一种轻量化的运动想象脑电信号分类方法技术

本发明专利技术提供一种轻量化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S1，采集原始脑电信号并进行预处理。步骤S2，对信号数据集的数据进行归一化处理。步骤S3，构建轻量化分类网络模型。步骤S4，构建编码器训练网络并进行有监督训练，并保留和更新编码器的相关参数。步骤S5，由归一化信号数据集形成交叉训练样本。步骤S6，将交叉训练样本输入到轻量化分类网络模型，得到最优组超参数。步骤S7，将最优组超参数输入到轻量化分类网络模型进行参数更新，并对更新完的轻量化分类网络模型进行训练。步骤S8，对待测数据进行归一化处理。步骤S9，将归一化待测数据输入到训练完的轻量化分类网络模型，得到分类识别结果。得到分类识别结果。得到分类识别结果。

【技术实现步骤摘要】
一种轻量化的运动想象脑电信号分类方法


[0001]本专利技术涉及一种轻量化的运动想象脑电信号分类方法。

技术介绍

[0002]脑机接口是一种直接利用大脑的神经活动来控制电子外设进行交互的新型通信方式。脑机接口技术发展的最初目标是帮助神经永久性损伤的患者恢复部分运动功能或与外界正常沟通交流的能力，包括对义肢、轮椅、键盘等辅助设备的控制[1]。如今，随着智能计算、可穿戴电子产品的普及，脑机接口技术不仅在康复医疗领域受到广泛关注，也正逐步加快在教育、游戏娱乐、增强现实等领域的产品落地[2]。
[0003]目前，脑机接口系统的主流产品都是基于脑电图的。脑电图是一种非侵入的采集方式，其无创的优点使其被技术人员长期关注，它通过可穿戴的电极帽中的传感器获取大脑皮层神经元产生的电信号。采集到的脑电信号再经过信号处理、特征提取、模式识别、反馈控制等环节，共同完成用户意图的解码。其中，信号处理、特征提取与模式识别关键技术环节。而脑电信号又属于非平稳信号，采集过程中易受噪声干扰等影响，对解码方法提出了不小的挑战。
[0004]在基于脑电信号的脑机接口中，运动想象脑电信号的解码是最常见的一种。现有的基于卷积神经网络的运动想象脑电信号分类模型中，一类是结合了传统时频变换方法，将低信噪比的脑电信号变换为较高质量的时频图像，更好地发挥经典卷积神经网络的优势[3]；另一类是使用原始时间序列做输入，直接让网络自主学习有效的特征，实现运动想象的端到端分类识别[4]。为了得到更高的分类准确率，模型的深度与宽度正变得越来越大，但训练起来就更加困难[5]，需要更多的样本数据，这与运动想象数据集样本数量通常较小的特点相矛盾。
[0005]参考文献
[0006][1]Saha P,Abdul
‑
Mageed M,&Fels S.(2019).Deep learning the EEG manifold for phonological categorization from active thoughts.2019IEEE International Conference on Acoustics,Speech and Signal Processing(ICASSP),2762
‑
2766.
[0007][2]Abdulkader N,Atia A,&Mostafa M.(2015).Brain computer interfacing:applications and challenges.Egyptian Informatics Journal,16(2),213
‑
230.
[0008][3]Sakhavi S,Guan C,&Yan S.(2018).Learning temporal information for brain
‑
computer interface using convolutional neural networks.IEEE Transactions on Neural Networks and Learning Systems,29(11),5619
‑
5629.
[0009][4]Schirrmeister T,Springenberg T,Fiederer L,et al.(2017).Deep learning with convolutional neural networks for EEG decoding and visualization.Human Brain Mapping,38(11),5391
‑
5420.
[0010][5]Amin U,Alsulaiman M,Muhammad G,Mekhtiche A,Shamim Hossain M.
(2019).Deep Learning for EEG motor imagery classification based on multi
‑
layer CNNs feature fusion.Future Generation Computer Systems,101,542
–
554.
[0011][6]Leeb R,Brunner C,Muller
‑
Putz R,&Schlogl A.(2008).BCI Competition 2008
‑
Graz data set A.
[0012][7]Lawhern J,Solon J,Waytowich R,et al.(2016).EEGnet:a compact convolutional network for EEG
‑
based brain
‑
computer interfaces.Journal of Neural Engineering,15(5),056013.1
‑
056013.17.
[0013][8]Zhao D,Tang F,Si B,&Feng X.(2019).Learning joint space
‑
time
‑
frequency features for EEG decoding on small labeled data.Neural Networks,114,67
‑
77.
[0014][9]Li Y,Zhang X,Zhang B,et al.(2019).A channel
‑
projection mixed
‑
scale convolutional neural network for motor imagery EEG decoding.IEEE Transactions on Neural Systems and Rehabilitation Engineering,27(6),1170
‑
1180.

技术实现思路

[0015]为解决上述问题，提供一种轻量化的运动想象脑电信号分类方法，本专利技术采用了如下技术方案：
[0016]本专利技术提供了一种轻量化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S1，采集原始脑电信号并进行预处理，得到信号数据集。步骤S2，对信号数据集的数据进行归一化处理，得到归一化信号数据集。步骤S3，构建轻量化分类网络模型，该轻量化分类网络模型包括降维模块、时空可分离卷积模块、中间层特征抽取模块以及分类模块。其中，降维模块包括编码器。时空可分离卷积模块包括两层二维深度卷积层和平均池化层，两层深度卷积层包括沿时间维度的时间维深度卷积层和沿电机通道维度的空间维深度卷积层。中间层特征抽取模块为时间尺度相同的单一尺度多分支拓扑结构，包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量化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S1，采集原始脑电信号并进行预处理，得到信号数据集；步骤S2，对所述信号数据集的数据进行归一化处理，得到归一化信号数据集；步骤S3，构建轻量化分类网络模型，该轻量化分类网络模型包括降维模块、时空可分离卷积模块、中间层特征抽取模块以及分类模块，其中，所述降维模块包括编码器，所述时空可分离卷积模块包括两层二维深度卷积层和平均池化层，所述两层深度卷积层包括沿时间维度的时间维深度卷积层和沿电机通道维度的空间维深度卷积层，所述中间层特征抽取模块为时间尺度相同的单一尺度多分支拓扑结构，包括卷积层、深度卷积层和平均池化层；步骤S4，构建编码器训练网络，并利用所述归一化信号数据集对所述编码器训练网络进行有监督训练，得到所述完成训练的编码器训练网络，并保留和更新编码器的相关参数；步骤S5，将所述归一化信号数据集随机打乱，并将每种标签的数据进行五等分并将每个标签中的每一折数据顺序拼接，形成交叉训练样本；步骤S6，将所述交叉训练样本输入到所述轻量化分类网络模型，利用类别交叉熵作为损失函数，以及利用Adam优化器对模型权重进行优化，对所述轻量化分类网络模型进行最优组超参数配置搜索，得到最优组超参数；步骤S7，将最优组超参数输入到所述轻量化分类网络模型进行参数更新，并利用...

【专利技术属性】
技术研发人员：马煜，郭子钦，汪源源，
申请(专利权)人：复旦大学，
类型：发明
国别省市：