【技术实现步骤摘要】
一种基于图神经网络的运动想象脑电信号分类方法
[0001]本专利技术具体涉及一种基于图神经网络的运动想象分类方法，属于计算机软件领域
。
技术介绍
[0002]脑机接口
(brain
‑
computer interface
，
BCI)
是指在人脑和外界环境间以计算机软硬件为基础建立连接，实现人脑和外界环境的信息交互
。BCI
按照电极放置位置可分为侵入式和非侵入式
。
非侵入式通过附着在头皮上的穿戴设备测量大脑的电活动，脑电图
(electroencephalogram
，
EEG)
是非侵入式方法之一
。
无创伤脑电图有着容易获取
、
采集成本低
、
信号时间分辨率高等特点，在脑机接口系统中有着广泛应用
。
[0003]基于
EEG
的非侵入式脑机接口根据
EEG
的特性可分为主动式，反应式以及被动式
。
主动式
BCI
不需外界刺激，使用者可通过自主意识控制
。
反应式
BCI
是利用大脑对外界刺激的响应控制外部设备，大脑活动不受使用者控制
。
被动式
BCI
目的在于让外部设备适应大脑状态而不是利用包含使用者意图的脑活动控制外设
。
运动想象
(motor imagery
【技术保护点】
【技术特征摘要】
1.
一种基于图神经网络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：使用巴特沃斯带通滤波器对原始脑电信号进行带通滤波处理，随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.
构建网络模型：构造两个脑视图
——
自学习图和先验图分别进行图卷积，以更好地考虑脑电通道间的功能和空间关系，实现信息互补；后采用时间卷积层和空间卷积层进行特征提取，捕获脑电数据的时空特征；步骤
3.
将步骤1中的训练集和验证集输入到
MVGCNet
模型中进行训练
。2.
根据权利要求1所述的基于图神经网络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)
对原始运动想象脑电信号
14
‑
40Hz
的巴特沃斯带通滤波器进行带通滤波，过滤出所需频段的信号；
(2)
对滤波后的信号做指数移动均值标准化，其中衰减因子设为
0.999
，减少数值差异对模型效果的影响；
(3)
开始训练之前，将经过预处理后的脑电数据集进行划分；将训练样本中
80
％的数据作为训练集，其余
20
％的数据作为验证集
。3.
根据权利要求1所述的基于图神经网络的运动想象脑电信号分类方法，其特征在于：步骤2具体为：网络模型的具体结构概括为四部分：模块1，模块2，模块3，全连接层；下面对每一部分进行详细说明：
(1)
模块1首先对图卷积知识进行介绍：一个无向图由
G
＝
(V
，
E)
组成，
V
为节点集合，
E
为边的集合；假设该无向图的节点个数为
N
，则该无向图的邻接矩阵为为：
o
和
p
表示图中的节点，
A
o,p
表示邻接矩阵第
o
行和
p
列的值，
V
o
和
V
p
是集合
V
中的元素，表示实数集合，表示
N
行
N
列的实数矩阵；相应的图的拉普拉斯矩阵表示为
L
＝
D
‑
A
，其中
A
是图的邻接矩阵，是由图的度矩阵，
D
ii
＝
∑
j
A
ij
；采用归一化的拉普拉斯矩阵
L
sym
，公式为：，公式为：是单位矩阵，是
L
sym
的特征值对角矩阵，是矩阵
L
sym
各特征值对应的特征向量组成的矩阵，
U
T
表示
U
的转置；为图上的节点向量，则图节点向量的傅里叶变换为：
Ff(x)
＝
U
T
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
其中
Ff(x)
表示对图节点向量做傅里叶变换；
傅里叶反变换为：
Ff
‑1(x)
＝
Ux
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
其中
Ff
‑1(x)
表示对图节点向量做傅里叶反变换；则
x
与滤波器
g
的图卷积表示为：
x*g
＝
U(U
T
x
⊙
U
T
g)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
其中
⊙
为对应元素乘积，
*
表示图卷积操作；
g
θ
＝
U
T
g
为对角矩阵；
x
和
g
都是图上的向量，利用切比雪夫多项式的
K
阶截断展开式进行近似公式5中的对角矩阵
g
θ
＝
U
T
g
，得到：其中其中是公式2中的
L
sym
的特征值对角矩阵，
I
N
是单位矩阵，
λ
max
是矩阵
L
sym
中的最大特征值，是切比雪夫系数向量，
K
表示取
K
阶近似展开式，
k
表示第
k
阶展开，表示的第
k
阶切比雪夫多项式展开；最后信号
x
与滤波器
g
的切比雪夫谱图卷积计算过程如下：其中
*
表示图卷积操作，是切比雪夫系数向量；
x
和
g
都是图上的向量，其中
K
表示取
K
阶近似展开式，
k
表示第
k
阶展开，表示的第
k
阶切比雪夫多项式展开；利用不同的
EEG
节点定位方法实现不同邻接矩阵的
EEG
图表示；其中包括功能连接的脑视图和基于距离连接的脑视图；图由节点和边组成，记为无向图
G
eeg
＝
(V
eeg
,E
eeg
)
，其中节点集
V
eeg
＝
{s
i
|i∈[1,N
e
]}
包含所有
EEG
节点，
N
e
为脑电通道个数也为图中节点个数；每个节点
s
i
为一个脑电通道；
E
eeg
为边的集合，表示不同脑电通道间的连接关系；构造基于功能连接的脑视图和基于距离连接的脑视图，利用基于谱图理论的图卷积提取脑电信号的空间特征；基于功能性连接的脑视图为自学习脑视图；该方法可以动态学习脑电的功能图结构；将输入的脑电信号定义为其中
N
e
为脑电电极数，
F
time
为时间采样点数，采样点数，表示实数集合，
T
为矩阵转置，
X
为输入信号矩阵；将不同的脑电通道视为图上节点，基于输入的脑电信号
X
，自学习邻接矩阵
A
function
定义为式8：其中为可学习的参数；表示节点
m
和节点
n
之间的连接关系，为矩阵
A
function
中第
m
行第
n
...
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。