一种抗个体差异的动态加权脑电信号分类方法技术

本发明专利技术涉及一种抗个体差异的动态加权脑电信号分类方法，包括步骤一：使用脑电采集设备采集多被试的运动想象脑电信号；步骤二：对采集的脑电信号进行预处理，包括滤波、去噪和分段；步骤三：构建基于CNN‑Transformer的混合专家模型，步骤四：训练混合专家模型；步骤五：对目标被试的脑电信号进行分类预测。本发明专利技术通过结合CNN与Transformer的优势，并引入动态路由的混合专家机制，显著提升了模型在跨被试场景下的分类性能和泛化能力。

【技术实现步骤摘要】

本专利技术涉及一种抗个体差异的动态加权脑电信号分类方法，适用于跨被试运动想象脑电信号(mi-eeg)的分类任务，属于脑机接口(bci)。

技术介绍

1、脑机接口(bci)技术通过解码大脑电信号实现人机交互，其中运动想象(motorimagery,mi)脑电信号(eeg)的分类是关键挑战。传统方法主要依赖卷积神经网络(cnn)提取局部时空特征，如eegnet和scn等模型，通过多分支结构增强跨被试泛化能力。然而，cnn的局部感受野特性使其难以有效捕捉eeg信号中的长程时序依赖关系，导致模型在复杂脑电模式下的分类性能受限。此外，eeg数据通常样本量有限且个体差异显著，传统方法容易过拟合于源域数据，难以适应新被试的分布变化。

2、近年来，transformer模型因其全局注意力机制在时序数据处理中展现出优势，被逐步引入eeg解码任务。然而，直接应用标准transformer面临两大挑战：一是eeg数据规模较小，模型易过拟合；二是跨被试场景下，单一transformer结构难以动态适应不同被试的脑电特征分布。混合专家模型(mixture ofexper本文档来自技高网...

【技术保护点】

1.一种抗个体差异的动态加权脑电信号分类方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种抗个体差异的动态加权脑电信号分类方法，其特征在于：所述步骤三具体包括：

3.根据权利要求2所述的一种抗个体差异的动态加权脑电信号分类方法，其特征在于：所述三种不同类型的卷积具体包括：

4.根据权利要求2所述的一种抗个体差异的动态加权脑电信号分类方法，其特征在于：所述MoE模块由以下两个主要部分构成：

【技术特征摘要】

1.一种抗个体差异的动态加权脑电信号分类方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种抗个体差异的动态加权脑电信号分类方法，其特征在于：所述步骤三具体包括：

3.根据权利要求2所述...

【专利技术属性】
技术研发人员：佘青山，马玉良，孙明旭，
申请(专利权)人：康跃科技嘉兴有限公司，
类型：发明
国别省市：