【技术实现步骤摘要】
一种基于对比学习的时空频域有效通道注意力运动想象脑电解码方法
[0001]本专利技术提供了一种基于对比学习的时空频域有效通道注意力运动想象脑电解码方法。
技术介绍
[0002]脑机接口(Brain Computer Inter
‑
face,BCI)技术提供了大脑和外界信息交换和控制的通道,增强了人脑与环境的通信和交互能力。基于运动想象(Motor Imagery Electroencephalogram,MI)的BCI是脑机交互中常用的范式之一,当被试者想象移动身体的某个部位时,大脑皮层中相应的运动神经元会变得活跃,可通过监测大脑的电信号来映射神经元的状态,从而解码脑电运动意图,帮助残障患者控制外骨骼等设备实现脑机交互,其中,准确、快速地解码脑电运动意图是脑机交互的关键。
[0003]深度卷积神经网络(CNN)已广泛用于MI
‑
BCI解码,其通过融合通道注意力机制显示出了极大的性能提升潜力。然而,由于通道数量较大,现有基于通道注意力机制的深度卷积神经网络参数量较大,解码时间较长,难以满足脑机交互中意图识别模型轻量化的应用要求。有效通道注意机制(Efficient Channel Attention,ECA)已被证明是一种轻量级的脑电信号解码方法,它避免了降维并以高效方式实现了跨通道信息交互。然而,当前基于ECA的MI
‑
BCI解码方法仅从单一时域或频域提取EEG信号特征,无法同时考虑频谱、时间和空间信息,难以进一步提升脑电运动意图解码准确率;此外,现有基于 ...
【技术保护点】
【技术特征摘要】
1.一种基于对比学习的时空频域有效通道注意力运动想象脑电解码方法,其特征在于包括:步骤S1:对预先获取的公开的运动想象数据集BCI IV 2a和HGD进行预处理,并建立两个数据集各自对应的训练集和测试集;步骤S2:使用Pytorch深度学习框架,构建时空频域有效通道注意力卷积神经网络;步骤S3:将步骤S1中预处理后的两个训练集分别输入构建好的模型,通过对比学习方法进行训练;步骤S4:将步骤S1中预处理后的两个测试集分别输入训练好的模型中,获取运动想象脑电信号解码性能指标,其中:所述步骤S1包括带通滤波、基线校正、重参考和坏导剔除;记单个被试运动想象脑电信号数据集为D
i
={(x1,y1),...,(x
N
,y
N
)},其中:N表示单个被试的脑电信号片段个数,x
i
∈R
E
×
1125
代表一个脑电信号片段,包含E个信号采集通道,每个通道采样点个数为1125个,y
i
是每个片段的标签,0表示该片段是左手运动想象电信号,1表示右手运动想象脑电信号,2表示舌头运动想象脑电信号,3表示双脚运动想象脑电信号,时空频域有效通道注意力卷积神经网络包括:A)空间域有效通道注意力特征提取块,用于提取脑电信号公开数据集中不同脑电采集通道间的空间域信息,所述空间域有效通道注意力特征提取块包括:首先,按照时间维度将原始信号进行平均池化(average pooling)和最大池化(max pooling)后拼接,提取脑电信号空间特征的原始空间特征f
spa
,计算式如下:式中AP表示平均池化函数,MP表示最大池化函数,两个池化函数的池化核与池化步长均为1
×
1125,表示按时间维度拼接,得到原始空间特征为f
spa
∈R
E
×2;然后,对于原始的空间特征f
spa
,本发明进一步使用一维卷积,将原始空间特征转换为采集通道的注意力权重,将其与原始信号进行向量相乘后,最后得到经过空间特征注意力加权过的脑电信号片段计算式为:式中Conv(
·
)表示卷积,卷积核大小为E
×
E
×
2,卷积步长为1
×
1,表示矩阵叉乘;B)深度时域特征提取块,用于提取脑电信号数据中的深度时域信息,包括:B1)首先通过U个时序卷积单元,提取脑电信号的深度时域特征,每个时序卷积单元由大小为1
×
3的最大池化层开始,以生成脑电信号时域特征的粗略表示;B2)然后使用卷积核大小为1
×
11的时序卷积,提取脑电信号高维时域特征,同时采用批量归一化层,在加快收敛速度的同时避免梯度爆炸;B3)使用dropout层,防止因数据量过小而带来的时空频域有效通道注意力卷积神经网络模型过拟合问题,一个时序卷积单元可定义为:f
i
=Dropout(BN(Conv(MP(f
i
‑1))))
ꢀꢀꢀꢀꢀ
(3),
式中f
i
表示第i个时序卷积单元的输出,BN(
·
)为批量归一化层,Dropout(
·
)表示dropout层,C)小波卷积频域特征提取块,用于提取脑电信号数据中的深度频域特征,包括:C1)使用5个小波卷积单元提取脑电信号的多频谱特征,通过小波卷积层,把脑电信号表示分解为对应于5个频带的多频谱表示:0
‑
4Hz即6节律,4
‑
8Hz即Θ节律,8
‑
12Hz即α节律,13
‑
30Hz即β节律,30
‑
50Hz即γ节律,C2)把小波分解参数选择为多贝西四阶小波Db4,给定输入脑电信号把时间t处小波卷积表示为:积表示为:式中u和v分别表示近似小波滤波器和精细小波滤波器,x
A
和x
D
分别表示近似小波系数和精细小波系数,R和s分别为小波卷积的卷积核大小和步长;D)时
‑
频域有效通道注意力特征提取块,用于提取脑电信号数据中的最具判别力时域和频域特征,包括:D1)首先通过平均池化层获取特征的全局信息,并使用最大池化层获取特征通道中最具判别力的特征,将两类特征拼接从而达到生成通道统计特征的目的;D2)然后使用自适应卷积核和指数线性单元ELU对通道信息进行特征提取与通道信息激活,以充分利用通道的相关性特征来计算通道间的权重系数,其中自适应卷积核的大小为2
×
k,卷积的padding为k表示自适应卷积核尺寸,t通过特征通道的数目C、衰减系数a和偏移系数b确定,计算式为:数a和偏移系数b确定,计算式为:式中表示向下取整,abs表示取绝对值,D3)然后将通道权重系数与特征映射相乘,将提取的特征通道注意力权重应用于特征,并使用残差网络将加权前的特征和新特征跳跃连接相加以避免深度神经网络中的梯度消失问题,时
‑
频域有效通道注意力特征提取块表示为:式中AdConv为自适应卷积核的卷积操作,为两个矩阵向量对应元素相加,表示按特征通道维度拼接,f表示输入的特征,代表经过轻量注意力加权过的特征,ELU为指数线性单元:
E)运动想象意图分类块,用于输出4分类运动想象任务分类结果,将时
‑
频域有效通道注意力特征提取块输出的深度时域特征和深度频域特征展开为1维特征向量后拼接,再输入包括三层全连接层、线性指数单元和非线性激活层的多层感知机分类器,对特征进行分类,最终输出4分类结果,即输入脑电信号片段是左手、右手、舌头或双脚的运动意图,计算式如下:式中:Softmax和ReLU为非线性激活函数,其计算式分别如式(11)和式(12),FC表示线性全连接层,和分别表示深度频域特征和深度时域特征;对一维数据,针对t时刻的数据,Softmax和ReLU的计算式分别为:ReLU(x)(t)=max(x(t),0)
ꢀꢀꢀꢀꢀꢀ
(12)。2.如权利要求1所述的基于对比学习的时空频域有效通道注意力运动想象脑电信号解码方法,其特征在于:所述步骤S3包括:S31)首先定义训练集{x1,x2,...,x
n
},使用剪切拼接和加椒...
【专利技术属性】
技术研发人员:李阳,严伟栋,向岩松,徐昭梁,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。