一种利用多分支特征提取的运动想象分类方法技术

本发明专利技术提供了一种利用多分支特征提取的运动想象分类方法，包括以下步骤：S1：原始EEG信号获取；S2：EEG信号预处理衡；S3：空间特征提取；S4：频率特征提取；S5：时间特征提取；S6：加权融合S3、S4和S5过程中提取的特征，利用融合后的特征采用softmax进行EEG信号分类，根据softmax输出的各参数的大小，选取最大的参数所对应的类别，该类别就是最终的分类结果；本发明专利技术解决了现有技术中存在的脑电信号分类精度低的问题。度低的问题。度低的问题。

【技术实现步骤摘要】
一种利用多分支特征提取的运动想象分类方法


[0001]本专利技术属于脑电信号处理
，特别是涉及一种利用多分支特征提取的运动想象分类方法。

技术介绍

[0002]作为人体的中心枢纽，大脑控制着人的思想、动作、情感等一系列活动，人的一切行为都是由大脑发出指令来完成的，大脑是人体名副其实的“指挥中心”。然而近年来由于各种意外事件的发生，有越来越多的人身患癫痫和渐冻症等疾病，这些患者的大脑能够正常的运转,但是他们丧失了肢体运动的能力,无法将大脑传递而来的信号进行正确的表达。伟大的物理学家霍金就是这些患者中的一员，他在21岁时患上了肌肉萎缩性侧所硬化症，全身瘫痪，不能言语，无法完成正常的行为活动。
[0003]渐冻症已经变成危害人类生命健康的一个严重疾病，该疾病属于世界罕见病，目前还无法根治，并且患者的存活时间往往不到5年。大脑清醒，肢体却无法进行活动，这对患者而言非常残酷。近些年随着科技和医疗水平的发展，如何帮助这些大脑正常肢体失常的人与外界进行交流也成为越来越多研究者关注的问题，他们将目光投向脑科学领域，尝试帮助那些患者构建一条通道，将他们脑中的所思所想成功地表达出来，脑机接口(Brain
‑
Computer Interface，BCI)技术也正是在这样的背景下出现了。
[0004][0005]脑机接口是一种人机交互技术，它可以在人类大脑和外部设备之间建立直接连接通路，通过对大脑神经元活动进行解码，将解码后的命令传达给外部机器，从而允许人们通过大脑就可以操纵外部机器设备或者与外界进行交流。
[0006]自20世纪20年代末，德国生理与精神病学家HansBerger首次从人的大脑头皮采集到脑电信号(Electroencephalography,EEG),并且发现了8
‑
12Hz的 Alpha波，这为脑机接口技术的未来发展打下了坚实基础。1973年，JacquesVida1发表出第一篇基于脑电信号的脑机接口文章，详细阐述了脑机接口的使用平台和处理脑电信号的方法。至此，掀开了脑机接口的研究浪潮。随着近几十年来计算机技术的提升，各类机器学习、深度学习等人工智能算法层出不穷，大大提升了对脑电信号解码的准确率，使得脑机接口技术得到了飞速发展。
[0007]随着脑机接口技术被广泛研究，逐渐分为了运动想象、情绪识别、睡眠分期等不同应用的研究方向。其中，运动想象作为脑机接口技术的重要应用之一，引起了社会上极大的关注。运动想象是指与人体运动有关特异性行为在大脑的实现，但并不伴有实际的身体运动。
[0008]随着人工智能算法的飞速进步和智慧医疗的快速发展，对于脑机接口的研究越发受到重视，基于运动想象的脑机接口作为实际生活中极其重要的一个应用，对其分类模型的研究有着非常高的理论价值和实践意义。尽管脑机接口技术较诞生之初已经有了非常显著的进步，也完成了很多令人赞叹的创举，但许多研究还都处于实验阶段，真正能被用于实际生活的只是少数，想要让脑机接口真正实现商业化还需要走很长的路。目前阻碍脑机接
口发展的主要原因是脑电信号分类精度较低，而脑电信号分类精度的提升又受到许多问题的制约：
[0009](1)数据集样本量少
[0010]虽然相对于侵入式脑电信号而言，非侵入式脑电信号的采集更为便捷,但其仍需要按照一定的规范，利用专业的设备来完成。现阶段大多数研究使用的数据集都是往届BCI竞赛中的数据集，虽然数据集质量较好，但是样本量往往较少。而对于深度学习而言，深层的神经网络需要大量数据训练才能达到更好的效果，目前已有数据集的样本量大都无法满足。因此，当越来越多的研究人员选择利用深度学习来处理脑电信号时，如何解决样本量不足的问题需要进一步的研究。
[0011](2)空间特征信息丢失
[0012]脑电信号数据本质上是一种时间序列数据，现阶段大多数研究能够对数据本. 身的时间特征信息进行有效的提取。然而，由于脑电信号采集电极空间分布规整, 各电极通道之间的位置关系明确，脑电信号数据本身还具有大量空间特征信息，越来越多的研究证明这些空间特征信息同样会对信号最终的分类结果产生影响。不同运动想象的脑电信号在时域、频域和空间域上存在显著差异,并且脑电信号在各维度中所携带的信息并非同等重要。在提取特征信息的同时，采用合适的算法提取出合适的时间域、频域和空间域特征信息是需要解决的一个问题。
[0013](3)计算量和时间开销大
[0014]运动想象的模型部署在实际中需要实时的进行运算，而且多通道的运动想象分类需要一段连续的时间片段信号，进一步提高了模型的运算量。所以非同等重要。此外,基于深度网络的分类模型在识别脑电信号时需要大量的内存、计算量和时间开销，无法部署到有限计算能力的移动医疗设备中。

技术实现思路

[0015]本专利技术实施例的目的在于提供一种利用多分支特征提取的运动想象分类方法，以解决现有技术中存在的脑电信号分类精度低的问题。
[0016]为解决上述技术问题，本专利技术所采用的技术方案是，一种利用多分支特征提取的运动想象分类方法，包括以下步骤：
[0017]S1：原始EEG信号获取，从公开运动想象数据库中收集原始的EEG信号；
[0018]S2：EEG信号预处理：将原始的EEG信号划分为训练集、验证集和测试集；对训练集的EEG信号进行等值分段处理，将分段后的EEG信号拼接滑动扩增使得EEG信号由类别不平衡到类别平衡；
[0019]S3：将S2过程中滑动扩增后的EEG信号进行特征提取，得到空间特征；
[0020]S4：将S2过程中滑动扩增后的EEG信号进行分段处理后，输入一种三层的频率特征提取分支模型，用于提取EEG信号中包含的频率特征；
[0021]S5：对S2过程中滑动扩增后的EEG信号提取时间特征；
[0022]S6：加权融合S3、S4和S5过程中提取的特征，利用融合后的特征采用softmax 进行EEG信号分类，根据softmax输出的各参数的大小，选取最大的参数所对应的类别，该类别就是最终的分类结果；
[0023]S7：将验证集输入模型中，将验证集的损失作为模型参数更新的标准，当验证集损失减小时，更新模型的参数；最后用测试集的准确率来作为评估。
[0024]进一步地，所述S2中滑动扩增具体为：将EEG信号的每一条类别数据的每一个通道平均切成三分，分别标号a，b，c；然后随机按类别打乱，将a，b，c 按顺序拼接在一起，使数据扩增三倍。
[0025]进一步地，所述S3具体为：
[0026]S31：首先根据EEG信号的采集电极的位置排布，构建出一个适用于EEG 信号的图G：对EEG信号的采集电极的位置进行二维投影，得到每个节点有上、下、左、右、左上、右上、左下、右下共8个自然相邻的节点，将所有采集电极的节点都与其自然相邻节点相连，构成图G；
[0027]S32：将原始EEG信号经空间注意力机制，输出的特征信号结合图G做图卷积神经网络中的图嵌入表示，将特征信号中加入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用多分支特征提取的运动想象分类方法，其特征在于，包括以下步骤：S1：原始EEG信号获取，从公开运动想象数据库中收集原始的EEG信号；S2：EEG信号预处理：将原始的EEG信号划分为训练集、验证集和测试集；对训练集的EEG信号进行等值分段处理，将分段后的EEG信号拼接滑动扩增使得EEG信号由类别不平衡到类别平衡；S3：将S2过程中滑动扩增后的EEG信号进行特征提取，得到空间特征；S4：将S2过程中滑动扩增后的EEG信号进行分段处理后，输入一种三层的频率特征提取分支模型，用于提取EEG信号中包含的频率特征；S5：对S2过程中滑动扩增后的EEG信号提取时间特征；S6：加权融合S3、S4和S5过程中提取的特征，利用融合后的特征采用softmax进行EEG信号分类，根据softmax输出的各参数的大小，选取最大的参数所对应的类别，该类别就是最终的分类结果；S7：将验证集输入模型中，将验证集的损失作为模型参数更新的标准，当验证集损失减小时，更新模型的参数；最后用测试集的准确率来作为评估。2.根据权利要求1所述的一种利用多分支特征提取的运动想象分类方法，其特征在于，所述S2中滑动扩增具体为：将EEG信号的每一条类别数据的每一个通道平均切成三分，分别标号a，b，c；然后随机按类别打乱，将a，b，c按顺序拼接在一起，使数据扩增三倍。3.根据权利要求1所述的一种利用多分支特征提取的运动想象分类方法，其特征在于，所述S3具体为：S31：首先根据EEG信号的采集电极的位置排布，构建出一个适用于EEG信号的图G：对EEG信号的采集电极的位置进行二维投影，得到每个节点有上、下、左、右、左上、右上、左下、右下共8个自然相邻的节点，将所有采集电...

【专利技术属性】
技术研发人员：杨云，张炎，王泽深，林钰尧，
申请(专利权)人：云南大学，
类型：发明
国别省市：