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技术

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属于计算机软件领域。针对脑电信号信噪比低导致特征提取困难的问题，提出一种基于EEGNet改进的网络模型，简称“MCA

【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。因为脑电信号是不稳定的信号，具有很低的信噪比，采集到的EEG信号很容易受到眼电、肌电等噪声的影响。另外，对于不同的受试者，同一想象任务产生的脑电信号是有差异的；同一受试者在不同时间对于同一想象任务的时间序列也可能差别很大。因此，如何从运动想象脑电信号中提取有效特征并精确分类是运动想象领域中一个具有挑战性的问题。
[0003]为解决上述问题，经常采用机器学习方法和深度学习方法进行特征提取和分类。传统的运动想象脑电信号的分类方法主要分为两步：特征提取和分类。对原始脑电信号先通过一系列算法进行特征提取，然后将提取的特征输入到相应的分类器进行分类判别，得到最终结果。传统的特征提取方法主要有共空间模式(Common Spatial Pattern，CSP)，滤波器组共空间模式(Filter Bank Common Spatial Pattern，FBCSP)等；常用的分类方法包括线性判别分析(LDA)，支持向量机(SVM)，贝叶斯分类器等。近年来，研究人员发现，深度学习方法比机器学习方法能获得更好的分类性能。Lawhern等人提出了EEGNet，一种专门为脑电图识别任务而设计的通用且紧凑的卷积神经网络。相比普通的卷积神经网络结构，他们使用了逐通道卷积和深度可分离卷积(逐通道卷积+逐点卷积)来构造特定的EEG模型。目前，EEGNet模型已经成功应用于脑机接口领域的多个范式，并取得了不错的分类效果。Wu等人提出了一种针对运动想象脑电分类的并行多尺度滤波器组卷积神经网络(MSFBCNN)，该模型的新颖之处在于使用了四个并行的时间卷积层来提取时间特征，充分利用了端到端网络中的特征信息。Dai等人提出了一种具有混合卷积尺度的卷积神经网络(HS
‑
CNN)，他们提
出的方法有效地解决了在CNN中使用单个卷积尺度限制分类效果的问题，进一步提高了分类精度。从上述研究可以发现：轻量级网络和滤波器组在基于深度学习的运动想象脑电分类中起着关键作用。此外，现有方法的分类准确性仍有待进一步提高。
[0004]通道注意力机制在改善深度卷积神经网络的性能方面具有极大的潜力，因此引起了越来越多研究者的广泛关注。其中SE
‑
Net(Squeeze
‑
and
‑
Excitation Networks)，CBAM(Convolutional Block Attention Module)，A2‑
Net(Double attention networks)是几种比较经典的注意力机制。SE
‑
Net是由Hu等人提出的，该模块通过捕获所有通道之间的依赖关系自适应地重新校准通道方式的特征响应。虽然该模块被广泛应用，但是其中涉及的降维方法会给通道注意力预测带来副作用，并且捕获所有通道的依赖关系会使模型效率降低。为了解决上述问题，Wang等人提出了一种用于深度卷积神经网络的高效通道注意力(Efficient Channel Attention，ECA)模块。该模块先进行逐通道全局平均池化，然后在不降低维度的情况下，对每个通道及其k个相邻通道进行卷积提取相邻通道间的信息。这样设计避免了降维带来的副作用，并且适当的跨通道交互可以在保持性能的同时显著降低模型的复杂性，并减少参数量。为了进一步减少参数量，Saini等人提出了一种简单有效的“超轻量子空间注意力机制”(Ultra
‑
Lightweight Subspace Attention Module，ULSAM)，虽然该模块降低了参数量和计算开销，但是对整体模型效果增益不大，还有待于进一步改进。Zequn Qin1等人提出了FcaNet(Frequency Channel Attention Networks)，从频域角度思考并设计了多谱通道注意力，取得了不错的成果，但其适用性还有待进一步考究。
[0005]通过对以上现有研究方法的优缺点进行探讨分析，本专利技术获得了新的启发和研究思路，基于EEGNet，提出了一种新的改进网络模型(MCA
‑
EEGNet)。拟采用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；同时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，从而进一步提高模型的鲁棒性。相比EEGNet模型，本专利技术提出的分类方法更能有效提升运动想象脑电信号的解码性能。

技术实现思路

[0006]本专利技术提出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，该方法可有效提升对运动想象脑电信号的特征提取和分类性能。针对脑电信号信噪比低导致特征提取困难的问题，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，从而提高分类准确率；同时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，进一步提高模型的鲁棒性。相比较EEGNet，本专利技术提出的方法具有更高的分类准确率。
[0007]经过研究讨论和反复实践，本方法确定最终方案如下：
[0008]首先对原始脑电数据集进行预处理，然后将数据集划分为训练集、验证集和测试集三部分，分别输入到新的网络模型MCA
‑
EEGNet中进行训练和测试，最后得出模型分类结果，并对分类结果进行评估，验证方法的有效性。
[0009]本专利技术技术方案的具体步骤如下：
[0010]步骤1.数据预处本文档来自技高网...

【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：