基于双尺度脑区特征的运动想象分类方法和系统技术方案

本发明专利技术涉及脑电信号分类任务领域，公开一种基于双尺度脑区特征的运动想象分类方法和系统，方法包括：获取脑电信号数据分为训练集和测试集，从全局与局部两个尺度构建大脑的整个采集区域与特定脑区的信息表示；使用训练集训练分类模型，将测试集输入分类模型进行分类预测；训练和预测包括：从全局与局部两个尺度提取时间与空间特征，基于时间循环神经网络自适应增强全局尺度特征的时间表达得到全局特征、自适应增强局部尺度特征的时间表达得到局部特征；提取双尺度融合特征进行运动想象分类；系统包括实现各步骤的模块。本发明专利技术从大脑的全局与局部两个尺度，充分利用双尺度特征的差异与联系，提高脑电运动想象的识别准确率、分类性能和泛化能力。分类性能和泛化能力。分类性能和泛化能力。

【技术实现步骤摘要】
基于双尺度脑区特征的运动想象分类方法和系统


[0001]本专利技术涉及脑电信号分类任务领域，尤其是指一种基于双尺度脑区特征的运动想象分类方法和系统。

技术介绍

[0002]脑机接口(Brain
‑
Computer Interface，BCI)，是指在有机生命形式的脑或神经系统与具有处理或计算能力的设备之间，创建用于信息交换的连接通路，实现信息交换及控制。脑电((Electroencephalogram，EEG)信号是反映人脑生理活动的生物电信息，广泛应用于脑机接口，将观察到的大脑活动转化为有意义的信息，以在大脑和外部环境之间进行沟通。随着计算机技术的快速发展，通过分析EEG可以有效获取人脑的意图。其中基于EEG的运动想象BCI，目前已经在许多领域得到广泛运用，如电动轮椅，手部外骨骼和人工假肢等。
[0003]传统的EEG分析方法主要涉及人工特征提取阶段和分类阶段。其中人工提取特征主要依赖先验知识，很有可能会忽略EEG信号中的潜在的有用信息，这往往会消耗大量的时间成本。并且目前的分类器往往不能达到较高的泛化能力。
[0004]深度学习的出现，也加快了EEG信号运动想象分类任务的发展。越来越多的深度学习模型，比如EEGNet、Sinc
‑
ConvNet、ShallowNet以及CNN+LSTM等已经被用于EEG信号的运动想象分类任务中。深度学习具有端到端学习和高泛化能力的优势。相关研究表明，额叶和后顶叶运动区域内的激活携带有关运动想象内容的信息，即想象的动作类型。然而有关EEG信号运动想象分类的大量的研究中，大多仅将所有脑电电极的信息作为一个整体，忽略了特定脑区的信息与运动想象任务的联系，以及特定脑区的潜在信息。无法关注并充分利用特定脑区间的联系与差异，模型的分类准确率与泛化能力低。

技术实现思路

[0005]为此，本专利技术所要解决的技术问题在于克服现有技术中的不足，提供一种基于双尺度脑区特征的运动想象分类方法和系统，可以从大脑的全局与局部两个尺度，充分利用双尺度特征的差异与联系，提高脑电运动想象的识别准确率、分类性能和泛化能力。
[0006]为解决上述技术问题，本专利技术提供了一种基于双尺度脑区特征的运动想象分类方法，包括：
[0007]获取脑电信号数据分为训练集和测试集，根据脑电电极与脑区的对应关系，从全局与局部两个尺度得到所述训练集和测试集中大脑的整个采集区域与特定脑区的信息表示；
[0008]构建分类模型，使用训练集训练所述分类模型，将测试集输入训练完成的分类模型进行运动想象任务的分类预测；
[0009]训练和预测的过程包括：
[0010]从全局尺度的信息中提取大脑的整个采集区域的时间和空间特征作为全局尺度特征，基于时间循环神经网络自适应增强全局尺度特征的时间表达得到全局特征；从局部
尺度的信息中分别提取特定脑区的时间和空间特征并进行特征融合作为局部尺度特征，基于时间循环神经网络自适应增强特征融合后的局部尺度特征的时间表达得到局部特征；基于多头注意力机制提取所述全局特征与局部特征的差异和联系得到双尺度融合特征，使用全连接层进行运动想象任务的分类。
[0011]在本专利技术的一个实施例中，根据脑电电极与脑区的对应关系，从全局与局部两个尺度得到所述训练集和测试集中大脑的整个采集区域与特定脑区的信息表示，包括：
[0012]预处理所述脑电信号数据，选取所有运动想象任务的序列进行归一化处理；
[0013]划分出与特定脑区相对应的脑区电极以及大脑的整个区域的电极，结合样本的时间窗长度构建大脑的整个采集区域与特定脑区的信息表示。
[0014]在本专利技术的一个实施例中，所述结合样本的时间窗长度构建大脑的整个采集区域与特定脑区的信息表示，具体为：
[0015]将特定脑区的脑区电极建立为C
i
×
T的矩阵，C
i
为该脑区的脑区电极个数，T为该脑区电极对应的样本的时间窗长度，i为脑区的序号；
[0016]i∈[1,N]时，为特定脑区的信息表示，N为脑区的总数量；i＝0时，为大脑的整个采集区域的信息表示。
[0017]在本专利技术的一个实施例中，提取所述全局尺度特征与局部尺度特征时，通过时间
‑
空间特征提取模块提取，具体为：
[0018]建立时间
‑
空间特征提取模块，所述时间
‑
空间特征提取模块包括2D卷积、深度卷积和可分离卷积，深度卷积和可分离卷积后设有激活函数和批归一化层，2D卷积后设有批归一化层；
[0019]调整大脑的整个采集区域的信息表示与特定脑区的信息表示的向量尺寸并分别输入所述时间
‑
空间特征提取模块，得到所述全局尺度特征、局部尺度特征。
[0020]在本专利技术的一个实施例中，所述基于时间循环神经网络自适应增强全局尺度特征的时间表达、基于时间循环神经网络自适应增强特征融合后的局部尺度特征的时间表达时，通过LSTM
‑
MHSA模块，具体为：
[0021]建立LSTM
‑
MHSA模块，所述LSTM
‑
MHSA模块包括长短期记忆网络、2D卷积和多头自注意力机制；
[0022]将全局尺度特征、特征融合后的局部尺度特征分别输入所述LSTM
‑
MHSA模块，得到所述全局特征、局部特征。
[0023]在本专利技术的一个实施例中，所述多头自注意力机制结合残差连接和层归一化丰富特征。
[0024]在本专利技术的一个实施例中，所述基于多头注意力机制提取所述全局特征与局部特征的差异和联系得到双尺度融合特征，使用全连接层进行运动想象任务的分类，包括：
[0025]将所述全局特征作为多头自注意力机制的Q值，将所述局部特征作为多头自注意力机制的K值和V值，使用多头自注意力机制进行计算；
[0026]将所述全局特征作为残差与多头自注意力机制的计算结果相加得到双尺度融合特征，将所述双尺度融合特征输入全连接层进行运动想象任务的分类。
[0027]在本专利技术的一个实施例中，将所述多头自注意力机制的计算结果作为第一部分，将所述全局特征作为第二部分残差连接到所述第一部分后，将残差连接后的所述第一部分
和第二部分进行层归一化处理得到所述双尺度融合特征。
[0028]在本专利技术的一个实施例中，训练所述分类模型时，使用交叉熵损失函数最小化分类结果与对应真实标签之间的差异，使用Adam优化器优化损失函数并更新学习率。
[0029]本专利技术还提供了一种基于双尺度脑区特征的运动想象分类系统，包括：
[0030]数据获取模块，用于获取脑电信号数据分为训练集和测试集，根据脑电电极与脑区的对应关系，从全局与局部两个尺度得到所述训练集和测试集中大脑的整个采集区域与特定脑区的信息表示；
[0031]模型构建模块，用于构建分类模型；
[0032]训练模块，用于使用训练集训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双尺度脑区特征的运动想象分类方法，其特征在于，包括：获取脑电信号数据分为训练集和测试集，根据脑电电极与脑区的对应关系，从全局与局部两个尺度得到所述训练集和测试集中大脑的整个采集区域与特定脑区的信息表示；构建分类模型，使用训练集训练所述分类模型，将测试集输入训练完成的分类模型进行运动想象任务的分类预测；训练和预测的过程包括：从全局尺度的信息中提取大脑的整个采集区域的时间和空间特征作为全局尺度特征，基于时间循环神经网络自适应增强全局尺度特征的时间表达得到全局特征；从局部尺度的信息中分别提取特定脑区的时间和空间特征并进行特征融合作为局部尺度特征，基于时间循环神经网络自适应增强特征融合后的局部尺度特征的时间表达得到局部特征；基于多头注意力机制提取所述全局特征与局部特征的差异和联系得到双尺度融合特征，使用全连接层进行运动想象任务的分类。2.根据权利要求1所述的基于双尺度脑区特征的运动想象分类方法，其特征在于：根据脑电电极与脑区的对应关系，从全局与局部两个尺度得到所述训练集和测试集中大脑的整个采集区域与特定脑区的信息表示，包括：预处理所述脑电信号数据，选取所有运动想象任务的序列进行归一化处理；划分出与特定脑区相对应的脑区电极以及大脑的整个区域的电极，结合样本的时间窗长度构建大脑的整个采集区域与特定脑区的信息表示。3.根据权利要求2所述的基于双尺度脑区特征的运动想象分类方法，其特征在于：所述结合样本的时间窗长度构建大脑的整个采集区域与特定脑区的信息表示，具体为：将特定脑区的脑区电极建立为C
i
×
T的矩阵，C
i
为该脑区的脑区电极个数，T为该脑区电极对应的样本的时间窗长度，i为脑区的序号；i∈[1,N]时，为特定脑区的信息表示，N为脑区的总数量；i＝0时，为大脑的整个采集区域的信息表示。4.根据权利要求1所述的基于双尺度脑区特征的运动想象分类方法，其特征在于：提取所述全局尺度特征与局部尺度特征时，通过时间
‑
空间特征提取模块提取，具体为：建立时间
‑
空间特征提取模块，所述时间
‑
空间特征提取模块包括2D卷积、深度卷积和可分离卷积，深度卷积和可分离卷积后设有激活函数和批归一化层，2D卷积后设有批归一化层；调整大脑的整个采集区域的信息表示与特定脑区的信息表示的向量尺寸并分别输入所述时间
‑
空间特征提取模块，得到所述全局尺度特征、局部尺度特征。5.根据权利要求1所述的基于双尺度脑区特征的运动想象分类方法，其特征在于：所述基于时间循环神经网络自适应增强全局尺度特征的时间表达、基于时间循环神经网络自适...

【专利技术属性】
技术研发人员：郭浩，陆轲熠，齐菲，顾志浩，匡绍龙，
申请(专利权)人：苏州大学，
类型：发明
国别省市：