【技术实现步骤摘要】
本专利技术涉及脑电分类算法，尤其涉及一种基于transformer的半脑脑电运动想象分类算法。
技术介绍
1、脑机接口(brain computer interface，bci)是通过对eeg信号解码实现人脑与外界直接通信交互的技术，在卒中患者康复领域有很大的发展潜力。运动想象mi作为bci技术中一个重要的实验范式，可以通过对患者在想象肢体运动任务时大脑相关功能区域产生的大量eeg信号进行解码，实现对患者想象任务的识别。识别的结果可通过外部设备对患者进行正向交互反馈，促进患者自主式的神经康复。然而对于患有半身运动功能受损、残疾瘫痪等问题的卒中病人，受损半脑的eeg信号质量差，难以从中提有用的mi分类信息。只使用健侧半脑脑电信息，同样面临通道数量少、运动功能激活区域小所导致的mi分类信息不足等挑战。传统的机器学习分类算法模型分类准确率低，鲁棒性差，难以从非线性、非平稳性及具有低信噪比的eeg信号中提取脑电特征。同时，目前的机器算法缺乏针对半侧脑电的建模，在健侧半脑区域寻找有效脑电通道并保证mi任务分类精度是亟需解决的难题。
技术实现思路
1、本专利技术实施例的主要目的在于提出一种基于transformer的半脑脑电运动想象分类算法，旨在设计一种利用多头自注意力机制的transformer结合卷积神经网络进行建模，对基于mi任务的半脑脑电信号进行分类识别的方法。
2、本专利技术解决上述技术问题的技术方案是，提供一种基于transformer的半脑脑电运动想象分类算法，包括以
3、(1)数据预处理
4、脑电数据信号通过多个滤波器得到不同频带下的eeg信号；
5、(2)模型训练
6、通过多头自注意力机制评估eeg信号的时域特征权重；
7、结合transformer以及cnn网络，对评估后的eeg信号的时-频-空特征进一步的学习；
8、通过softmax输出层对eeg信号进行分类。
9、进一步地，所述脑电数据信号通过多个滤波器得到不同频带下的半脑eeg信号的步骤包括：
10、对脑电数据信号去基线处理；
11、分别通过3种不同频带的3阶巴特沃斯滤波器；
12、滤波后的数据通过z-score算法，进行归一化处理，输出eeg信号。
13、进一步地，所述分别通过3种不同频带的3阶巴特沃斯滤波器的步骤中，3种不同频带的3阶巴特沃斯滤波器的频带范围分别为4～8hz，8～13hz以及13～32hz。
14、进一步地，所述滤波后的数据通过z-score算法，进行归一化处理，输出eeg信号的步骤中，z-score算法的公式为
15、
16、其中，x为输入数据，此处为每一个脑电样本中每一个通道的所有数据点，μ是这组数据点的均值，σ是这组数据点的标准差。
17、进一步地，所述通过多头自注意力机制评估eeg信号的时域特征权重的步骤包括：
18、eeg信号通过一层二维的cnn提取脑电信号中的时域特征；
19、通过transformer对脑电信号通道的权重进行评估。
20、进一步地，所述结合transformer以及cnn网络，对评估后的eeg信号的时-频-空特征进一步的学习的步骤包括：
21、将评估后的eeg信号分成两支数据；
22、一支数据经过第一个二维cnn卷积层得到输出yout1；
23、经过批归一化处理和dropout处理，送入第二个二维cnn得到输出yout2；
24、经过批归一化处理和dropout处理，送入第三个二维cnn卷积中，得到第三个输出ycnn；
25、另一支数据经过第一个transformer得到输出ytransformer 1；
26、经过批归一化处理和dropout处理，送入第二个transformer得到输出ytransformer2；
27、经过批归一化处理和dropout处理，送入第三个transformer得到输出ytransformer；
28、将ycnn和ytransformer合并融合，并通过批归一化处理；
29、通过平均池化层进行降维输出。
30、进一步地，所述通过softmax输出层对eeg信号进行分类的步骤包括：
31、eeg信号通过flatten平铺层进行融合；
32、通过softmax输出层进行分类。
33、进一步地，所述通过softmax输出层对eeg信号进行分类的步骤之后还包括：
34、分类的结果与真实标签相比较，使用交叉熵计算二者的距离即损失值；
35、根据损失值的大小反向梯度更新模型参数，往复循环迭代，直至验证的损失值在100个迭代循环内不再减小，保存得到最佳分类模型。
36、进一步地，所述分类的结果与真实标签相比较，使用交叉熵计算二者的距离即损失值步骤中，所述交叉熵计算公式为
37、l(yp，yt)＝-∑yp，mlogyt，m
38、其中，m代表分类标签的个数，yp代表模型预测标签，yt代表真实标签。
39、进一步地，所述根据损失值的大小反向梯度更新模型参数，往复循环迭代，直至验证的损失值在100个迭代循环内不再减小，保存得到最佳分类模型的步骤包括：
40、当eeg信号进入模型时，设置模型循环迭代的次数i＝0，迭代次数最大值为1000，即imax＝1000；每次模型得出预测分类结果会计算验证集的损失值，最优模型为验证损失最小时模型保留的参数，设置验证损失监控次数es＝100；
41、模型初始参数为随机值，当第一次计算完验证损失loss_val，算法判断是否保留过最小验证损失值；
42、如果没有就以当前验证损失为最优解；
43、如果过去有保留最小验证损失值，则判断当前的验证损失值是否小于历史最优解；
44、如果小于则认为当前模型参数最佳，此时将使用当前验证损失值取代历史最优解，并充值监控次数es为0；
45、如果大于则认为历史最优解仍然是最好的情况，监控次数es则加1，继续循环迭代更新；
46、如果监控次数达到100则停止循环，输出最优解时刻的模型参数；或者循环迭代次数已达到1000，即使验证损失监控次数未到达100也需要停止循环，输出当前最优解时的模型，以确保即使验证损失无法收敛也一样能终止模型训练。按此流程，输出的模型一定为循环迭代1000次内最优解的模型。
47、结合上述的技术方案和解决的技术问题，本专利技术所要保护的技术方案所具备的优点及积极效果为：
48、第一，本专利技术基于transformer的结构mi脑电进行分类识别；transformer结构结合了多头自注意力机制，可以有效寻找特征点之间的关联度，并通过softmax进行归一化本文档来自技高网...
【技术保护点】
1.一种基于Transformer的半脑脑电运动想象分类算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于Transformer的半脑脑电运动想象分类算法，其特征在于，所述脑电数据信号通过多个滤波器得到不同频带下的半脑EEG信号的步骤包括：
3.根据权利要求2所述的基于Transformer的半脑脑电运动想象分类算法，其特征在于，所述分别通过3种不同频带的3阶巴特沃斯滤波器的步骤中，3种不同频带的3阶巴特沃斯滤波器的频带范围分别为4～8Hz，8～13Hz以及13～32Hz。
4.根据权利要求1所述的基于Transformer的半脑脑电运动想象分类算法，其特征在于，所述滤波后的数据通过Z-Score算法，进行归一化处理，输出EEG信号的步骤中，Z-Score算法的公式为
5.根据权利要求1所述的基于Transformer的半脑脑电运动想象分类算法，其特征在于，所述通过多头自注意力机制评估EEG信号的时域特征权重的步骤包括：
6.根据权利要求1所述的基于Transformer的半脑脑电运动想象分类算法，其特征在于
7.根据权利要求6所述的基于Transformer的半脑脑电运动想象分类算法，其特征在于，所述通过Softmax输出层对EEG信号进行分类的步骤包括：
8.根据权利要求7所述的基于Transformer的半脑脑电运动想象分类算法，其特征在于，所述通过Softmax输出层对EEG信号进行分类的步骤之后还包括：
9.根据权利要求8所述的基于Transformer的半脑脑电运动想象分类算法，其特征在于，所述分类的结果与真实标签相比较，使用交叉熵计算二者的距离即损失值步骤中，所述交叉熵计算公式为
10.根据权利要求8所述的基于Transformer的半脑脑电运动想象分类算法，其特征在于，所述根据损失值的大小反向梯度更新模型参数，往复循环迭代，直至验证的损失值在100个迭代循环内不再减小，保存得到最佳分类模型的步骤包括：
...【技术特征摘要】
1.一种基于transformer的半脑脑电运动想象分类算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于transformer的半脑脑电运动想象分类算法，其特征在于，所述脑电数据信号通过多个滤波器得到不同频带下的半脑eeg信号的步骤包括：
3.根据权利要求2所述的基于transformer的半脑脑电运动想象分类算法，其特征在于，所述分别通过3种不同频带的3阶巴特沃斯滤波器的步骤中，3种不同频带的3阶巴特沃斯滤波器的频带范围分别为4～8hz，8～13hz以及13～32hz。
4.根据权利要求1所述的基于transformer的半脑脑电运动想象分类算法，其特征在于，所述滤波后的数据通过z-score算法，进行归一化处理，输出eeg信号的步骤中，z-score算法的公式为
5.根据权利要求1所述的基于transformer的半脑脑电运动想象分类算法，其特征在于，所述通过多头自注意力机制评估eeg信号的时域特征权重的步骤包括：
6.根据权利要求1所述的基于t...
【专利技术属性】
技术研发人员：张佳杨，张永怀，杨帮华，
申请(专利权)人：上海韶脑传感技术有限公司，
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。