【技术实现步骤摘要】
本专利技术涉及fnirs信号运动想象，尤其涉及一种基于视觉曲线注意力网络的fnirs信号识别方法。
技术介绍
1、在没有实际身体动作的情况下，在头脑中想象自己在做一个身体动作，这种行为被称为运动想象(mi)。事实证明，当与体育锻炼相结合时，mi对掌握新技能和提高运动成绩非常有利。此外，mi是神经科学或神经工程学的重要工具，它能让人们深入了解动作执行前的大脑活动。通过利用mi操作机械管或轮椅等外部设备，运动障碍患者可以克服神经肌肉障碍，并以创新的方式与周围环境进行互动，这将大大提高他们的生活质量和独立性。
2、fnirs是一种可穿的光学光谱系统可通过测量血氧浓度以非侵入性方式持续监测大脑活动与基于其他模态信号相比，基于fnirs的bci具有便携、无创、抗干扰能力强、无需凝胶无需外部介质等诸多优点。此外，基于fnirs的bci技术测量大脑活动的侵入性更小，因此正常行为不会受到这种记录的影响。
3、传统机器学习算法通常需要手工设计和选择特征，这对于fnirs信号可能涉及到的大量复杂特征而言可能是一项挑战，尤其涉及人脑时，其特征存在一定程度的复杂性。一些传统机器学习算法可能难以捕捉到fnirs信号中的复杂非线性关系，限制了对脑区活动的准确建模能力。特征空间较大时，传统机器学习算法有可能过拟合训练数据，导致在新数据上表现不佳。
4、基于上述，现有技术存在对fnirs信号提取特征不全面、分类识别准确率低的技术问题。
技术实现思路
1、本专利技术实施例的主要目
2、为实现上述目的，本专利技术实施例的第一方面提出了一种基于视觉曲线注意力网络的fnirs信号识别方法，所述方法包括：
3、采用近红外信号采集设备对被测试者进行fnirs信号采集；
4、对采集的fnirs信号进行预处理，得到处理好的fnirs信号；
5、构建ivcan网络模型，并设置ivcan网络模型的模型参数，其中，所述ivcan网络模型为基于视觉注意力网络van的深度学习模型，所述ivcan网络模型的神经网络块block中嵌入有c-att层和mlp层，所述c-att层通过使用局部conv和膨胀conv提取fnirs信号中的关键特征，所述mlp层用于对所述关键特征进行特征归纳；
6、将处理好的fnirs信号输入到ivcan网络模型进行训练，得到训练好的ivcan网络模型；
7、将待测的fnirs信号输入到训练好的ivcan网络模型，以对被测试者的运动想象状态进行分类识别，输出分类识别结果。
8、在一些实施例，所述将处理好的fnirs信号输入到ivcan网络模型进行训练，得到训练好的ivcan网络模型，包括：
9、步骤1：对训练数据依次进行带通滤波和批量归一化处理；
10、步骤2：经过批量归一化处理的数据被送入重叠补丁嵌入ope层，重叠补丁嵌入ope层对输入进行降采样，并使用步幅数来控制降采样率；
11、步骤3：将降采样之后的数据送入对应的神经网络块block中；
12、步骤4：将经过多个神经网络块block提取的特征整合的数据传递至预测层，最终预测出分类标签；
13、步骤5：计算预测标签与真实标签之间的损失，并通过反向传播将损失传递回模型，以自动调整相应的参数；
14、步骤6：重复进行步骤2至步骤5，直至达到预设的训练代数，训练停止并保存训练好的权重，得到训练好的ivcan网络模型。
15、在一些实施例，所述对训练数据依次进行带通滤波和批量归一化处理，包括：
16、使用修正的比尔朗伯定律对原始光学数据进行计算氧合血红蛋白和过氧血红蛋白的浓度变化；
17、对氧合血红蛋白和过氧血红蛋白的两种浓度变化数据进行带通滤波，再进行批量归一化处理，以使训练数据服从相同的分布。
18、在一些实施例，所述对采集的fnirs信号进行预处理，得到处理好的fnirs信号，包括：
19、对采集的fnirs信号进行信号转换，得到oxy数据和deoxy数据；
20、对所述oxy数据和所述deoxy数据进行相应的滤波处理和批量归一化处理，得到处理好的fnirs信号。
21、在一些实施例，在所述对所述oxy数据和所述deoxy数据进行相应的滤波处理和批量归一化处理之后，还包括：
22、提取任务态的所述oxy数据和所述deoxy数据，并且进行预设时长的数据切片。
23、在一些实施例，所述ivcan网络模型具有一个重叠补丁嵌入ope层和四个阶段stage，每个stage都有l个神经网络块block，所述重叠补丁嵌入ope层包含conv和batchnorm2d，conv控制输出通道、步幅、内核大小和填充，每个神经网络块block包括批量归一化层、dropout层、gelu激活层、c-att层和mlp层。
24、在一些实施例，所述c-att层中使用1×1的conv计算每个元素的加权注意力，并通过1×1的conv将注意力值添加到原始数据，其中，注意力特征通过mlp层进行特征提取，所述mlp层具有隐藏层。
25、为实现上述目的，本专利技术实施例的第二方面提出了一种基于视觉曲线注意力网络的fnirs信号识别装置，所述装置包括：
26、采集模块，用于采用近红外信号采集设备对被测试者进行fnirs信号采集；
27、处理模块，用于对采集的fnirs信号进行预处理，得到处理好的fnirs信号；
28、构建模块，用于构建ivcan网络模型，并设置ivcan网络模型的模型参数，其中，所述ivcan网络模型为基于视觉注意力网络van的深度学习模型，所述ivcan网络模型的神经网络块block中嵌入有c-att层和mlp层，所述c-att层通过使用局部conv和膨胀conv提取fnirs信号中的关键特征，所述mlp层用于对所述关键特征进行特征归纳；
29、训练模块，用于将处理好的fnirs信号输入到ivcan网络模型进行训练，得到训练好的ivcan网络模型；
30、识别模块，用于将待测的fnirs信号输入到训练好的ivcan网络模型，以对被测试者的运动想象状态进行分类识别，输出分类识别结果。
31、为实现上述目的，本专利技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
32、为实现上述目的，本专利技术实施例的第四方面提出了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计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
33、本专利技术提出的基于视觉本文档来自技高网...
【技术保护点】
1.一种基于视觉曲线注意力网络的fNIRS信号识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将处理好的fNIRS信号输入到IVCAN网络模型进行训练，得到训练好的IVCAN网络模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述对训练数据依次进行带通滤波和批量归一化处理，包括：
4.根据权利要求1所述的方法，其特征在于，所述对采集的fNIRS信号进行预处理，得到处理好的fNIRS信号，包括：
5.根据权利要求4所述的方法，其特征在于，在所述对所述Oxy数据和所述Deoxy数据进行相应的滤波处理和批量归一化处理之后，还包括：
6.根据权利要求1所述的方法，其特征在于，所述IVCAN网络模型具有一个重叠补丁嵌入OPE层和四个阶段stage，每个stage都有L个神经网络块block，所述重叠补丁嵌入OPE层包含Conv和BatchNorm2d，Conv控制输出通道、步幅、内核大小和填充，每个神经网络块block包括批量归一化层、Dropout层、GELU激活层、C-Att层和ML
7.根据权利要求5所述的方法，其特征在于，所述C-Att层中使用1×1的Conv计算每个元素的加权注意力，并通过1×1的Conv将注意力值添加到原始数据，其中，注意力特征通过MLP层进行特征提取，所述MLP层具有隐藏层。
8.一种基于视觉曲线注意力网络的fNIRS信号识别装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的基于视觉曲线注意力网络的fNIRS信号识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于视觉曲线注意力网络的fNIRS信号识别方法。
...【技术特征摘要】
1.一种基于视觉曲线注意力网络的fnirs信号识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将处理好的fnirs信号输入到ivcan网络模型进行训练，得到训练好的ivcan网络模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述对训练数据依次进行带通滤波和批量归一化处理，包括：
4.根据权利要求1所述的方法，其特征在于，所述对采集的fnirs信号进行预处理，得到处理好的fnirs信号，包括：
5.根据权利要求4所述的方法，其特征在于，在所述对所述oxy数据和所述deoxy数据进行相应的滤波处理和批量归一化处理之后，还包括：
6.根据权利要求1所述的方法，其特征在于，所述ivcan网络模型具有一个重叠补丁嵌入ope层和四个阶段stage，每个stage都有l个神经网络块block，所述重叠补丁嵌入ope层包含conv和batchnorm2d，conv控制输出通...
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。