EEG运动想象分类方法及多空间卷积神经网络模型技术

本发明专利技术公开了一种EEG运动想象分类方法及多空间卷积神经网络模型，所述方法通过时间卷积提取EEG信号的时间特征，并保留EEG信号的空间特征，随后通过空间卷积提取EEG信号的空间特征；将所述时间特征和所述空间特征映射到分类器中完成分类。该模型至少包括空间卷积和时间卷积，目的是同时提取EEG信号在不同空间下的特征表达。实验结果证明，本发明专利技术在多个数据集下取得了优于现有方法的分类准确率，体现了本发明专利技术的优越性。本发明专利技术有助于推动EEG运动想象领域的发展。象领域的发展。象领域的发展。

Classification method of EEG motion imagination and multi space convolution neural network model

【技术实现步骤摘要】
EEG运动想象分类方法及多空间卷积神经网络模型


[0001]本专利技术涉及脑电信号分析
，具体的说，涉及一种EEG运动想象分类方法及多空间卷积神经网络模型。

技术介绍

[0002]EEG运动想象数据的分析依托于脑机接口技术的快速发展。在运动想象任务中，EEG数据来源于实验被试的运动类想象行为。通过分析这种EEG信号数据将有助于研究被试的大脑行为。更进一步，通过解析运动想象产生的EEG信号可以帮助残疾患者控制外部机械运动。比如：轮椅的运动方向，机械臂的运动等。因此，运动想象EEG信号的分析对于脑卒中风患者的独立活动具有重要意义。
[0003]传统的EEG信号分析方法中主要利用传统的机器学习算法完成对EEG信号的特征提取任务。比如，共空间模式(CSP)是最流行和最强大的特征提取方法之一，以及其衍生出的一系列方法，例如滤波器组共空间模式(FBCSP)等。提取到的EEG特征将被送入分类器中得到分类结果。分类器包括：线性判别分析(LDA)、支持向量机(SVM)等。然而，传统的机器学习特征提取算法依赖大量的数据先验知识。而先验知识的获取需要大量的时间。更重要的是，传统分类模型的泛化能力一直是一个挑战。
[0004]随着深度学习的发展，越来越多的神经网络被应用于EEG信号的特征提取和分类，比如EEGNet、残差网络等。深度学习模型强大的学习能力使得EEG特征提取的过程不再依赖数据先验知识。此外，深度学习模型通常具有更强的泛化性能。不足的是，目前的大多数深度学习模型普遍只关注脑电信号在单个空间下的表达，而忽略了EEG信号在其他空间下的有用信息。

技术实现思路

[0005]本专利技术针对现有技术存在的不足，提供了EEG运动想象分类方法及多空间卷积神经网络模型。本专利技术首先利用时间卷积网络沿着EEG的时间维度提取时间特征信息，并保留EEG信号的空间特性。随后，通过空间卷积提取EEG信号在空间维度上的特征信息。最后利用全连接网络将提取到的时间和空间特征映射到类别空间下完成分类任务。
[0006]本专利技术的具体技术方案如下：
[0007]根据本专利技术的第一技术方案，提供一种基于多空间卷积神经网络模型的EEG运动想象分类方法，所述方法包括：通过时间卷积提取EEG信号的时间特征，并保留EEG信号的空间特征，随后通过空间卷积提取EEG信号的空间特征；将所述时间特征和所述空间特征映射到分类器中完成分类。
[0008]进一步，所述通过时间卷积提取EEG信号在时间维度上的特征信息，并保留EEG信号的空间特征，随后通过空间卷积提取EEG信号在空间维度上的特征信息具体包括：通过1
×
1大小的第一卷积核对所述EEG信号的通道数进行升维；通过1
×
1大小的第二卷积核丰富所述EEG信号的空间特征；通过1
×
11大小的第三卷积核对所述EEG信号随时间进行卷积得
到所述EEG信号的时间特征；通过60
×
1大小的第四卷积核对所述EEG信号进行加权空间滤波得到所述EEG信号的空间特征；通过第一池化层对所述时间特征和所述空间特征进行压缩，去除冗余信息，减少参数量。
[0009]进一步，所述将所述时间特征和所述空间特征映射到分类器中完成分类具体包括：对所述时间特征和/或所述空间特征进行滤波、池化处理后对其进行分类，并通过如下公式(1)计算出最大概率的类别；
[0010][0011]其中，x
i
表示第i个神经元输入，x
j
表示第j个神经元输入，∑
j
exp(x
j
)表示所有神经元输入。
[0012]进一步，所述分类器的激活函数如下公式(2)所示：
[0013][0014]其中，x表示经过卷积计算后的输出结果，a为常数。
[0015]进一步，在将所述时间特征和所述空间特征映射到分类器中完成分类之后，所述方法还包括：根据如下公式(3)所示的损失函数来最小化分类结果与对应的真实标签之间的差异：
[0016][0017]其中，N表示样本数量，M表示类别的数量，若分类类别与真实标签数据相同，y
ic
等于1，否则为0，p
ic
表示样本i属于类别c的预测概率。
[0018]进一步，所述方法还包括：利用优化器优化所述损失函数，通过如下公式(4)更新所述优化器的学习率：
[0019][0020]其中，new_lr表示新的学习率，initial_lr表示初学习率，r表示学习衰减率，epoch表示到目前的迭代次数，step_size表示步长。
[0021]根据本专利技术的第二技术方案，提供一种用于EEG运动想象分类的多空间卷积神经网络模型，包括特征提取器以及分类器；所述特征提取器被配置为通过时间卷积提取EEG信号的时间特征，并保留EEG信号的空间特征，随后通过空间卷积提取EEG信号的空间特征；所述分类器被配置为将所述时间特征和所述空间特征映射到分类器中完成分类。
[0022]进一步，所述特征提取器被进一步配置为：通过1
×
1大小的第一卷积核对所述EEG信号的通道数进行升维；通过1
×
1大小的第二卷积核丰富所述EEG信号的空间特征；通过1
×
11大小的第三卷积核对所述EEG信号随时间进行卷积得到所述EEG信号的时间特征；通过60
×
1大小的第四卷积核对所述EEG信号进行加权空间滤波得到所述EEG信号的空间特征；通过第一池化层对所述时间特征和所述空间特征进行压缩，去除冗余信息，减少参数量。
[0023]进一步，所述分类器被进一步配置为：对所述时间特征和/或所述空间特征进行滤波、池化处理后对其进行分类，并通过如下公式(1)计算出最大概率的类别；
[0024][0025]其中，x
i
表示第i个神经元输入，x
j
表示第j个神经元输入，∑
j
exp(x
j
)表示所有神经元输入。
[0026]进一步，所述分类器的激活函数如下公式(2)所示：
[0027][0028]其中，x表示经过卷积计算后的输出结果，a为常数。
[0029]进一步，所述模型还包括机器学习模块，所述机器学习模块配置为：根据如下公式(3)所示的损失函数来最小化分类结果与对应的真实标签之间的差异：
[0030][0031]其中，N表示样本数量，M表示类别的数量，若分类类别与真实标签数据相同，y
ic
等于1，否则为0，p
ic
表示样本i属于类别c的预测概率。
[0032]进一步，所述机器学习模块还包括优化器，利用优化器优化所述损失函数，通过如下公式(4)更新所述优化器的学习率：
[0033][0034]其中，new_lr表示新的学习率，initial_lr表示初学习率，r表示学习衰减率，epoch表示到目前的迭代次数，step_size本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多空间卷积神经网络模型的EEG运动想象分类方法，其特征在于，所述方法包括：通过时间卷积提取EEG信号的时间特征，并保留EEG信号的空间特征，随后通过空间卷积提取EEG信号的空间特征；将所述时间特征和所述空间特征映射到分类器中完成分类。2.按照权利要求1所述的方法，其特征在于，所述通过时间卷积提取EEG信号在时间维度上的特征信息，并保留EEG信号的空间特征，随后通过空间卷积提取EEG信号在空间维度上的特征信息具体包括：通过1
×
1大小的第一卷积核对所述EEG信号的通道数进行升维；通过1
×
1大小的第二卷积核丰富所述EEG信号的空间特征；通过1
×
11大小的第三卷积核对所述EEG信号随时间进行卷积得到所述EEG信号的时间特征；通过60
×
1大小的第四卷积核对所述EEG信号进行加权空间滤波得到所述EEG信号的空间特征；通过第一池化层对所述时间特征和所述空间特征进行压缩，去除冗余信息，减少参数量。3.按照权利要求1所述的方法，其特征在于，所述将所述时间特征和所述空间特征映射到分类器中完成分类具体包括：对所述时间特征和/或所述空间特征进行滤波、池化处理后对其进行分类，并通过如下公式(1)计算出最大概率的类别；其中，x
i
表示第i个神经元输入，x
j
表示第j个神经元输入，∑
j
exp(x
j
)表示所有神经元输入。4.按照权利要求1
‑
3任一项所述的方法，其特征在于，所述分类器的激活函数如下公式(2)所示：其中，x表示经过卷积计算后的输出结果，a为常数。5.按照权利要求4所述的方法，其特征在于，在将所述时间特征和所述空间特征映射到分类器中完成分类之后，所述方法还包括：根据如下公式(3)所示的损失函数来最小化分类结果与对应的真实标签之间的差异：其中，N表示样本数量，M表示类别的数量，若分类类别与真实标签数据相同，y
ic
等于1，否则为0，p
ic
表示样本i属于类别c的预测概率。6.按照权利要求5所述的方法，其特征...

【专利技术属性】
技术研发人员：赵威，刘铁军，郜东瑞，李鑫，谢佳欣，秦云，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：