一种运动想象信号的分类方法、设备及存储介质技术

本发明专利技术公开了一种运动想象信号的分类方法、设备及存储介质，方法：对待分类运动想象信号数据进行预处理；将预处理后的待分类运动想象信号数据输入分类模型，分类模型输出待分类运动想象信号数据的所属类别，分类模型包括MI同步特征加权模块、多尺度特征提取模块、电极位置信息提取模块和MI分类模块，MI同步特征加权模块、多尺度特征提取模块与MI分类模块顺序连接，电极位置信息提取模块与MI分类模块连接。本发明专利技术的分类方法，将同步信息引入MI分类问题，利用MI信号的同步信息实现对MI信号特征提取的引导，多尺度特征提取模块、电极位置信息提取模块分别提取到MI信号的不同尺度下的时间特征和各个通道的位置信号，模型精度高。模型精度高。模型精度高。

【技术实现步骤摘要】
一种运动想象信号的分类方法、设备及存储介质


[0001]本专利技术涉及脑机信号处理
，涉及一种运动想象信号的分类方法、设备及存储介质，具体涉及一种能够实现对EEG的运动想象信号进行高精度准确分类的方法及其应用。

技术介绍

[0002]目前基于运动想象的脑机接口(BCI,Brain
‑
Computer Interface)系统的应用主要在医疗方面，为运动障碍患者提供一种新的控制方式，帮助他们能够达到生活上自理甚至是疾病上完全康复的程度。这些运动障碍残疾病人包括脑干损伤、脑中风、肌肉萎缩等，他们有完整的大脑却因为外周神经受到了损伤而无法控制自己的躯体。基于运动想象(MI,motor imagery)的BCI系统可以在实现对外部设备的控制，替代躯干运动。此外，运动想象与物理治疗联用是脑卒中康复的一种有效方法。
[0003]迄今为止，许多研究试图手动提取特征，然后训练基于机器学习的分类器来识别MI信号。其中，研究人员提出了一种称为公共空间模式(CSP,Common Spatial Pattern)的流行空间特征提取方法，大大提高了MI信号的分类性能。CSP适用于两类分类，其基本思想是通过解决矩阵分解问题，找到一个最大化两类之间变化的空间滤波器。由于其稳定的性能，研究人员提出了许多CSP的改进版本。例如滤波器组公共空间模式(FBCSP,Filter Bank Common Spatial Pattern)通过优化受试者特定频带提高了MI分类准确率；可分离公共空间频谱模式(SCSSP,Separable Common Spatio
‑
spectral Patterns)考虑了MI信号的频谱特征，相比CSP降低了计算量。然而，这些传统方法难以满足BCI系统对高分类精度的要求。需要开发新的算法和框架，这些算法和框架有望同时适用于多个学科。
[0004]深度神经网络(DNN,Deep Neural Network)作为机器学习的一个子类，在计算机视觉和自然语言处理方面取得了令人瞩目的进展。作为一种端到端的模型，DNN十分适合基于EEG的MI分类。然而，传统的DNN无法充分提取脑电极的三维位置特征，除此之外仅基于MI信号的时域特征的DNN的分类准确率很难得到进一步提高。
[0005]因此，开发一种能够实现对EEG的运动想象信号进行高精度准确分类的方法极具现实意义。

技术实现思路

[0006]由于现有技术存在上述缺陷，本专利技术提供了一种能够实现对EEG的运动想象信号进行高精度准确分类的方法，以克服传统MI分类方法精度差、现有DNN在基于EEG的MI分类时存在的无法充分提取脑电极的三维位置特征以及时域特征分类准确性差的问题。
[0007]为了实现上述目的，本专利技术提供以下技术方案：
[0008]一种运动想象信号的分类方法，包括以下步骤：
[0009](1)对待分类运动想象信号数据进行预处理；
[0010](2)将预处理后的待分类运动想象信号数据输入分类模型，分类模型输出待分类
运动想象信号数据的所属类别；
[0011]所述分类模型包括MI同步特征加权模块、多尺度特征提取模块、电极位置信息提取模块和MI分类模块，MI同步特征加权模块、多尺度特征提取模块与MI分类模块顺序连接，电极位置信息提取模块与MI分类模块连接；
[0012]所述分类模型的训练过程是以训练数据集中的运动想象信号数据作为输入，以运动想象信号数据对应的已知类别信息作为理论输出，不断调整模型参数的过程。
[0013]本专利技术的运动想象信号的分类方法，构建分类模型时将同步信息引入MI分类问题，利用MI信号的同步信息实现对MI信号特征提取的引导，分类模型中多尺度特征提取模块能够提取到MI信号的不同尺度下的特征，通过电极位置信息提取模块可以提取到MI信号的各个通道的位置信号，丰富模型提取到的信息类别，将其与同步信息结合(实现了空间、时间特征的充分提取)一并进行分类，能够大大提高分类模型的精确性，应用前景好。
[0014]作为优选的技术方案：
[0015]如上所述的一种运动想象信号的分类方法，所述MI同步特征加权模块分别对MI信号和SL数据以相同的卷积操作提取对应的信息后，再将同步似然指数按照对应位置将原始MI信号进行加权。
[0016]如上所述的一种运动想象信号的分类方法，所述多尺度特征提取模块采用多个不同时间维度上的卷积对MI同步特征加权模块处理后的MI信号进行特征提取，再在时间维度上进行拼接。
[0017]如上所述的一种运动想象信号的分类方法，所述电极位置信息提取模块包括多个依次连接的图卷积神经网络(GCN,Graph Convolution Network)。
[0018]如上所述的一种运动想象信号的分类方法，取模块提取的空间特征后卷积、展平、分类。
[0019]本专利技术还提供一种计算机设备，所述计算机设备包括：
[0020]至少一个处理器；以及，
[0021]与所述至少一个处理器通信连接的存储器；其中，
[0022]所述存储器存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的运动想象信号的分类方法。
[0023]此外，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的运动想象信号的分类方法。
[0024]以上技术方案仅为本专利技术的一种可行的技术方案而已，本专利技术的保护范围并不仅限于此，本领域技术人员可根据实际需求合理调整具体设计。
[0025]上述专利技术具有如下优点或者有益效果：
[0026](1)本专利技术的运动想象信号的分类方法，构建分类模型时将同步信息引入MI分类问题，利用MI信号的同步信息实现对MI信号特征提取的引导；
[0027](2)本专利技术的运动想象信号的分类方法，分类模型中多尺度特征提取模块能够提取到MI信号的不同尺度下的特征；
[0028](3)本专利技术的运动想象信号的分类方法，通过电极位置信息提取模块可以提取到MI信号的各个通道的位置信号，丰富模型提取到的信息类别；
[0029](4)本专利技术的运动想象信号的分类方法，提取MI信号的位置信息与同步信息(实现了空间、时间特征的充分提取)后结合一并进行分类，能够大大提高分类模型的精确性，极具应用前景。
附图说明
[0030]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术及其特征、外形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未可以按照比例绘制附图，重点在于示出本专利技术的主旨。
[0031]图1为实施例1中的运动想象信号的分类方法的流程步序图；
[0032]图2为实施例1构建的运动想象信号的分类模型的结构图；
[0033]图3为MI同步特征加权模块的结构图；
[0034]图4为多尺度特征提取模块的结构图；
[0035]图5为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运动想象信号的分类方法，其特征在于：包括以下步骤：(1)对待分类运动想象信号数据进行预处理；(2)将预处理后的待分类运动想象信号数据输入分类模型，分类模型输出待分类运动想象信号数据的所属类别；所述分类模型包括MI同步特征加权模块、多尺度特征提取模块、电极位置信息提取模块和MI分类模块，MI同步特征加权模块、多尺度特征提取模块与MI分类模块顺序连接，电极位置信息提取模块与MI分类模块连接；所述分类模型的训练过程是以训练数据集中的运动想象信号数据作为输入，以运动想象信号数据对应的已知类别信息作为理论输出，不断调整模型参数的过程。2.根据权利要求1所述的一种运动想象信号的分类方法，其特征在于，所述MI同步特征加权模块分别对MI信号和SL数据以相同的卷积操作提取对应的信息后，再将同步似然指数按照对应位置将原始MI信号进行加权。3.根据权利要求2所述的一种运动想象信号的分类方法，其特征在于，所述多尺度特征提取模块...

【专利技术属性】
技术研发人员：齐鹏，任子辰，
申请(专利权)人：同济大学，
类型：发明
国别省市：