【技术实现步骤摘要】
本申请涉及脑电信号分类领域，尤其涉及一种字符编码的运动想象脑电信号分类方法、设备及介质。
技术介绍
1、运动想象脑电信号分类是神经科学和脑机接口领域的一个重要研究领域。这种技术允许个体通过想象不同的运动来与外部设备互动，在医疗康复、辅助控制和智能机器人等领域有着广泛的应用。
2、然而，现有的运动想象脑电信号分类方法存在一些挑战。传统的机器学习分类方法在这个领域已经取得了显著的进展，但这些方法通常需要进行繁琐的特征提取工作，将原始脑电信号转化为可供分类器使用的输入特征。这个过程需要丰富的领域知识和经验，并且往往是非常耗时的。但是深度学习方法带来了一些新的可能性。深度学习模型，尤其是神经网络，可以自动从原始数据中学习特征，从而减轻了对人工特征工程的依赖，而且分类准确度也有提高。
3、目前基于深度学习的运动想象脑电信号分类仍有几个问题需要解决，首先，由于采集脑电信号很容易混入噪声干扰，现有的大多数方法专注于提取更丰富或更有表现力的特征和涉及相对复杂的预处理过程。第二，对于上述方法，分类精度和稳定性并不总是令人满意的，同时，复杂的网络结构可能不利于对前端设备进行实时在线分类。
技术实现思路
1、本申请的目的在于解决脑电信号预处理过程繁琐和神经网络结构复杂的技术问题，提供一种字符编码的运动想象脑电信号分类方法、设备及介质。
2、本申请的上述目的是通过以下技术方案得以实现的：
3、s1：获取多通道运动想象脑电信号，对所述运动想象脑电信号进行带通滤
4、s2：定义断点列表以及对应的字符集；根据所述断点列表以及所述字符集，将所述时间序列脑电信号每一通道的数据转化为字符串；
5、s3：通过二进制编码将所述字符串转化为二进制数据，将所有通道的所述二进制数据输入到基于eegnet的轻量级卷积神经网络进行处理；
6、s4：通过所述基于eegnet的轻量级卷积神经网络对所述二进制数据进行特征提取和分类，将分类后的数据传输至前端设备。
7、可选的，步骤s2包括：
8、s21：计算所述时间序列脑电信号r＝{r1，r2，…，rn，}中所有数据的均值和方差，再将r＝{r1，r2，…，rn，}中所有数据除以减去均值后的方差，以使所述时间序列脑电信号r归一化为服从标准正态分布的归一化序列；
9、s22：将所述归一化序列划分为k个大小相等的子序列，计算各个所述子序列的数据平均值，将每个所述子序列的所述数据平均值作为所述子序列的近似值；
10、s23：通过自定义规则，将各个所述数据平均值转化为所述字符串，具体如下：
11、定义一个排序的所述断点列表aj，(j＝1，…，m-1)，所述断点列表中任意两个相邻断点之间的标准正态分布曲线下的面积等于1/m；
12、定义一个有限的的所述字符集∑；
13、所述时间序列脑电信号r＝{r1，r2，…，rn，}对应的字符序列为s＝{s1，s2，…，sk，}(0<k<n，si∈∑)；
14、其中，n是数据长度，k是转化的字符串长度；
15、通过所述每两个相邻断点之间的区域，映射得到所述字符集∑中的字符；假设断点列表中有m-1个断点，则字符序列s中含有对应的m个字符；
16、将所述数据平均值与所述断点列表进行比较，确定所述子序列的数据平均值落在两个相邻断点之间的区域，从而确定各个所述数据平均值对应的所述字符序列s中的各个字符，确定所述时间序列脑电信号转换的字符串。
17、可选的，步骤s3包括：
18、s31：通过自定义约定方法的二进制编码将所述字符串转换为二进制数据；
19、所述自定义约定方法：若字符串的大小是m，每个字符都被表示为q位二进制编码，q遵循公式其中，表示为一个上限函数；
20、s32：将所述二进制数据输入至所述基于eegnet轻量级卷积神经网络进行处理。
21、可选的，步骤s4包括：
22、所述eegnet的轻量级卷积神经网络设置三层卷积网络，包括：二维卷积层、深度卷积层和可分离卷积层；最终使用一个全连接的密集层进行分类。
23、一种电子设备，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行一种字符编码的运动想象脑电信号分类方法。
24、一种计算机可读存储介质，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行一种字符编码的运动想象脑电信号分类方法。
25、本申请提供的技术方案带来的有益效果是：
26、获取运动想象脑电信号并进行预处理；定义断点列表以及对应的字符集；根据断点列表以及字符集，将时间序列脑电信号转化为字符串，通过二进制编码将字符串转化为二进制数据，将二进制数据输入到基于eegnet的轻量级卷积神经网络进行处理，通过基于eegnet的轻量级卷积神经网络对二进制数据进行特征提取和分类，将分类后的数据传输至前端设备。本申请中的预处理过程比较简单，只需要进行简单的带通滤波，常规的预处理过程还包含很多复杂的滤波过程以及提取特征过程，将时间序列脑电信号转换为字符串，在降低数据维度的同时，能够有效地保留比较完整的脑电信号，有助于消除噪声。采用了基于eegnet的轻量级卷积神经网络，轻量化网络结构简单，特征提取方便，分类精度高。二进制编码送入eegnet简化了计算。可以实时的进行脑电信号的检测和分类，相比已有的方法，更适合部署到嵌入式系统中，进行实时的检测。
本文档来自技高网...【技术保护点】
1.一种字符编码的运动想象脑电信号分类方法，其特征在于，方法包括以下步骤：
2.如权利要求1的一种字符编码的运动想象脑电信号分类方法，其特征在于，步骤S2包括：
3.如权利要求1的一种字符编码的运动想象脑电信号分类方法，其特征在于，步骤S3包括：
4.如权利要求1的一种字符编码的运动想象脑电信号分类方法，其特征在于，步骤S4包括：
5.一种电子设备，其特征在于，包括处理器(501)、存储器(505)、用户接口(503)及网络接口(504)，所述存储器(505)用于存储指令，所述用户接口(503)和网络接口(504)用于给其他设备通信，所述处理器(501)用于执行所述存储器(505)中存储的指令，以使所述电子设备(500)执行如权利要求1-4任意一项所述的方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如权利要求1-4任意一项所述的方法步骤。
【技术特征摘要】
1.一种字符编码的运动想象脑电信号分类方法，其特征在于，方法包括以下步骤：
2.如权利要求1的一种字符编码的运动想象脑电信号分类方法，其特征在于，步骤s2包括：
3.如权利要求1的一种字符编码的运动想象脑电信号分类方法，其特征在于，步骤s3包括：
4.如权利要求1的一种字符编码的运动想象脑电信号分类方法，其特征在于，步骤s4包括：
5.一种电子设备，其特征在于，包括处理器(501)、...
【专利技术属性】
技术研发人员：王勇，方芳，胡宇宣，严军，郭红想，
申请(专利权)人：中国地质大学武汉，
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。