基于EEG运动想象分类的端到端深度学习方法、设备及介质技术

本发明专利技术公开了一种基于EEG运动想象分类的端到端深度学习方法、设备及介质。方法包括以下步骤：获取脑电信号，将脑电信号输入MBCNet模型；MBCNet模型包括第一支路和第二支路，第一支路和第二支路具有相同的结构和不同的卷积核大小；通过第一支路和第二支路分别提取脑电信号的时空信息，得到第一时空特征和第二时空特征；对第一时空特征和第二时空特征进行特征融合，得到融合特征表示；对融合特征表示进行特征分类，得到脑电信号所表征的运动想象结果。本发明专利技术所公开一种基于EEG运动想象分类的端到端深度学习方法、设备及介质在脑电信号运动想象分类解码中有良好的性能；所提供MBCNet模型具有较好的鲁棒性和泛化能力，与其它基线模型相比，具有更好的解码能力。

【技术实现步骤摘要】

本专利技术涉及运动想象，具体涉及一种基于eeg运动想象分类的端到端深度学习方法、设备及介质。

技术介绍

1、脑机接口(brain computer interface，bci)技术是一种创新的通信方式，它允许人脑通过神经信号直接交互和控制外部设备。基于运动想象(motor imagenation，mi)的bci是该技术的一个重要应用，它允许用户通过想象特定的肢体动作(如手或脚的运动)来控制外部设备，而不需要实际的肢体动作。这对于那些因疾病或残疾而丧失行动能力的人来说，是一种革命性的互动方式。

2、在传统的用于mi分类的机器学习中，常用的方法如共空间模式(common spatialpattern，csp)及其变体被用来从eeg信号中捕获和解码不同的信号特征。csp的主要目的是优化空间滤波器，使eeg信号之间的差异最大化。利用小波变换的各种方法也被探索用于从eeg信号中提取时频特征。然后使用支持向量机(svm)、线性判别分析(lda)等算法对这些时频特征进行分类，确定时频特征所表达的具体肢体动作。

3、然而，传统的机器学习方法往往需要本文档来自技高网...

【技术保护点】

1.一种基于EEG运动想象分类的端到端深度学习方法，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EEG运动想象分类的端到端深度学习方法，其特征在于，所述第一支路和第二支路各自包括时空卷积模块、注意力提取模块和Li-TCN模块；其中，所述时空卷积模块用于提取所述脑电信号的初级时空特征；所述注意力提取模块用于确定所述初级时空特征的通道权重；所述Li-TCN模块用于结合所述通道权重从所述初级时空特征中提取高级时空特征，其中第一支路的高级时空特征作为第一时空特征输出，第二支路的高级时空特征作为第二时空特征输出。

3.根据权利要求2所述的一种基于EEG运动想...

【技术特征摘要】

1.一种基于eeg运动想象分类的端到端深度学习方法，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eeg运动想象分类的端到端深度学习方法，其特征在于，所述第一支路和第二支路各自包括时空卷积模块、注意力提取模块和li-tcn模块；其中，所述时空卷积模块用于提取所述脑电信号的初级时空特征；所述注意力提取模块用于确定所述初级时空特征的通道权重；所述li-tcn模块用于结合所述通道权重从所述初级时空特征中提取高级时空特征，其中第一支路的高级时空特征作为第一时空特征输出，第二支路的高级时空特征作为第二时空特征输出。

3.根据权利要求2所述的一种基于eeg运动想象分类的端到端深度学习方法，其特征在于，所述时空卷积模块具体包括时间卷积层、时间注意力层和双分支网络层；

4.根据权利要求2所述的一种基于eeg运动想象分类的端到端深度学习方法，其特征在于，所述注意力提取模块包括全局平均池化层、第一全连接层和第二全连接层；所述注意力执行模块具体执行以下步骤确定所述初级时空特征的通道权重：

5.根据权利要求2所述的一种基于eeg运动想象分类的端到端深度学习方法，其特征在于，所述li-tcn模块包括...

【专利技术属性】
技术研发人员：王力，李高飞，周欣慧，姚温铃，
申请(专利权)人：广州大学，
类型：发明
国别省市：