浅层镜像变形器网络的多主体运动想象识别方法技术

本发明专利技术公开一种浅层镜像变形器网络的多主体运动想象识别方法，具体实施步骤如下：步骤1、对脑电信号数据进行截取；步骤2、选取所需的C个脑电通道，并使用0

【技术实现步骤摘要】
浅层镜像变形器网络的多主体运动想象识别方法


[0001]本专利技术属于脑机接口
，具体涉及一种浅层镜像变形器网络的多主体运动想象识别方法。

技术介绍

[0002]脑机接口(BCI)可以在人脑和外部设备之间建立通信或控制通道。脑机接口技术已广泛应用于医学、神经生物学和心理学等领域，在虚拟现实、教育技术、智能家居等领域具有广阔的商业前景。运动想象脑电(MI
‑
EEG)是一种内源性自发的脑电信号，具有简单、灵活、无创、对环境要求低的特点。因此，基于运动想象的BCI是一种重要的、应用广泛的BCI。MI BCI系统采集受试者进行特定运动想象(MI)时的脑电信号，根据脑电信号识别运动想象内容，并将识别结果转换为周边设备的控制命令。
[0003]由于运动想象脑电事件相关同步/去同步(ERS/ERD)的位置和持续时间不同，使用固定的脑电信号段提取特征会导致分类性能较差。因此，一个能够从整个脑电信号试次中检测和利用有效信号段的模型可能会在多受试者运动想象BCI中产生良好的性能。然而，卷积神经网络中一个网络节点的感受野通常很小，所以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.浅层镜像变形器网络的多主体运动想象识别方法，其特征在于，具体实施步骤如下：步骤1、对脑电信号数据进行截取；步骤2、选取所需的C个脑电通道，并使用0
‑
38hz的3阶带通滤波器进行滤波；步骤3、对滤波后的脑电数据的每个通道做指数加权平均标准化操作，进行脑电信号标准化；步骤4、通过制造镜像脑电信号，进行脑电信号的扩充；步骤5、将步骤4生成的镜像脑电信号连同原始脑电信号一起输入ST模型进行训练；步骤6、在预测阶段使用集成学习提高模型准确率。2.根据权利要求1所述的浅层镜像变形器网络的多主体运动想象识别方法，其特征在于，步骤1中，截取范围为运动想象任务开始前0.5秒到运动想象开始后4s。3.根据权利要求1所述的浅层镜像变形器网络的多主体运动想象识别方法，其特征在于，步骤2中，使用C3、C4、Cz三个脑电通道。4.根据权利要求3所述的浅层镜像变形器网络的多主体运动想象识别方法，其特征在于，步骤3中的指数加权平均标准化操作的具体流程如下：首先，计算指数移动均值m
t
：m
t
＝fmean(x
t
)+(1
‑
f)m
t
‑
1 (1)式(1)中，x
t
是原始脑电信号的第t个采样点的值，m
t
是脑电信号在第t个采样点的移动均值，f是预先设置的更新因子,mean(x
t
)是脑电信号x
t
在多通道上求平均；再计算指数移动方差v
t
：v
t
＝f
·
(m
t
‑
x
t
)2+(1
‑
f)
·
v
t
‑1ꢀꢀꢀꢀ
(2)最后，求指数加权移动平均标准化后的脑电信号x
′
t
：式(3)中，为最大值函数，取两个参数最大值，ε＝10
‑6。5.根据权利要求3所述的浅层镜像变形器网络的多主体运动想象识别方法，其特征在于，对经过步骤3标准化后的脑电信号，交换C3和C4通道对应的脑电数据构造镜像脑电，之后交换左右手运动想象脑电信号标签。6.根据权利要求5所述的浅层镜像变形器网络的多主体运动想象识别方法，其特征在于，步骤5中的ST模型包括有基于CNN的特征提取层，基于变形器的编码器层以及运动想象脑电分类层；其中，基于变形器的编码器层由位置嵌入层、多头自注意力层和前馈层组成；运动想象脑电分类层由一个全连接层与softmax函数组成，输出节点个数为运动想象类别个数。7.根据权利要求6所述的浅层镜像变形器网络的多主体运动想象识别方法，其特征在于，步骤5的具体步骤如下：步骤5.1、定义步骤4生成的镜像脑电信号和原始脑电信号的集合为X∈R
K
×
C
,其中K为采样点数，C为EEG的通道数；模型训练的批次大小为B，因此输入数据的维度大小为B
×1×
K
×
C；
因此，基于CNN的特征提取层的计算如式(4)所示：F＝BN(C
s
(C
t
(X)))
ꢀꢀꢀꢀ
(4)式(4)中，X表示步骤4生成的镜像脑电信号和原始脑电信号的集合，C
t
表示大小...

【专利技术属性】
技术研发人员：王耀杰，罗靖，马梦豪，闫珂，王研婷，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：