑电信号的运动想象(MI)识别是BCI中一个重要且广泛应用的分支。运动想象BCI要求主体在执行特定运动想象任务时采集脑电信号，根据脑电信号对运动想象内容进行识别，然后将识别结果转换为控制外围设备的命令。如何从低信噪比、低空间分辨率的脑电信号中提取有效特征是运动想象识别系统成功的关键。目前，现有技术主要关注在单主体(主体依赖)系统上，针对特定主体建立模型。然而，单主体BCI系统需要对每个特定主体进行特征提取、参数选择和模型训练。因此，单主体BCI仅适用于目标主体。由于主体间的泛化能力较弱，应用于其他主体会产生不可接受本文档来自技高网...

【技术保护点】
1.孪生级联柔性最大网络的多主体运动想象识别模型，其特征在于，由第一部分：已训练的CSCNN网络模型及第二部分：复制第一部分的已训练CSCNN网络模型组成；/n所述CSCNN网络包括有基于CNN的特征提取层、主体分类层及运动想象分类层，脑电信号数据输入基于CNN的特征提取层，特征提取层提取的特征输入主体分类层；主体分类层输出结果输入运动想象分类层，而且提取的特征也通过跨层连接输入运动想象分类层；整个CSCNN网络输出由主体分类层输出与运动想象分类层输出两部分联结组成。/n

【技术特征摘要】
1.孪生级联柔性最大网络的多主体运动想象识别模型，其特征在于，由第一部分：已训练的CSCNN网络模型及第二部分：复制第一部分的已训练CSCNN网络模型组成；
所述CSCNN网络包括有基于CNN的特征提取层、主体分类层及运动想象分类层，脑电信号数据输入基于CNN的特征提取层，特征提取层提取的特征输入主体分类层；主体分类层输出结果输入运动想象分类层，而且提取的特征也通过跨层连接输入运动想象分类层；整个CSCNN网络输出由主体分类层输出与运动想象分类层输出两部分联结组成。


2.根据权利要求1所述的孪生级联柔性最大网络的多主体运动想象识别模型，其特征在于，CSCNN网络模型训练阶段的损失函数L(Op，Oc，Yp，Yc)如式(1)所示：
L(Op，Oc，Yp，Yc)＝CE(Op，Yp)+Wc·CE(Oc，Yc)(1)
式(1)中，Op，Oc分别为父类分类层与子类分类层的柔性最大网络输出；Yp，Yc分别是父类和子类类别标签的one-hot编码；Wc是子类损失函数的权重；CE(O，Y)是交叉熵函数，如式(2)所示：



式(2)中，i是类别序号，I是类别个数，输出向量O＝[o1，o2，…，oI]，标签向量Y＝[y1，y2，...，yI]。


3.孪生级联柔性最大网络的多主体运动想象识别方法，其特征在于，具体按照以下步骤实施：
步骤一、对脑电信号以250Hz进行重采样，并截取包含运动想象阶段的脑电信号段，再使用0-38hz的带通滤波器对其进行滤波；
步骤二、对滤波后的脑电数据的每个通道做指数加权移动平均标准化操作，用来标准化脑电信号；
步骤三、对于经过步骤二标准化后的脑电信号，交换其左右脑半球的脑电信号通道构造孪生脑电信号...

【专利技术属性】
技术研发人员：罗靖，刘光明，王耀杰，高帆，弓一婧，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61