一种运动想象脑电信号分类方法技术

本发明专利技术提供一种运动想象脑电信号分类方法，步骤包括：对原始脑电信号数据进行预处理，并将预处理后的脑电信号数据输入至改进的残差网络模型

【技术实现步骤摘要】
一种运动想象脑电信号分类方法


[0001]本专利技术属于深度学习领域，涉及脑电信号分类技术，具体为一种基于改进的可变形卷积和自适应空间注意力机制的运动想象脑电信号分类方法
。

技术介绍

[0002]脑机接口
(Brain
‑
Computer Interface,BCI)
技术旨在建立人与计算机之间的直接通信渠道，通过分析运动想象脑电信号，实现对个体意识
、
意图以及运动的识别与控制
。
这些特定的脑电模式在个体想象运动时产生，可以被捕捉并转化为控制指令，为运动受限人群的康复
、
人机交互体验的增强以及人类脑能潜力的拓展等领域带来重要意义
。
研究运动想象脑电信号不仅有助于理解人类运动控制的神经机制，同时为脑机接口技术的演进提供了有力支撑
。
[0003]运动想象脑电信号的分类研究对于实现准确且可靠的脑机接口应用具有关键意义
。
为了提升分类准确率和性能，许多研究工作已经提出了多种方法和模型
。
传统机器学习方法，如支持向量机和
k
最近邻等，在过去的研究中被广泛应用于运动想象脑电信号分类任务
。
同时，随着深度学习在模式识别领域的迅速进展，越来越多的研究开始将深度学习方法，如卷积神经网络和残差网络，应用于运动想象脑电信号分类
。
然而，当前的分类方法仍面临一些挑战，包括特征提取不充分
、
个体差异引起的泛化性能下降等
。
因此，为了更好地解决这些难点，需要提取更具区分性的特征并增强模型的泛化能力
。
[0004]随着脑机接口技术的迅猛发展，运动想象脑电信号分类作为脑机接口领域的关键研究方向备受关注
。
以往的研究主要侧重于传统机器学习方法，如支持向量机
(Support Vector Machine,SVM)
和随机森林
(Random Forest)
，以应用于运动想象脑电信号的分类
。
然而，这些方法在处理复杂脑电信号时存在着特征提取的不足和分类精度的限制
。
[0005]传统上，共空间模式
(Common Spatial Pattern,CSP)
算法被广泛用于从脑电信号中提取空间特征，即通过最大化不同运动想象类别之间的方差比例进行空间投影
。
然而，
CSP
方法的性能受限于脑电信号的频带，通常需要手动选择或使用宽频带，这可能导致信号质量的下降或信息损失
。
为解决这一问题，研究者提出了基于滤波器组的
CSP
方法，可自动选择最佳频带和对应的
CSP
特征
。
例如，
Ang
等人提出了滤波器组共空间模式
(FBCSP)
方法，结合特征选择和分类算法进行运动想象脑电信号分类
。
在公开数据集上，其交叉验证准确率显著提高
。
[0006]除了空间特征，运动想象脑电信号还包含有关运动想象强度和持续时间的丰富时变信息，这对于捕捉个体运动意图和状态至关重要
。
然而，传统特征提取和分类方法往往将这些信息忽略或平均化
。
为了利用这些信息，研究者提出了基于多变量解码的方法，用于从脑电信号中提取时空特征并进行时间分辨分析
。
例如，
Tidare
等人提出基于支持向量机
(SVM)
的多变量解码方法，通过交叉时间解码和层次遗传算法选择最具区分性的频带和
CSP
特征，再使用
SVM
预测分数分析运动想象时变强度
。
在公开数据集上，实验结果表明该方法能有效估计运动想象强度，具备较高准确度和稳定性
。
[0007]虽然基于传统机器学习方法的研究取得了一定效果，但仍存在预处理和特征提取复杂
、
特征维度高
、
分类器表达力不足等问题
。
为解决这些问题，研究者开始探索基于深度学习方法的运动想象脑电信号分类
。
为提升分类准确度，深度学习方法逐渐引起研究关注，如卷积神经网络
(Convolutional Neural Networks,CNN)
和递归神经网络
(Recurrent Neural Networks,RNN)。
通过端到端学习，深度学习方法能从原始脑电信号中自动学习特征并进行信号分类
。
例如，
Echtioui
等人提出基于
CNN
和
SVM
的方法进行运动想象脑电信号分类，在
BCI
竞赛
IV 2a
数据集上获得
64.33
％的准确度
。
虽然此方法提升了对
MI
‑
EEG
信号分类的性能和可靠性，但其模型只采用简单的三层卷积网络，未应用深度残差结构或注意力机制以增强特征提取和表示能力，从而可能限制其对复杂
EEG
信号的高级特征捕获，影响分类的准确性和性能
。
另外，使用核函数的线性
SVM
分类器可能无法适应
EEG
信号的非线性和多样性，从而影响分类的泛化和适应性
。
[0008]为进一步提升运动想象脑电信号分类的性能，樊炎等人提出了改进的卷积神经网络模型，结合创新的预处理方法和特征提取策略
。
他们采用
3D
卷积提取运动想象信号的频率特征，深度可分离卷积提取时空特征，再使用时间卷积神经网络进一步提取时间特征
。
尽管该模型取得显著改进，但未针对脑电信号的非平稳性等特征选用更合适的卷积进行特征提取
。
[0009]为了更好地提取脑电信号的特征，
Du
等人尝试使用可变形卷积
(Deformable Convolution)
来替代传统的卷积操作
。
可变形卷积是一种能够自适应地调整卷积核的形状和位置的卷积方法，可以捕捉到特征图中的非线性和随机变化
。
同时，
Zhu
等人在可变形卷积的基础上，提出了可变形卷积网络
v2(Deformable ConvNets v2)
，在可变形卷积核的采样点上引入了额外的注意力系数，用以筛选卷积操作中选中了无效区域的采样点，从而进一步精确空间支持的范围，提高对
MI
‑
EEG
信号特征的表达能力和分类性能
。
然而，这个改进仍没有解决可变形卷积提取特征不充分的缺点，导致可变形卷积网络
v2
只能捕获部分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种运动想象脑电信号分类方法，其特征步骤包括：对原始脑电信号数据进行预处理，并将预处理后的脑电信号数据输入至改进的残差网络模型
Resnet
‑
18
中进行训练，最终将
Resnet
‑
18
输出的特征向量映射到类别空间，并进行分类；所述改进的残差网络模型
Resnet
‑
18
的残差结构由改进的可变形卷积构建而成，且
Resnet
‑
18
的最终处理层采用自适应空间注意力机制；所述改进的可变形卷积在卷积核的中心采样点上不添加偏移量，在卷积核的周围采样点上添加偏移量；所述自适应空间注意力机制基于脑电信号特征图的空间分布情况自动调整特征的权重
。2.
根据权利要求1所述的一种运动想象脑电信号分类方法，其特征在于，所述对原始脑电信号数据进行预处理，具体步骤是：首先，将各电极通道的原始脑电信号数据各自进行小波变换，生成复数谱三维数据数组；随后，计算复数谱的功率谱，并对功率谱进行对数转换操作；在保留了时间和频率信息后，对脑电信号数据进行
CSP
处理；
CSP
处理后，获得形状为
(CSP
组件数，频率数
)
的数组，其中每个
CSP
组件都具有频率分量上的权重分布；随后，将每个
CSP
组件与原始复数谱在频率分量上进行逐元素相乘，以筛选出区分性的频率分量，并计算加权功率谱；在频率轴上堆叠所有通道的时频图，形成大的时频图，将时频图转换为
RGB
图像，并采用伪彩色映射；最终，将每个
epoch
转化为大小为
224
×
224
的热力图
。3.
根据权利要求1所述的一种运动想象脑电信号分类方法，其特征在于，所述改进的可变形卷积在卷积核的中心采样点上不添加偏移量，在卷积核的周围采样点上添加偏移量，具体为：当给定
k
个采样位置的卷积核，以
R
k
表示第
k
个采样位置预先指定的偏移量；假设
,
定义一个的3×3卷积核，去除中心采样点的偏移量，周围其他采样点预先指定的偏移量分别是
R
k
＝
{(
‑
1,
‑
1),(
‑
1,0),(

【专利技术属性】
技术研发人员：杜秀丽，丁晓辉，邱少明，吕亚娜，刘治国，
申请(专利权)人：大连大学，
类型：发明
国别省市：