一种基于多被试数据合并对抗训练的运动想象解码方法技术

本发明专利技术公开了一种基于多被试数据合并对抗训练的运动想象解码方法，该解码方法采用多被试数据合并对抗训练运动想象分类模型，交替使用正向训练与逆向训练来训练运动想象分类模型，使模型专注于运动想象任务的特征提取，在跨时段和跨被试方面具有更好的鲁棒性，解决了多被试合并训练运动想象分类模型时准确率较低的问题，有效地提高多被试数据合并时的训练效果，在现实应用如卒中康复当中更具实用性；同时，本发明专利技术拓宽了模型训练数据的获取来源，减少了单个被试需要采集的数据量，能够缓解脑电数据采集困难，训练样本匮乏的问题；同时，与传统一对一的模型训练方式相比，本发明专利技术的分类准确率较高。

【技术实现步骤摘要】

本专利技术属于脑机接口运动想象范式，具体涉及一种基于多被试数据合并对抗训练的运动想象解码方法。

技术介绍

1、脑机接口(brain computer interface,bci)中的运动想象范式(motor imagery,mi)即为通过分析脑电信号，检测识别不同脑区的激活效果来判断用户的运动意图，进而实现人脑与外部设备之间的直接通信与控制。由于其无需外界刺激，而是体现使用者的自主运动意识，因而在运动功能代偿和运动功能康复等方向具有重要意义。然而由于脑电信号信噪比低，训练样本缺乏，时间、场景和个体的变化对分类准确率影响较大等原因，基于eeg的脑机接口解耦解码算法仍然面临着一些挑战。

2、目前运动想象分类模型在无跨被试要求的情况下鲜有使用多个被试数据合并进行训练单个模型的情况，大多是被试数据与模型一对一训练，即一个被试数据训练一个模型，仅在有跨被试要求时才迫不得已使用所有被试数据进行训练。原因在于，在一般情况下使用多个被试数据合并训练，会导致训练数据差异增大，从而显著降低最终平均准确率，一对一训练的方式虽然准确率高，但是对单个被试的数据量要求较高本文档来自技高网...

【技术保护点】

1.一种基于多被试数据合并对抗训练的运动想象解码方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于多被试数据合并对抗训练的运动想象解码方法，其特征在于：所述的步骤3中，根据身份识别分类器的负熵乘以比例系数α，与运动想象分类器的交叉熵进行相加，来更新运动想象分类器和特征提取模型的参数。

3.根据权利要求1所述的一种基于多被试数据合并对抗训练的运动想象解码方法，其特征在于：所述的比例系数α的值为0.5。

4.根据权利要求1所述的一种基于多被试数据合并对抗训练的运动想象解码方法，其特征在于：若受试者不是步骤1的其中一个被试；则对执行运动想象任...

【技术特征摘要】

1.一种基于多被试数据合并对抗训练的运动想象解码方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于多被试数据合并对抗训练的运动想象解码方法，其特征在于：所述的步骤3中，根据身份识别分类器的负熵乘以比例系数α，与运动想象分类器的交叉熵进行相加，来更新运动想象分类器和特征提取模型的参数。

3.根据权利要求1所述的一种基于多被试数据合并对抗训练的运动想象解码方法，其特征在于：所述的比例系数α的值为0.5。

4.根据权利要求1所述的一种基于多被试数据合并对抗训练的运动想象解码方法，其特征在于：若受试者不是步骤1的其中一个被试；则对执行运动想象任务的受试者进行脑电信号采集，并将所得脑电信号加入脑电信号数据集；基于更新后的脑电信号数据集重新执行步骤2、3和4；利用所得运动想象分类模型对受试者进行运动想象识别。

5.根据权利要求1所述的一种基于多被试数据合并对抗训练的运动想象解码方法，其特征在于：所述的特征提取模型包括时序卷积层、空间卷积层和深度可分离卷积层；时序卷积层后设有bn批归一化层；空间卷积层和深度可分离卷积层后均设有bn批归一化层、elu激活函数、池化层和dropout层；所述的运动想象分类器和身份识别分类器后设有用于输出分类概率的softmax激活函数。

6.根据权利要求1所述的一种基于多被试数据合并对抗训练的运动想象...

【专利技术属性】
技术研发人员：孔万增，赵添逸，张建海，朱莉，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：