一种基于自注意力机制和并行卷积的运动想象脑电信号分类方法技术

一种基于多头自注意力机制和并行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EEG

【技术实现步骤摘要】
一种基于自注意力机制和并行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自注意力机制和并行卷积的运动想象脑电信号分类方法，可用于运动想象脑电信号的解码，属于计算机领域。

技术介绍

[0002]脑
‑
机接口技术是多学科融合的前沿研究方向，通过设备对脑电信号进行采集并进行解码，将他们转化成命令，然后转发到输出设备以执行所需的操作。并在生物医疗、娱乐、教育、智能家居、军事等多领域得到了广泛应用。可以通过各种神经成像方法记录大脑活动。这些方法可以是侵入性的，也可以是非侵入性的。目前最流行的脑
‑
机接口非侵入性脑电波获取方法是脑电图(EEG)检测。脑电图的普及得益于设备的廉价、与侵入性手术相比并发症的减少、便携性、易于设置和使用以及直接测量神经活动的可能性。在基于脑电图的脑
‑
机接口中，运动想象(Motor Imagery，MI)是一种十分经典的范式，运动想象脑电信号是当一个人想象他身体不同部位的运动时在头皮上发出的电信号。当一个人执行手部运动想象任务时，运动手对侧的感觉运动脑电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自注意力机制和并行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EEG
‑
MATCNet模型；使用并行卷积层代替EEGNet模型中的普通卷积层提取多尺度的时间特征，添加空间自注意力机制使网络更好得提取空间特征，添加时序卷积网络提取高级时间特征；步骤3，将步骤1中的训练集和验证集输入到EEG
‑
MATCNet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，对分类准确率进行评估。2.根据权利要求1所述的基于自注意力机制和并行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)对原始脑电信号进行共平均参考；(2)通过3阶巴特沃斯带通滤波器来提取4
‑
40Hz的脑电信号；(3)对滤波过后的脑电信号做指数滑动均值标准化，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；(4)将训练集按照4:1的比例划分为训练集和验证集用于之后的5折交叉验证；(5)对脑电信号进行分段选取，每一段代表一个完整的运动想象脑电任务，截取的每段脑电信号长度为4s。3.根据权利要求1所述的基于自注意力机制和并行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：EEG
‑
MATCNet的具体结构主要概括为四部分：并行卷积层，自注意力层，时间卷积网络层，全连接层；此处使用Pytorch构建模型；下面对每一部分进行详细说明：(1)并行卷积层通过3个分支使用不同尺度的卷积核对输入的脑电信号进行初步的时间特征提取；经过多次实验得到最佳并行结构如下：分支1使用2个卷积核大小为(1,16)、步长为1的卷积核；分支2使用4个卷积核大小为(1,32)、步长为1的卷积核，分支3使用8个卷积核大小为(1,64)、步长为1的卷积核进行特征提取，3个分支的卷积核填充模式均设置为same；之后通过批归一化层防止网络训练中出现梯度消失，最后使用ELU激活函数帮助网络更快收敛；(2)自注意力层首先将经过初步时间特征提取的每个电极的脑电信号通过线性层转换得到查询向量(Q)，键向量(K)和值向量(V)三个向量，接着将每个电极的查询向量与所有电极的键向量通过缩放点积注意力计算点乘积，再通过键向量的维度进行归一化得到注意力权重大小；对序列中每一个查询向量都进行计算，就能得到一个和输入序列长度相等，维度和权重矩阵维度相同的向量；上述...

【专利技术属性】
技术研发人员：王丹，周浩，陈佳明，许萌，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：