【技术实现步骤摘要】
本专利技术设计一种基于滤波器组的运动想象脑电信号分类方法，属于计算机软件领域。
技术介绍
1、脑机接口(brain-computer interface,bci)是一种设计脑科学和信息科学的新兴领域，它是一种建立在大脑和外部设备之间的信息交互系统。在临床医学方面，脑机接口可以帮助诊断和预测，为治疗提供有效诊断依据。脑机接口最初是为中枢神经疾病的患者设计的，近年来，随着计算机技术的发展。脑机接口的应用范围开始扩展，可以应用到游戏，情绪识别和军事领域等。
2、运动想象(motor imaginary,mi)是脑机接口的常用范式之一，所谓运动想象，即想象特定的动作但实际上不执行该动作的行为。被试在运动想象过程中会使大脑的特定位置进行放电活动，研究者通过在头皮各个位置采集到的eeg(electroencephalography,eeg)来进行分类和预测相应的动作。解码方法主要包括机器学习和深度学习，传统的运动想象脑电信号分类方法通常包括两个关键步骤：特征提取和分类。首先，原始脑电信号经过一系列算法进行特征提取，然后这些提取的特征被输送到相应的分类器进行分类判别，最终得到结果。传统特征提取方法包括共空间模式(csp)和滤波器组共空间模式(fbcsp)，而一些常见的分类方法有线性判别分析(lda)、支持向量机(svm)和贝叶斯分类器等。
3、然而，近年来研究人员发现，有些深度学习方法比传统的机器学习方法表现更好。例如，lawhern等人提出了eegnet，这是一种紧凑且专门设计用于脑电图识别任务的卷积神经网络。eeg
4、为应对以上挑战本专利技术在预处理中根据不同频段提取不同特征，再放进网络模型中提取特征，网络模型基于shallowconvnet，在此基础上添加通道注意力模块进一步提取特征。相比于shallowconvnet模型，本专利技术提出的分类模型有着更好的分类效果。
技术实现思路
1、本专利技术提出了一种基于滤波器组和通道自注意力的运动想象脑电信号分类方法。该方法充分考虑了不同波段的特征，不同波段作为特征通道放入网络模型中经过时域卷积和空间卷积，然后再加入通道注意力模块进一步提取特征，最后再进行分类。相比较于shallowconvnet，本专利技术提出的方法具有更高的分类准确率。
2、经过研究讨论和反复实践，本方法确定最终方案如下：
3、首先对原始脑电数据集进行预处理，然后将数据集划分为训练集、验证集和测试集三部分，用于训练和测试新的网络模型filter-bank shallowconvolutionnet，简称“fbshallowconvnet”，最后得出模型分类结果，并对分类结果进行评估，验证模型的准确性和泛化能力。
4、本专利技术技术方案的具体步骤如下：
5、步骤1：数据预处理：对原始脑电信号降采样到200hz，使用不同波段的带通滤波器对降采样后的信号进行带通滤波处理，随后对滤波后的信号做移动均值标准化；将脑电信号数据集划分为训练集、验证集和测试集；
6、步骤2：构建fbshallowconvnet模型：使用时域卷积和空间卷积提取特征，再添加通道自注意力模块(channelselfattention，csa)，进一步提取特征；
7、步骤3：将步骤1中的训练集和验证集输入到fbshallownet模型中进行训练；
8、步骤4：将步骤1中的测试集输入到步骤3中已训练好的模型中进行分类，评价分类的准确度。
9、本专利技术具有以下优点：
10、1、相比较把整个波段放进网络模型中，使用滤波器组放进网络模型可以使的模型获得不同波段的特征，从而进一步提高运动想象分类任务的准确率。
11、2、通过对改进的模型中添加通道注意力模块，可使网络训练时更加关注不同特征通道相关性和重要性，同时适当的跨通道交互可以使得网络能够提取出对模型分类更加有用的特征。
本文档来自技高网...【技术保护点】
1.一种基于滤波器组轻量网络的精细运动想象脑电信号分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于滤波器组轻量网络的精细运动想象脑电信号分类方法，其特征在于：
3.根据权利要求1所述的基于滤波器组轻量网络的精细运动想象脑电信号分类方法，其特征在于：
4.根据权利要求1所述的基于滤波器组轻量网络的精细运动想象脑电信号分类方法，其特征在于：
【技术特征摘要】
1.一种基于滤波器组轻量网络的精细运动想象脑电信号分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于滤波器组轻量网络的精细运动想象脑电信号分类方法，其特征在于：
...
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。