一种基于并行CNN-Transformer神经网络的运动想象脑电信号分类方法技术

本发明专利技术公开了一种基于并行CNN

【技术实现步骤摘要】
一种基于并行CNN
‑
Transformer神经网络的运动想象脑电信号分类方法


[0001]本专利技术属于信号处理与模式识别领域，特别是一种基于并行CNN
‑
Transformer神经网络的运动想象脑电信号分类方法。

技术介绍

[0002]脑机接口(Brain
‑
computer Interface,BCI)通过人类大脑的意识活动来控制外部设备，实现大脑与设备之间通讯。脑电信号因具有高时间分辨率、低成本和非侵入性的特点被广泛应用于BCI。运动想象脑电信号(Motor Imagery Electroencephalogram,MI EEG)是一种不需要外界刺激，能自发产生的脑电信号。MI EEG非线性、非平稳、低信噪比等特点给解码带来了很大的挑战。脑信息解码的关键问题是特征提取和分类识别。
[0003]时域和频域分析方法是常见的特征提取方法。单独使用时域分析或者频域分析很难完整提取丰富的脑电特征。研究者提出用短时傅里叶变换(Short Time Fourier Transform,ST本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于并行CNN
‑
Transformer神经网络的运动想象脑电信号分类方法，其特征在于，包括以下步骤：S1，对运动想象脑电信号进行预处理；S2，在预处理后的运动想象脑电信号中添加噪声来扩充数据；S3，对步骤S1和步骤S2处理后的运动想象脑电信号进行时频分析生成包含时间特征、频率特征和位置信息的二维特征图；S4，构建CNN模型，设置网络参数，提取二维特征图中的频率特征和位置信息；S5，构建Transformer模型，设置网络参数，提取二维特征图中的时间特征；S6，将步骤S4和步骤S5提取的特征进行串联，并输入到分类器得到运动想象分类结果。2.根据权利要求1所述一种基于并行CNN
‑
Transformer神经网络的运动想象脑电信号分类方法，其特征在于：步骤S1所述预处理为选取8
‑
30Hz带通滤波器对运动想象脑电信号进行滤波。3.根据权利要求2所述一种基于并行CNN
‑
Transformer神经网络的运动想象脑电信号分类方法，其特征在于：所述带通滤波器选用巴特沃斯滤波器。4.根据权利要求1所述一种基于并行CNN
‑
Transformer神经网络的运动想象脑电信号分类方法，其特征在于：步骤S2所述添加噪声为添加高斯噪声进行数据扩充。5.根据权利要求1所述一种基于并行CNN
‑
Transformer神经网络的运动想象脑电信号分类方法，其特征在于：步骤S3所述时频分析选取母小波为复Morlet小波的连续小波变换进行时频分析，分别对步骤S1和步骤S2处理后的运动想象脑电信号中的C3、C
z
、C4三个通道的数据进行连续小波变换生成二维时频图，并将每个步骤中三个通道的二维时频图组合为包含时间、频率和位置信息的二维特征图。6.根据权利要求5所述一种基于并行CNN
‑
Transformer神经网络的运动想象脑电信号分类方法，其特征在于，具体包括：S3
‑
1、对步骤S1和步骤S2处理后的运动想象脑电信号中的C3、C

【专利技术属性】
技术研发人员：罗元，任科，何小义，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：