【技术实现步骤摘要】
本专利技术属于计算机应用技术、脑机接口技术、生物医学工程和人工智能。，具体的说，涉及一种具有生理可解释性的运动想象脑电图解码方法。
技术介绍
1、脑机接口(bci)是在人或动物大脑与计算机或其他电子设备之间建立的一种新颖的通信和控制技术，其主要目标是实现大脑与计算机或其他设备之间的无缝通信和交互。在非侵入性bci领域，运动想象(mi)是一个重要的研究领域。在进行肢体动作或运动想象时，相应激活脑区脑电图(eeg)成分会在功率谱密度上产生变化，形成erd/ers现象。这种脑电节律性变化可用于实现bci技术。尽管eeg信号具有便捷和低风险的优势，但也存在一些问题。首先，eeg信号容易受到噪音和生理因素的干扰,从而导致信号质量较差。其次，由于体积传导效应的存在，eeg信号的电位变化是脑内神经元活动相互叠加的总和，而非特定神经元群体的活动。这一效应削弱了颅内神经元活动在头皮空间上的表达能力，从而导致eeg信号的空间分辨率较低，难以实现脑电信号的精准解码。
2、电生理源成像技术(esi)作为一种广泛应用于神经科学研究中的方法，用于推断潜在的脑内神经源的空间分布，旨在提高脑电图(eeg)信号的空间分辨率。然而，在实际应用中，esi方法所带来的通道数量的增加会导致计算量急剧增大。此外，尽管电生理源成像技术提供了宝贵的空间信息，但通常不是用于特征提取的目的。源成像注重脑区活动的空间分布，以深入了解脑功能和连接。相反，特征提取则侧重于从原始信号中提取更具区分性和有意义的信息。在依赖信号处理的特征提取方法中，人们通常使用短时傅里叶变换或小
3、近年来，研究人员已经成功地使用深度学习(dl)来执行自动特征提取和分类任务。深度学习方法能够自适应地学习更复杂的特征，相较于其他技术，它们在脑机接口(mi)解码中表现出更好的性能，有助于提高解码准确度。此外，值得一提的是，由于神经网络模型的训练过程具有黑盒特性，其内部运作机制难以解释和理解。这在生理学上的解释性方面存在一定局限性，而生理学解释性在脑机接口系统中扮演着不可或缺的角色。
4、注意力机制是模拟人脑和人眼的感知机制，能迅速找到最有用的信息，同时忽略其它元素。近年来，注意力机制在图像处理和自然语言处理领域取得了重要突破，随后已用于脑机接口领域的解码任务。许多研究人员尝试使用注意力方法来自适应地增强重要通道的权重。虽然这些方法在mi解码中展现出有希望的结果，但我们也意识到脑电信号本身缺乏大脑深部的空间通道信息，具有低空间分辨率的特点。因此，注意力机制对于空间通道依赖性的提升始终有限，需要进一步改进和研究。
5、因此，由于以上出现的问题，如何设计一种高效且具有生理可解释性的运动想象脑电数据解码系统是非常值得研究的，同时也是本专利技术所要解决的问题。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种具有生理可解释性的运动想象脑电图解码方法；本专利技术引入了一种结合感兴趣区域选择和最大池化降采样的电生理源成像方法，以降低系统的计算复杂度和时间延迟，并且为了从全局层面充分提取源域信号的通道间相互依赖特征和时序特征，设计集成了两种注意力机制的基于通道依赖性注意力分类模型完成特征提取和分类任务。本专利技术提出的方法重点关注脑电图的特征提取和分类，在运动想象脑电分类任务中能取得先进的准确率，同时本专利技术可以通过分析信号通道权重热力图及其对应脑区的映射，从生理学角度阐述注意力机制对于脑电信号通道依赖性的重要意义，具有生理可解释性。
2、本专利技术首先通过最大池化电生理源成像技术，可以在不增加计算复杂度的同时将原始传感器域的脑电信号映射到源域，从而使数据包含潜在的电生理源的空间位置信息。在此基础上，我们使用通道注意力机制自适应地学习源域通道之间的依赖关系，增强重要通道的权重。然后，我们使用多尺度特征提取层捕获多个尺度的脑电信息，从而实现不同频带信息的表征。最后，我们使用时序注意力机制突出时间序列中最有价值的信息并完成分类任务。本专利技术的技术方案具体介绍如下。
3、一种具有生理可解释性的高效运动想象脑电图解码方法，包括以下步骤：
4、(1)对脑电运动想象数据集进行带通滤波和信号平均重参考的预处理；
5、(2)使用公开头部解剖模板建立信号传导模型，通过动态参数统计映射成像dspm方法完成eeg信号从到传感器域到源域的映射；
6、(3)使用感兴趣区域选择和最大池化降采样方法大幅度降低源域通道数；
7、(4)采用滑动窗口将数据划分为时间片后，将其输入到cdanet的分类模型中；其中：所述基于通道依赖性注意力分类模型包括通道依赖模块，inception模块和注意力模块；通道依赖模块采用通道注意力机制自适应地学习源域中通道之间的依赖关系，以增强重要通道的权重，通道依赖模块包含挤压部分和激活部分，挤压部分采用全局平均池化将每个通道的空间特征转换为具有全局的感受野的单一实数，激活部分通过两个全连接层实现，通过学习参数化的映射来调整通道重要性权值；inception模块从不同尺度上提取序列的时间特征，捕获多个尺度的脑电图信息以表示不同的频带，inception模块涵盖了四条并行处理路径，前三个路径采用不同尺度的卷积核，第四条路径包含最大池化层以及用于改变通道数的1×1的卷积层；注意力模块提取上下文关系并捕捉时序强调时间序列中最有价值的信息，注意力模块使用多头注意力机制，对于同样的输入矩阵，引入多组可训练的参数矩阵用于计算不同的q、k、v，以学习到不同的特征和关系，其中，v是表示输入特征的向量，q、k是计算注意力权重的特征向量。
8、本专利技术中，步骤(1)的主要内容涉及脑电运动想象数据集的预处理。在运动想象任务方面，考虑到不同数据集的特点，分别包括四种运动任务。对于bci数据集，这四个运动任务分别是左手、右手、双脚和舌头。而在hgd数据集中，这四个运动想象任务包括左手、右手、双腿和静止。带通滤波的频率范围设定在6到32hz之间。使用带通滤波可以有效去除高频电磁干扰、低频漂移和工频干扰，从而使后续频段划分可以足够平均。此外，采用平均重参考技术可以在一定程度上避免信息丢失。
9、本专利技术中，步骤(2)的具体步骤如下：
10、①通过icbm152公共解剖模板创建三层头部模型及分布式源模型；
11、②接着使用边界元方法bem获得引导场矩阵，该矩阵能定量描述源与头皮电极的映射关系；
12、③最后使用动态参数统计映射方法dspm估计源信号，将信号从头皮传感器空间映射到源空间，从而使数据包含更多潜在的源空间信息。
13、上述步骤①中，在创建分布式源模型过程中，我们均匀划分的源数量是319663个。
14、上述步骤②中，整个流程的映射关系可以表示为公式(1)
15、e＝本文档来自技高网...
【技术保护点】
1.一种具备生理可解释性的运动图像脑电图解码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的运动图像脑电图解码方法，其特征在于，步骤(1)中，脑电图运动想象数据集的任务为四种；预处理包括带通滤波和信号平均重参考，带通滤波的频率范围是6-32Hz。
3.根据权利要求1所述的运动图像脑电图解码方法，其特征在于，步骤(2)的具体步骤如下：
4.根据权利要求3所述的运动图像脑电图解码方法，其特征在于，步骤①中，创建分布式源模型过程中，均匀划分的源数量是319663个。
5.根据权利要求1所述的运动图像脑电图解码方法，其特征在于，步骤(3)的具体步骤如下：
6.根据权利要求5所述的运动图像脑电图解码方法，其特征在于，步骤①中，我们选择每个数据采集电极点周围的80个源作为电极感兴趣区域；BCI数据集的电极感兴趣区域共包括1760个源，HGD数据集的电极感兴趣区域共包括10080个源。
7.根据权利要求1所述的运动图像脑电图解码方法，其特征在于，步骤(4)中，注意力模块使用自注意力机制让机器能够注意到整个输入中每
8.根据权利要求1所述的运动图像脑电图解码方法，其特征在于，步骤(4)中，Inception模块前三条路径的卷积核尺寸分别为1×6、1×12和1×18；注意力模块的注意力头为2。
9.根据权利要求1所述的运动图像脑电图解码方法，其特征在于，基于通道依赖性注意力分类模型在训练过程中，使用Adam作为优化器，激活函数采用Relu和Elu。
10.根据权利要求1所述的运动图像脑电图解码方法，其特征在于，还包括步骤(5)：采用热力图对源通道权重进行可视化，分析信号通道权重热力图及其对应脑区的映射，实现生理解释。
...【技术特征摘要】
1.一种具备生理可解释性的运动图像脑电图解码方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的运动图像脑电图解码方法，其特征在于，步骤(1)中，脑电图运动想象数据集的任务为四种；预处理包括带通滤波和信号平均重参考，带通滤波的频率范围是6-32hz。
3.根据权利要求1所述的运动图像脑电图解码方法，其特征在于，步骤(2)的具体步骤如下：
4.根据权利要求3所述的运动图像脑电图解码方法，其特征在于，步骤①中，创建分布式源模型过程中，均匀划分的源数量是319663个。
5.根据权利要求1所述的运动图像脑电图解码方法，其特征在于，步骤(3)的具体步骤如下：
6.根据权利要求5所述的运动图像脑电图解码方法，其特征在于，步骤①中，我们选择每个数据采集电极点周围的80个源作为电极感兴趣区域；bci数据集的电极感兴趣区域共包括1760个源，hgd数据集的电极感兴趣区域共包括10080个源。
7.根据权利要求1所述的运动图像脑电图解码方法...
【专利技术属性】
技术研发人员：康晓洋，王璐，苏昊龙，王君孔帅，韩加官，王浩然，张立华，
申请(专利权)人：复旦大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。