基于深度神经网络的BCI优化方法技术

一种基于深度神经网络的BCI优化方法，在由视觉图像引起的脑电信号多分类任务中，构造并训练EEG分类模型，通过分类得到的准确率确定单个通道的影响力，进而构造通道组合，即基于相关性的显著通道选择，实现BCI的优化。本发明专利技术通过深度学习与统计学相结合的方式，在由视觉图像引起的脑电信号多分类任务中，保证一定分类准确率的同时能够显著减少使用的通道数量，解决通道冗余问题，并为便携脑电设备的设计提供新思路。

【技术实现步骤摘要】

本专利技术涉及的是一种脑电信号分析领域的技术，具体是一种基于深度神经网络的脑机接口(bci)优化方法。

技术介绍

1、现有的脑电通道选择方法大致分为过滤型技术、包裹型技术和嵌入型技术等。这种传统的单独优化特征选择和分类器的方法可能导致全局优化不完善，此外，还存在效率较低、依赖人为经验、多分类准确率有待提高等问题。目前，基于人工智能深度学习的脑电通道优化算法研究仍较为有限，在引入模型和解码脑电语义特征的过程中面临着许多挑战。研究表明，当受试者执行某种特定任务时，与任务相关的那些通道应该包含共同信息，并且在多次任务中都存在这种通道之间的相关性。

技术实现思路

1、本专利技术针对现有技术存在的上述不足，提出一种基于深度神经网络的bci优化方法，通过深度学习与统计学相结合的方式，在由视觉图像引起的脑电信号多分类任务中，保证一定分类准确率的同时能够显著减少使用的通道数量，解决通道冗余问题，并为便携脑电设备的设计提供新思路。

2、本专利技术是通过以下技术方案实现的：

3、本专利技术涉及一种基于深度本文档来自技高网...

【技术保护点】

1.一种基于深度神经网络的BCI优化方法，其特征在于，在由视觉图像引起的脑电信号多分类任务中，构造并训练改进的EEG分类模型，通过分类得到的准确率确定单个通道的影响力，进而构造通道组合，即基于相关性的显著通道选择，实现BCI的优化；

2.根据权利要求1所述的基于深度神经网络的BCI优化方法，其特征是，所述的改进的卷积神经网络模块包括：图卷积神经网络、序列化的神经网络和重排列单元，其中：图卷积神经网络根据脑电帽的通道节点、通道之间的物理位置构建图结构数据，并根据脑电通道的位置信息，进行三层图卷积操作，得到EEG通道周围区域的空间特征；序列化的神经网络根据图卷积神经网络的输出结果...

【技术特征摘要】

1.一种基于深度神经网络的bci优化方法，其特征在于，在由视觉图像引起的脑电信号多分类任务中，构造并训练改进的eeg分类模型，通过分类得到的准确率确定单个通道的影响力，进而构造通道组合，即基于相关性的显著通道选择，实现bci的优化；

2.根据权利要求1所述的基于深度神经网络的bci优化方法，其特征是，所述的改进的卷积神经网络模块包括：图卷积神经网络、序列化的神经网络和重排列单元，其中：图卷积神经网络根据脑电帽的通道节点、通道之间的物理位置构建图结构数据，并根据脑电通道的位置信息，进行三层图卷积操作，得到eeg通道周围区域的空间特征；序列化的神经网络根据图卷积神经网络的输出结果信息，并扩展一维作为卷积通道，即(1，ch，sp)，进行两层卷积处理，得到eeg信号的一维时间的低级局部特征；重排列单元将序列化的神经网络的输出重新进行排列，以适应后续处理或学习任务的需求；

3.根据权利要求2所述的基于深度神经网络的bci优化方法，其特征是，所述的图卷积神经网络包括：三个图卷积层、relu激活函数和dropout层，三个图卷积层依次对通道节点特征进行处理，每一层都通过激活函数和dropout正则化来增加网络的非线性和泛化能力。

4.根据权利要求2所述的基于深度神经网络的bci优化方法，其特征是，所述的序列化的神经网络包括：两个卷积层、批归一化层、elu激活函数、平均池化层和dropout层，第一卷积层在时间维度上执行卷积处理，第二卷积层充当空间滤波器来学习不同脑电通道之间范围更小的紧密关系，批归一化层和elu激活函数帮助模型学习和加快训练过程，平均池化层沿时间维度进行操作。

5.根据权利要求1所述的基于深度神经网络的bci优化方法，其特征是，所述的自注意力模块通过自注意力层学习全局时间依赖性，该自注意力模块包括：多头注意力机制单元、残差连接单元、前馈网络单元以及多个堆叠的编码器块，其中：多头注意力机制单元在初始化时，为每个头创建键(keys)、查询(queries)和值(values)的线性变换，并定...

【专利技术属性】
技术研发人员：步嘉慧，易平，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：