【技术实现步骤摘要】
一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法
[0001]本专利技术公开了一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法,可用于识别运动想象肢体部位,属于计算机软件领域。
技术介绍
[0002]近年来,基于EEG的脑机接口(Brain
–
computer interfaces,BCI)技术发展迅速。脑机接口是一种连接大脑和外部设备的实时通信系统,在生物医学、神经康复和人工智能等领域具有重要的研究意义和巨大的应用潜力,实现了大脑与外界直接通信的一种新的人机交互方式。脑机接口技术从大脑采集数据主要有三种方式:侵入式、半侵入式和非侵入式。基于EEG的脑机接口是非侵入性的,是脑机接口领域最常用的技术。其中,运动想象是最具有代表性的范式之一。肢体活动的想象力可以改变大脑的电活动。当人们做单侧肢体动作和运动想象时大脑对侧主感觉运动皮层的mu节律和β节律幅度明显减小,而同侧主感觉运动皮层的mu节律和β节律幅度明显增大,这一现象被称之为事件相关去同步(ERD,event
‑
related desynchronization)和事件相关同步(ERS,event related synchronization)。根据这种感觉运动区脑电节律的差异,可以对不同运动想象任务的脑电信号进行识别分类,这对中风患者或神经系统受损的病人恢复感觉和运动功能具有极大的帮助和研究意义。虽然基于运动想象范式的脑机接口技术已广泛应用于康复医疗等领域,但其解码性能仍不能很好地满足实际应用的需要。因 ...
【技术保护点】
【技术特征摘要】
1.一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法,其特征在于,包括以下步骤:步骤1.数据预处理:使用带通滤波器对运动想象脑电信号进行带通滤波处理,之后对滤波后的信号做指数移动均值标准化;将脑电信号数据集划分为训练集、验证集和测试集;步骤2.构建MCA
‑
EEGNet模型:使用并行多尺度的时间卷积层代替EEGNet模型中的普通卷积层,以更好地进行特征提取;添加通道注意力模块ECA,使网络训练时更加关注与输入数据相关度高的通道信息;步骤3.将步骤1中的训练集和验证集输入到MCA
‑
EEGNet模型中进行训练;步骤4.将步骤1中的测试集输入到步骤3中已训练好的模型中进行分类,评价分类的准确度。2.根据权利要求1所述的基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法,其特征在于:步骤1具体为:(1)对原始运动想象脑电信号用3阶4
‑
40Hz的巴特沃斯带通滤波器进行带通滤波,过滤出所需频段的信号;(2)对滤波后的信号做指数移动均值标准化,其中衰减因子设为0.999,以减少数值差异对模型效果的影响;(3)开始训练之前,将经过预处理后的脑电数据集进行划分;将训练样本中80%的数据作为训练集,其余20%的数据作为验证集。3.根据权利要求1所述的基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法,其特征在于:步骤2具体为:MCA
‑
EEGNet模型的具体结构主要概括为四部分:Block1,Block2,Block3,全连接层;下面对每一部分进行详细说明:(1)Block1受滤波器组思想启发,使用两个并行多尺度的时间卷积层对输入信号分别进行卷积处理,卷积步长stride设为1,padding为卷积核大小的1/2;经多次实验,最终设置两个卷积核大小kernel size分别为(1,64)、(1,40)效果最好;之后将两个卷积层的卷积结果连接并经过归一化后输出;(2)Block2首先将上层的输出使用卷积核大小为(C,1)、卷积步长为1、最大范数权值约束max_norm为0.5的空间卷积层进行特征提取,其中C为采集的脑电信号的导联个数;然后对输出结果进行归一化处理;此处激活函数使用的是ELU函数,既能加快训练速度,又能提高分类准确率;经过激活函数后,使用大小、步长均为1
×
8的平均池化层来处理特征,以减少参数量;最后通过Dropout方式将对应层中的节点以0.5的概率随机丢弃,以减轻网络的...
【专利技术属性】
技术研发人员:王丹,许晴,陈佳明,付利华,谭睎月,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。