【技术实现步骤摘要】
本专利技术涉及运动意图，具体涉及一种精细动作运动想象脑电信号分类方法及装置。
技术介绍
1、脑机接口(brain-computer interface，简称bci)是在大脑和外部设备之间建立的直接通信和连接的通道，可以通过脑机接口采集脑电信号，也可以通过脑机接口发送生成的控制信号，实现大脑与外部设备之间的信息交互。
2、基于脑电图(electroencephalogram，简称eeg)的运动想象(motor imagery，简称mi)是bci的主要范式之一，它代表的是一种运动意图，对运动行为的心里模拟，而无需进行实际的肌肉动作输出，却能够产生和实际运动相似的大脑激活模式。
3、近年来，为了能更好地反映使用者的真实运动意图，实现对外部设备更加精准的控制，有众多基于神经网络实现脑电信号分类的技术。然而，针对同一肢体不同关节的mi任务，由于其激活的大脑空间区域临近且相对集中，现有的神经网络分类方法难以实现精细运动想象高精度的分类，导致分类结果的准确度不高。
技术实现思路
1、有鉴于此，本专利技术提供了一种精细动作运动想象脑电信号分类方法及装置，以解决现有技术中运动想象脑电信号分类结果精准度不高的问题。
2、第一方面，本专利技术提供了一种精细动作运动想象脑电信号分类方法，该方法包括：
3、获取受试者在进行运动想象时的脑电信号，并对脑电信号进行预处理，获得预处理后的脑电信号；
4、将预处理后的脑电信号分别进行二维线性转换以及三维空间
5、将待输入脑电数据输入至预先建立的并行多尺度混合卷积神经网络模型，以根据线性数据提取时间特征以及全局空间特征、根据空间数据提取时空特征以及局部空间特征，并基于时间特征、全局空间特征、时空特征、局部空间特征确定脑电信号的运动想象类别，其中，并行多尺度混合卷积神经网络模型为二维多尺度分支与三维多尺度分支并行结合的神经网络。
6、提出的精细动作运动想象脑电信号分类方法，采用的二维与三维并行多尺度混合卷积神经网络模型，可以从脑电信号中自使用地提取全局空间特征和局部空间特征并和多尺度时间特征、时空特征进行有效融合，降低个体间差异性的同时，提高了精细动作运动想象脑电信号分类的准确性。
7、在一种可选的实施方式中，并行多尺度混合卷积神经网络模型，包括：多个二维卷积神经网络结构分支，每个二维卷积神经网络结构分支包括时间卷积核、第一空间卷积核；
8、根据线性数据提取时间特征以及全局空间特征，包括：
9、利用每个二维卷积神经网络结构分支中的时间卷积核提取时间特征，其中，每个时间卷积核的尺度基于脑电信号的采样频率设置，且每个时间卷积核的尺度不同；
10、利用每个二维卷积神经网络结构分支中的第一空间卷积核提取全局空间特征，每个第一空间卷积核的尺度为[c,1]，其中c为采集脑电信号的电极通道数。
11、采用多个分支的二维卷积神经网络结构来提取不同尺度的时间特征和全局空间特征，能够有效地捕获整体特征，更有利于精细运动想象任务的分类。
12、在一种可选的实施方式中，并行多尺度混合卷积神经网络模型，还包括：多个三维卷积神经网络结构分支，每个三维卷积神经网络结构分支包括时空卷积核、第二空间卷积核；
13、根据空间数据提取时空特征以及局部空间特征，包括：
14、利用每个三维卷积神经网络结构分支中的时空卷积核提取时空特征，其中，每个时空卷积核的尺度基于脑电信号的采样频率设置，且每个时空卷积核的尺度不同，时空卷积核尺度小于时间卷积核的尺度；
15、利用每个三维卷积神经网络结构分支中的第二空间卷积核提取局部空间特征，每个第二空间卷积核的尺度基于脑电信号的采样频率设置，且每个第二空间卷积核的尺度不同。
16、采用小尺度卷积核来捕获局部和细节信息，更有利于精细运动想象任务的分类。
17、在一种可选的实施方式中，二维卷积神经网络结构分支与三维卷积神经网络结构分支均包括归一化层、激活层以及最大池化层，其中，时间卷积核、第一空间卷积核、归一化层、激活层以及最大池化层依次排列，时空卷积核、第二空间卷积核、归一化层、激活层以及最大池化层依次排列。
18、在利用卷积核提取不同尺度的时间特征、时空特征以及空间特征后，设置归一化层防止训练过程中出现过拟合核梯度消失问题，同时起到加快模型收敛速度的作用。选择激活层，即激活函数增加非线性，减少偏置转移的影响，加快模型的收敛速度。在每一层卷积后还可以采用最大池化层进行特征降维，以去掉冗余信息。
19、在一种可选的实施方式中，基于时间特征、全局空间特征、时空特征、局部空间特征确定脑电信号的运动想象类别，包括：
20、采用通道注意力机制确定每个二维卷积神经网络结构分支中时间特征、全局空间特征以及三维卷积神经网络结构分支中时空特征、局部空间特征的特征权重；其中，通道注意力机制包括：全局平均池化层、全局全连接层、激活函数层；
21、基于确定特征权重后的时间特征、全局空间特征、时空特征、局部空间特征，确定脑电信号的运动想象类别。
22、通道注意力机制可以自适应地调整各个通道间的重要性，从而提高网络模型的特征提取能力，增强有效特征的表征。
23、在一种可选的实施方式中，二维卷积神经网络结构分支为三个，二维卷积神经网络结构分支的时间卷积核的尺度分别为[1,fs/2]、[1,fs/4]和[1,fs/8]，其中，fs为采样频率。
24、在一种可选的实施方式中，三维卷积神经网络结构分支为三个，三维卷积神经网络结构分支的时空卷积核的尺度分别为[3,3,fs/16]、[3,3,fs/32]和[3,3,fs/64]，其中，fs为采样频率；
25、三维卷积神经网络结构分支的第二空间卷积核的尺度分别为[3,3,fs/8]、[3,3,fs/16]和[3,3,fs/32]。
26、第二方面，本专利技术提供了一种精细动作运动想象脑电信号分类装置，装置包括：
27、获取模块，用于获取受试者在进行运动想象时的脑电信号，并对脑电信号进行预处理，获得预处理后的脑电信号；
28、转换模块，用于将预处理后的脑电信号分别进行二维线性转换以及三维空间转换，获得待输入脑电数据，待输入脑电数据包括由二维线性转换获得的线性数据以及由三维空间转换获得的空间数据；线性数据为以脑电信号的采样时间为宽、以电极通道并行排列为长的二维矩阵，电极通道用于采集脑电信号；空间数据为以电极位置的映射平面矩阵为长与宽，以采样时间为深度的三维矩阵；
29、神经网络模块，用于将待输本文档来自技高网...
【技术保护点】
1.一种精细动作运动想象脑电信号分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述并行多尺度混合卷积神经网络模型，包括：多个二维卷积神经网络结构分支，每个所述二维卷积神经网络结构分支包括时间卷积核、第一空间卷积核；
3.根据权利要求2所述的方法，其特征在于，所述并行多尺度混合卷积神经网络模型，还包括：多个三维卷积神经网络结构分支，每个所述三维卷积神经网络结构分支包括时空卷积核、第二空间卷积核；
4.根据权利要求3所述的方法，其特征在于，所述二维卷积神经网络结构分支与所述三维卷积神经网络结构分支均包括归一化层、激活层以及最大池化层，其中，所述时间卷积核、所述第一空间卷积核、所述归一化层、所述激活层以及所述最大池化层依次排列，所述时空卷积核、所述第二空间卷积核、所述归一化层、所述激活层以及所述最大池化层依次排列。
5.根据权利要求4所述的方法，其特征在于，所述基于所述时间特征、所述全局空间特征、所述时空特征、所述局部空间特征确定所述脑电信号的运动想象类别，包括：
6.根据权利要求2所述的方法
7.根据权利要求3所述的方法，其特征在于，所述三维卷积神经网络结构分支为三个，所述三维卷积神经网络结构分支的所述时空卷积核的尺度分别为[3,3,fs/16]、[3,3,fs/32]和[3,3,fs/64]，其中，fs为所述采样频率；
8.一种精细动作运动想象脑电信号分类装置，其特征在于，所述装置包括：
9.一种计算机设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任一项所述的精细动作运动想象脑电信号分类方法。
...【技术特征摘要】
1.一种精细动作运动想象脑电信号分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述并行多尺度混合卷积神经网络模型，包括：多个二维卷积神经网络结构分支，每个所述二维卷积神经网络结构分支包括时间卷积核、第一空间卷积核；
3.根据权利要求2所述的方法，其特征在于，所述并行多尺度混合卷积神经网络模型，还包括：多个三维卷积神经网络结构分支，每个所述三维卷积神经网络结构分支包括时空卷积核、第二空间卷积核；
4.根据权利要求3所述的方法，其特征在于，所述二维卷积神经网络结构分支与所述三维卷积神经网络结构分支均包括归一化层、激活层以及最大池化层，其中，所述时间卷积核、所述第一空间卷积核、所述归一化层、所述激活层以及所述最大池化层依次排列，所述时空卷积核、所述第二空间卷积核、所述归一化层、所述激活层以及所述最大池化层依次排列。
5.根据权利要求4所述的方法，其特征在于，所述基于所述时间特征、所述全局空...
【专利技术属性】
技术研发人员：戴亚康，刘燕，周王成，李晓琳，戴斌，彭博，耿辰，周志勇，
申请(专利权)人：苏州国科康成医疗科技有限公司，
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。