【技术实现步骤摘要】
本专利技术属于信息分类，具体涉及一种基于深度学习的运动想象脑电信号分类方法及系统及电子装置。
技术介绍
1、随着脑机接口(brain computer interface,bci)是一种人机接口方式，人们无需语言或肢体动作，直接通过大脑活动来控制外部设备。而运动想象是最常见的脑机接口范式之一，运动想象是想象特定肢体运动的脑电活动过程，并通过脑机接口技术，采集受试者在该过程中产生的脑电数据，分析受试者在采集信号时大脑中的意图，并将该意图转换成对外部设备的控制指令。基于运动想象的脑机接口技术在改善患者康复治疗效果方面有重要的应用价值。
2、随着深度学习技术的快速发展，越来越多的深度学习模型应用于基于运动想象的脑机接口技术，以提高患者康复效率。基于深度学习的脑电信号处理和分类成为脑科学和脑机接口领域的研究热点。
3、现有的基于深度学习的运动想象脑电信号分类中存在分类精度不高的问题，这会影响对外部设备的精准控制。分类精度不高的根本原因是运动想象脑电信号是一种非常微弱的信号，易受肌体活动等干扰，信噪比很低。
技术实现思路
1、针对上述
技术介绍
所提出的问题，本专利技术的目的在于提供一种基于深度学习的运动想象脑电信号分类方法及系统，用于解决现有技术处理脑电信号识别率低的问题。一方面，本专利技术提供一种基于深度学习的运动想象脑电信号分类方法，用于解决运动想象脑电信号分类精度低的问题。首先通过对局部空间注意力和时间注意力网络对原始脑电数据分别处理，将得到脑电时间注意力分数应用
2、为实现上述技术目的，本专利技术采用的技术方案如下：
3、一种基于深度学习的运动想象脑电信号分类方法，包括如下步骤，
4、s1：利用脑电信号采集设备获取目标个体的多个通道的原始脑电数据；
5、s2：对原始脑电数据进行时空注意力特征提取；
6、s3：利用卷积神经网络模型对原始脑电数据以及脑电数据的时空注意力特征分别进行处理；
7、s4：将不同的处理结果进行融合，并利用分类模型对融合后的特征进行分类，得到最终分类结果。
8、作为本专利技术发一种优选方案，所述s2中时空注意力特征提取的具体步骤为，
9、s21：利用局部空间注意力对原始脑电数据进行处理；
10、假设原始脑电数据的时序长度为n,通道数为c，第i个时间点的第j个通道的脑电数据为xi,j,
11、则该脑电数据集可表示为
12、x＝((x1,1,...,xi,1,...,xn,1),...,(x1,j,...,xi,j,...,xn.j),...,(x1,c,...,xi,c,...,xn,c))；
13、利用线性分类器对每个时间点的所有通道脑电数据进行二分类，若xi,j属于得分高的一类脑电数据，则记为反之，则记为
14、将两个分类的脑电数据的均值分别作为局部空间注意力分数，
15、分别记为和
16、利用两类局部空间注意力分数与对应的通道数据分别做乘积，可得第i个时间点局部空间特征
17、经过局部空间注意力对原始脑电数据进行处理后得到的空间注意力特征为：
18、
19、s22：利用时间注意力网络对原始脑电数据进行处理，得到脑电数据的时间注意力分数
20、
21、时间注意力网络具体为：
22、5个卷积核为3x3的卷积层，1个全连接层；
23、s23：将脑电时间注意力分数应用于所述s21中的sx,得到脑电数据的时空注意力特征ltsx，具体公式为：
24、ltsx＝sx·txt。
25、作为本专利技术发一种优选方案，所述s3中的卷积神经网络模型对原始脑电数据以及脑电数据的时空注意力特征进行处理步骤为：
26、s31：利用卷积神经网络对原始脑电数据进行处理；
27、使用时间卷积层和空间卷积层分别对原始脑电数据进行不断的提取时间空间特征，最终提取出时间空间特征tsf；
28、s32：利用卷积神经网络对脑电数据的时空注意力特征ltsx进行处理；
29、使用时间卷积层和空间卷积层分别对ltsx进行不断的提取时间空间特征，最终提取出时间空间特征tsf2。
30、作为本专利技术发一种优选方案，所述s4的具体步骤为：
31、s41：利用卷积神经网络对时间空间特征tsf和tsf2进行融合；
32、s42：利用分类模型对融合后的特征进行分类，得到最终分类结果。
33、一种基于深度学习的运动想象脑电信号分类系统，
34、包括脑电信号采集模块：用脑电信号采集设备获取目标个体的多个通道的原始脑电数据；
35、时空注意力特征提取模块：对原始脑电数据进行时空注意力特征提取；
36、时空注意力特征处理模块：利用卷积神经网络模型对原始脑电数据以及脑电数据的时空注意力特征分别进行处理；
37、时空注意力特征融合分类模块：将不同的处理结果进行融合，并利用分类模型对融合后的特征进行分类，得到最终分类结果。
38、一种电子装置，包括：led显示器、存储器、处理器；
39、所述led显示器，用于显示权利要求1～4中任意一项的分类结果；
40、所述存储器，存储有可被所述处理器执行的程序指令，还用于存储权利要求中所需的数据、模型；
41、所述处理器，调用所述程序指令能够执行如权利要求1～4任一所述的基于深度学习的运动想象脑电信号分类方法。
42、与现有技术相比，本专利技术包括以下优点：
43、1)本专利技术所述的局部空间注意力可以增强激活脑区的传感器通道产生的脑电数据，提高激活脑区与非激活脑区的传感器通道的脑电信号的差异；
44、2)本专利技术所述的时间注意力可以扩大大脑活动期间的与其他时间段的脑电信号的差异；
45、3)本文所述的卷积神经网络可以融合多种脑信号特征，并能实现对融合后的特征进行分类，提高分类精度；
46、采用本专利技术技术方案，
本文档来自技高网...【技术保护点】
1.一种基于深度学习的运动想象脑电信号分类方法，其特征在于：包括如下步骤，
2.根据权利要求1所述的一种基于深度学习的运动想象脑电信号分类方法，其特征在于：所述S2中时空注意力特征提取的具体步骤为，
3.根据权利要求2所述的一种基于深度学习的运动想象脑电信号分类方法，其特征在于：所述S3中的卷积神经网络模型对原始脑电数据以及脑电数据的时空注意力特征进行处理步骤为：
4.根据权利要求3所述的一种基于深度学习的运动想象脑电信号分类方法，其特征在于：所述S4的具体步骤为：
5.一种基于深度学习的运动想象脑电信号分类系统，其特征在于：
6.一种电子装置，包括：LED显示器、存储器、处理器；其特征在于：
【技术特征摘要】
1.一种基于深度学习的运动想象脑电信号分类方法，其特征在于：包括如下步骤，
2.根据权利要求1所述的一种基于深度学习的运动想象脑电信号分类方法，其特征在于：所述s2中时空注意力特征提取的具体步骤为，
3.根据权利要求2所述的一种基于深度学习的运动想象脑电信号分类方法，其特征在于：所述s3中的卷积神经网络模...
【专利技术属性】
技术研发人员：黄柳舟，
申请(专利权)人：意念中枢重庆科技有限公司，
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。