【技术实现步骤摘要】
本申请属于人工智能，尤其涉及一种基于人因智能的脑电信号处理方法和装置，以及电子设备和计算机存储介质。
技术介绍
1、脑机接口(brain-computer interface，简称：bci)的研究旨在阐明脑与机器之间的通信途径，从信息论的角度来看，现代机器学习模型，特别是神经网络(nn)模型，正在进化到越来越像人类大脑处理、存储和交流信息(例如输入/输出数据)的能力。在这种背景下，最近的研究方向之一是利用脑机接口领域的神经网络模型进行信息提取。
2、在所有的神经成像方法中，脑电(electroencephalogram，简称：eeg)信号以其无创、低风险和可负担性被广泛应用于脑机接口bci领域，脑电信号能够携带有关大脑活动的隐含信息，如何利用神经网络模型进行脑电信号的接收和处理具有极高的研究价值。然而，专利技术人在实现本申请的过程中发现，现有技术在利用神经网络模型对脑电信号进行信息提取时，在时间特征信息的提取能力方面的较弱。
技术实现思路
1、本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种基于人因智能的脑电信号处理方法和装置，以及电子设备和计算机存储介质，能够加强对脑电信号中时间特征信息的提取能力。
2、第一方面，本申请提供了一种基于人因智能的脑电信号处理方法，该处理方法基于卷积神经网络模型执行，该卷积神经网络模型包括依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和分类模块，所述第一特征提取模块、第二特征提取模块和第三特
3、将待处理的脑电信号输入到所述依次连接的第一特征提取模块、第二特征提取模块和第三特征提取模块中，以得到所述脑电信号的时间特征信息和空间特征信息；
4、将所述待处理的脑电信号的时间特征信息和空间特征信息输入到所述分类模块中进行分类处理，得到所述脑电信号的分类处理结果。
5、在一些实施例中，所述第一特征提取模块包括至少一个深度可分离卷积层，所述每个深度可分离卷积层包括用于提取时间特征信息的第一时间卷积核；
6、上述将待处理的脑电信号输入到所述依次连接的第一特征提取模块、第二特征提取模块和第三特征提取模块中，包括：
7、将待处理的脑电信号输入到所述第一特征提取模块后，得到从第一特征提取模块输出的第一特征图，所述第一特征图中包括所述第一时间卷积核提取的时间特征信息。
8、在一些实施例中，所述第一特征提取模块包括一个深度可分离卷积层，所述第一时间卷积核的尺寸为(1,a)，其中a为大于1的正整数。
9、在一些实施例中，所述第二特征提取模块包括依次连接的至少一个普通卷积层和至少一个残差块，所述至少一个普通卷积层包括用于提取空间特征信息的空间卷积核，所述至少一个残差块均包括用于提取时间特征信息的第二时间卷积核；
10、所述将待处理的脑电信号输入到所述依次连接的第一特征提取模块、第二特征提取模块和第三特征提取模块中，包括：
11、将所述第一特征图输入到所述第二特征提取模块后，得到从所述第二特征提取模块输出的第二特征图，所述第二特征图中包括所述空间卷积核提取的空间特征信息，以及所述第二时间卷积核提取的第一优化时间特征信息。
12、在一些实施例中，所述第二特征提取模块包括依次连接的第一残差块和第二残差块：
13、所述第一残差块包括依次连接的第一卷积层、第二卷积层和第一跳跃连接，所述第一跳跃连接用于将所述第一卷积层的输入信息与所述第二卷积层的输出信息相加，以作为所述第一残差块的输出信息；
14、所述第二残差块包括依次连接的第三卷积层、第四卷积层和第二跳跃连接，所述第二跳跃连接用于将所述第三卷积层的输入信息与所述第四卷积层的输出信息相加，以作为所述第二残差块的输出信息；
15、其中，所述第一卷积层、所述第二卷积层、所述第三卷积层和所述第四卷积层均包括所述第二时间卷积核。
16、在一些实施例中，所述空间卷积核的尺寸为(channel，1)，其中channel为所述脑电信号的通道数，所述第一卷积层和所述第二卷积层中第二时间卷积核的尺寸为(1，a)，a为大于1的正整数，所述第三卷积层和所述第四卷积层中第二时间卷积核的尺寸为(1，b)，b为大于1的正整数。
17、在一些实施例中，所述第三特征提取模块包括至少一个混合空洞卷积层，每个混合空洞卷积层均包括用于提取时间特征信息的第三时间卷积核；
18、所述将待处理的脑电信号输入到所述依次连接的第一特征提取模块、第二特征提取模块和第三特征提取模块中，包括：
19、将所述第二特征图输入到所述第三特征提取模块后，得到从所述第三特征提取模块输出的第三特征图，所述第三特征图包括所述空间卷积核提取的空间特征信息，以及所述第三时间卷积核提取的第二优化时间特征信息。
20、在一些实施例中，所述第三特征提取模块包括依次连接的第一混合空洞卷积层和第二混合空洞卷积层，所述第三时间卷积核的尺寸为(1，c),c为大于1的正整数。
21、在一些实施例中，所述深度可分离卷积层、所述普通卷积层、所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第一混合空洞卷积层和所述第二混合空洞卷积层的深度构成逆瓶颈结构。
22、在一些实施例中，所述第二特征提取模块的输出端设置有第一平均池化层，所述第三特征提取模块的输出端设置有依次连接的elu激活函数和第二平均池化层。
23、第二方面，本申请实施例还提供了一种基于人因智能的脑电信号处理装置，该处理装置基于一卷积神经网络模型执行，该卷积神经网络模型包括依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和分类模块，所述第一特征提取模块、第二特征提取模块和第三特征提取模块中均包括用于提取时间特征信息的时间卷积核，以及所述第二特征提取模块中还包括用于提取空间特征信息的空间卷积核，所述装置包括：
24、特征信息提取模块，用于将待处理的脑电信号输入到所述依次连接的第一特征提取模块、第二特征提取模块和第三特征提取模块中，以得到所述脑电信号的时间特征信息和空间特征信息；
25、结果获取模块，将所述待处理的脑电波信号的时间特征信息和空间特征信息输入到所述分类模块中进行分类处理，得到所述脑电信号的分类处理结果。
26、第三方面，本申请实施例还提供了一种电子设备，包括处理器和存储器，该处理器用于执行所述存储器中的计算机程序，所述计算机程序能够执行上述的基于人因智能的脑电信号处理方法。
27、第四方面，本申请实施例还提供了一种计算机存储介质，用于存储计算机程序，该计算机程序能够执行上述的基于人因智能的脑电信号处理方法。
28、本申请实施例提供了一种新的卷积神经网络模型架构，并且本文档来自技高网...
【技术保护点】
1.一种基于人因智能的脑电信号处理方法，其特征在于，所述处理方法基于卷积神经网络模型执行，所述卷积神经网络模型包括依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和分类模块，所述第一特征提取模块、第二特征提取模块和第三特征提取模块中均包括用于提取时间特征信息的时间卷积核，以及所述第二特征提取模块中还包括用于提取空间特征信息的空间卷积核，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一特征提取模块包括至少一个深度可分离卷积层，每个所述深度可分离卷积层包括用于提取时间特征信息的第一时间卷积核；
3.根据权利要求2所述的方法，其特征在于，所述第一特征提取模块包括一个深度可分离卷积层，所述第一时间卷积核的尺寸为(1,a)，其中a为大于1的正整数。
4.根据权利要求2所述的方法，其特征在于，所述第二特征提取模块包括依次连接的至少一个普通卷积层和至少一个残差块，所述至少一个普通卷积层包括用于提取空间特征信息的空间卷积核，所述至少一个残差块均包括用于提取时间特征信息的第二时间卷积核；
5.根据权利要求4所述的方法，
6.根据权利要求5所述的方法，其特征在于，所述空间卷积核的尺寸为(channel，1)，其中channel为所述脑电信号的通道数，所述第一卷积层和所述第二卷积层中第二时间卷积核的尺寸为(1，a)，a为大于1的正整数，所述第三卷积层和所述第四卷积层中第二时间卷积核的尺寸为(1，b)，b为大于1的正整数。
7.根据权利要求5所述的方法，其特征在于，所述第三特征提取模块包括至少一个混合空洞卷积层，每个混合空洞卷积层均包括用于提取时间特征信息的第三时间卷积核；
8.根据权利要求7所述的方法，其特征在于，所述第三特征提取模块包括依次连接的第一混合空洞卷积层和第二混合空洞卷积层，所述第三时间卷积核的尺寸为(1，c),c为大于1的正整数。
9.根据权利要求8所述的方法，其特征在于，所述深度可分离卷积层、所述普通卷积层、所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层、所述第一混合空洞卷积层和所述第二混合空洞卷积层的深度构成逆瓶颈结构。
10.根据权利要求8所述的方法，其特征在于，所述第二特征提取模块的输出端设置有第一平均池化层，所述第三特征提取模块的输出端设置有依次连接的ELU激活函数和第二平均池化层。
11.一种基于人因智能的脑电信号处理装置，其特征在于，所述处理装置基于卷积神经网络模型执行，所述卷积神经网络模型包括依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和分类模块，所述第一特征提取模块、第二特征提取模块和第三特征提取模块中均包括用于提取时间特征信息的时间卷积核，以及所述第二特征提取模块中还包括用于提取空间特征信息的空间卷积核，所述装置包括：
12.一种电子设备，其特征在于，包括处理器和存储器，该处理器用于执行所述存储器中的计算机程序，所述计算机程序能够执行所述基于人因智能的脑电信号处理方法。
13.一种计算机存储介质，用于存储计算机程序，该计算机程序能够执行所述基于人因智能的脑电信号处理方法。
...【技术特征摘要】
1.一种基于人因智能的脑电信号处理方法，其特征在于，所述处理方法基于卷积神经网络模型执行，所述卷积神经网络模型包括依次连接的第一特征提取模块、第二特征提取模块、第三特征提取模块和分类模块，所述第一特征提取模块、第二特征提取模块和第三特征提取模块中均包括用于提取时间特征信息的时间卷积核，以及所述第二特征提取模块中还包括用于提取空间特征信息的空间卷积核，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一特征提取模块包括至少一个深度可分离卷积层，每个所述深度可分离卷积层包括用于提取时间特征信息的第一时间卷积核；
3.根据权利要求2所述的方法，其特征在于，所述第一特征提取模块包括一个深度可分离卷积层，所述第一时间卷积核的尺寸为(1,a)，其中a为大于1的正整数。
4.根据权利要求2所述的方法，其特征在于，所述第二特征提取模块包括依次连接的至少一个普通卷积层和至少一个残差块，所述至少一个普通卷积层包括用于提取空间特征信息的空间卷积核，所述至少一个残差块均包括用于提取时间特征信息的第二时间卷积核；
5.根据权利要求4所述的方法，其特征在于，所述第二特征提取模块包括依次连接的第一残差块和第二残差块：
6.根据权利要求5所述的方法，其特征在于，所述空间卷积核的尺寸为(channel，1)，其中channel为所述脑电信号的通道数，所述第一卷积层和所述第二卷积层中第二时间卷积核的尺寸为(1，a)，a为大于1的正整数，所述第三卷积层和所述第四卷积层中第二时间卷积核的尺寸为(1，b)，b为大于1的正整数。
7.根据权...
【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，请求不公布姓名，请求不公布姓名，
申请(专利权)人：北京津发科技股份有限公司，
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。