【技术实现步骤摘要】
本专利技术属于生物医学领域，具体涉及基于脑分区增强注意力卷积网络的运动想象任务分类方法。
技术介绍
1、脑机接口是一个将采集到的神经生理信号转换为控制输出设备计算机指令的系统。通过脑机接口系统可以实现大脑信号与外界的直接通信，而不依赖于大脑以外的肌肉和神经组织，这为丧失运动能力的人提供了与外界交流一种新的可能。在脑机接口系统中，脑电信号(eeg)由于其无创、方便、便宜、高时间分辨率等特性，成为了目前使用最为广泛的一种脑电信号采集技术。与其他范式不同的是，运动想象(mi)是一种内源式bci系统，当用户想象某一躯体运动时，感觉运动皮层中α/β节律的功率将会发生变化。人们可以通过解码这种变化来区分不同的躯体运动，并将模式识别结果转化为相应的指令来控制外部设备，因此mi-bci系统被广泛应用于康复医学应用，如人工假肢的神经控制。
2、在将深度学习方法应用于运动意图脑电分类任务之前，对脑电数据进行适当的处理是至关重要的。脑电数据反映了大脑的电信号活动，而mi任务旨在分析与运动相关的脑区信号，不同脑区的信号也对应着不同的功能。然而，由于神经元电信号在传输过程中受到体积传导效应的影响，通过电极记录的脑电信号可能包含混合活动。此外，不同电极之间的相互影响也会导致采集到的脑电信号并不仅仅对应于功能脑区的电信号。为了应对这些问题，采用短时傅里叶变换、小波变换等方法将eeg时间序列转换为二维图像；为了考虑多通道信号的空间特征，将eeg活动转化为一系列拓扑保持的多光谱图像。
3、在处理涉及多个脑区协同工作的情境下，不同脑区之间的
技术实现思路
1、为解决以上现有技术的问题，本专利技术采用了基于脑分区注意力增强卷积网络的运动想象任务分类方法，包括：
2、获取运动想象脑电数据，并对获取的脑电数据进行预处理，将预处理后的脑电数据输入到训练好的脑分区注意力增强卷积网络，得到最终的分类结果；脑分区注意力增强卷积网络包括：脑分区增强注意力模块、深层多尺度时域卷积模块、空域卷积模块、全局与局部信息融合模块以及分类模块；
3、脑分区注意力增强卷积网络的训练过程包括：
4、s1、获取运动想象脑电数据集，对数据集中的数据进行预处理，将预处理后的数据划分为训练集和测试集；
5、s2、将训练集中的数据输入脑分区增强注意力模块，得到增强特征；
6、s3、将增强特征输入深层多尺度时序模块，得到不同的尺度时序特征；
7、s4、将不同尺度的时序特征输入空间卷积模块，得到压缩特征；
8、s5、将压缩特征输入全局与局部信息融合模块，得到融合特征；
9、s6、将融合特征输入分类模块，得到分类结果；
10、s7、根据分类结果计算损失函数值，根据损失函数值更新模型参数，当损失函数值收敛时，得到训练好的网络。
11、对数据集进行预处理包括：
12、将数据集中的运动想象脑电数据降采样至250hz，在降采样后的脑电数据中提取[0,4]s的脑电数据，得到预处理后的数据集。
13、脑分区增强注意力模块对脑电信号进行处理包括：
14、s21、对脑电信号进行维度变换；
15、s22、将维度变换后的脑电信号沿通道维度划分为多个分区xk∈[x1,…,xg]，其中，g为分区数量；
16、s23、对xk进行全局平均池化，得到xk的全局特征；
17、s24、利用xk的全局特征生成xk的重要系数；
18、s25、对xk的重要系数归一化，得到xk的归一化值；
19、s26、对xk的归一化值进行缩放和平移，得到xk的最终系数；
20、s27、根据xk的最终系数利用sigmoid函数对xk进行缩放，得到xk的增强特征。
21、分区包括：中央区、额叶区和顶叶区。
22、对重要系数进行归一化包括：
23、
24、其中，为归一化值，为第k个分区的第j个电极位置的第i个重要系数，uc为第k个分区的第j个电极位置的重要系数和，σc为第k个分区的第j个电极位置的均方误差，∈为设置的常数。
25、深层混合尺度时序卷积模块包括多个分支，每个分支包括多层卷积层，每个分支的卷积核的大小相同、卷积层的层数不同。
26、空域卷积模块对不同尺度的时序特征进行处理包括：
27、s41、采用深度卷积对不同尺度的时序特征进行处理，得到卷积结果；
28、s42、利用平方非线性函数对卷积结果进行处理，得到输出结果；
29、s43、对输出结果进行平均池化，得到池化特征；
30、s44、利用对数非线性函数对池化特征进行处理，得到压缩特征。
31、全局与局部信息融合模块对压缩特征进行处理包括：
32、s51、对压缩特征进行全局平均池化，得到全局特征压缩向量；
33、s52、利用sigmoid激活函数对全局特征压缩向量进行处理，得到权重向量；
34、s53、将权重向量与压缩特征相乘，得到权重特征图。
35、损失函数为交叉熵损失函数。
36、有益效果：
37、1、本专利技术采用了脑分区增强注意力模块，该模块为每个脑区的每个空间位置生成一个注意力因子来调整每个特征的重要性，以便每个脑区可以自主增强其学习表达并抑制可能的噪声，通过利用特定脑区的整体信息来加强局部特征的学习，可以更好地关注不同脑区之间以及脑区内电极之间的相关性，使得模型更专注于每个区域的关键信息，提高了特征的区分度；2、在区域的划分上，本专利技术将脑电数据划分为中央区、额叶区和顶叶区，使得划分后的脑电数据不仅保留了eeg信号的时间特性，还在一定程度上保留了脑区的空间特性，有助于捕捉大脑不同区域之间的协同工作，提高对复杂神经活动的理解；3、本专利技术通过深层多尺度时序特征提取模块，使网络逐渐构建更高层次的抽象表示，提取更多输入信号的抽象特征；4、本专利技术通过融合全局和局部信息可生成更为丰富和复杂的特征表达，使得模型能够同时考虑整体上下文和局部细节，从而提高对输入数据的表示能力，更好地捕捉数据中的抽象特征。
本文档来自技高网...【技术保护点】
1.基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，包括：获取运动想象脑电数据，并对获取的脑电数据进行预处理，将预处理后的脑电数据输入到训练好的脑分区注意力增强卷积网络，得到最终的分类结果；脑分区注意力增强卷积网络包括：脑分区增强注意力模块、深层多尺度时域卷积模块、空域卷积模块、全局与局部信息融合模块以及分类模块；
2.根据权利要求1所述的基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，对数据集进行预处理包括：
3.根据权利要求1所述的基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，脑分区增强注意力模块对脑电信号进行处理包括：
4.根据权利要求3所述的基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，分区包括：中央区、额叶区和顶叶区。
5.根据权利要求3所述的基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，对重要系数进行归一化包括：
6.根据权利要求1所述的基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，深层混合尺度时序卷积模块
7.根据权利要求1所述的基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，空域卷积模块对不同尺度的时序特征进行处理包括：
8.根据权利要求1所述的基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，全局与局部信息融合模块对压缩特征进行处理包括：
9.根据权利要求1所述的基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，损失函数为交叉熵损失函数。
...【技术特征摘要】
1.基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，包括：获取运动想象脑电数据，并对获取的脑电数据进行预处理，将预处理后的脑电数据输入到训练好的脑分区注意力增强卷积网络，得到最终的分类结果；脑分区注意力增强卷积网络包括：脑分区增强注意力模块、深层多尺度时域卷积模块、空域卷积模块、全局与局部信息融合模块以及分类模块；
2.根据权利要求1所述的基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，对数据集进行预处理包括：
3.根据权利要求1所述的基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，脑分区增强注意力模块对脑电信号进行处理包括：
4.根据权利要求3所述的基于脑分区增强注意力卷积网络的运动想象任务分类方法，其特征在于，分区包括：中央区、额叶区和顶叶区。
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。