【技术实现步骤摘要】
本专利技术涉及运动想象脑电信号处理，具体涉及一种基于运动想象脑电信号的识别方法和系统。
技术介绍
1、随着科技的发展，人工智能和bci技术得到了飞速的发展，利用意念实现对外部设备的控制也成为了科技发展的重点方向。脑机接口(bci)旨在建立一种不依赖大脑外周神经和肌肉等正常输出通道，利用以计算机为主的一系列电子设备实现对大脑的直接通信与控制。运动想象脑电信号(mi-eeg)识别是一项基于脑机接口技术的研究，旨在通过捕捉和分析脑电信号来实现对人体运动想象意图的识别和分类。主要包括脑电信号采集技术、运动想象任务范式设计、特征提取和分类器设计以及实时反馈系统设计。脑电信号采集技术能够将脑电信号转换为数字信号并存储，为后续处理提供基础。运动想象任务范式设计使实验者能够通过特定的任务范式进行运动想象，以获得相应的脑电信号。特征提取和分类器设计则涉及从脑电信号中提取有效特征，并利用机器学习方法进行分类和识别。最后，实时反馈系统的设计使得运动想象脑电信号能够实时识别和控制外部设备，如机器人或假肢。
2、目前，利用mi-eeg信号进行人体运动想象意图识别的方法主要包括mi-eeg信号数据增强、特征提取和分类设计三部分内容。在mi-eeg信号数据增强方面，常见的主要有生成对抗网络(gan)、变分自编码器(vae)、数据重组三种，增强后的数据可以用于提高模型的泛化能力并改善其性能，但仍有较大的提升空间。在mi-eeg信号特征提取方面，常见的运动想象脑电信号特征提取主要包括时域分析、频域分析、时频分析、空间分析四种，但由于mi-eeg具有非
3、综上所述，当前现有技术缺乏更为精准可靠的基于运动想象脑电信号的识别方法。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于运动想象脑电信号的识别方法和系统，解决了上述
技术介绍
中所提出的问题。
3、(二)技术方案
4、本专利技术为了实现上述目的具体采用以下技术方案：
5、一种基于运动想象脑电信号的识别方法，包括：
6、步骤1：获取运动想象脑电mi-eeg信号数据，并对来自多通道的所述mi-eeg信号数据进行预处理，其中，所述mi-eeg信号数据来源于非侵入式穿戴脑电采集设备；
7、步骤2：通过深度卷积生成对抗网络(dcgan)模型对mi-eeg信号数据进行数据增强；
8、步骤3：对mi-eeg信号数据进行时域特征、频域特征和空间特征的提取，并进行特征融合；
9、步骤4：构建残差-多头注意力机制-双向门控循环单元(res-mhsa-bigru)网络模型，将将融合的时域、频域和空域特征输入到res-mhsa-bigru模型得到运动想象的识别结果。
10、进一步地，所述步骤1中对来自多通道的mi-eeg信号数据进行预处理包括：
11、步骤101：使用多级巴特沃斯滤波器对mi-eeg信号数据进行第一滤波处理(高通和低通滤波处理)，以获得运动想象阶段相关范围内的脑电数据(8-30hz)，从而有效消除高频噪声干扰；
12、步骤102：采用凹陷滤波器对所述mi-eeg信号数据进行第二滤波处理以消除工频干扰；
13、步骤103：利用快速独立成分分析法(fastica)对所述mi-eeg信号数据进行处理以消除肌电、眼电、心电等伪迹信号干扰。
14、进一步地，所述步骤2中对mi-eeg信号数据通过深度卷积生成对抗网络(dcgan)模型对mi-eeg信号数据进行数据增强包括：
15、步骤201：构建生成器，将来自已知分布的任意随机数据被提供作为输入以合成地生成真实的数据；
16、步骤202：构建判别器，将真实mi-eeg数据和生成器生成的伪样本数据作为输入，进行判别真假；
17、步骤203：通过优化生成器和判别器损耗来更新生成器的权值，直到达到平衡阶段，其中鉴别器在将生成的输出分类为真实的或虚假时变得混乱，生成器生成的伪样本接近真实数据。
18、进一步地，所述步骤3中对mi-eeg信号数据进行时域特征、频域特征和空间特征的提取，并进行特征融合包括：
19、步骤301：提取mi-eeg信号的能量、方差、均方根等时域特征；
20、步骤302：对mi-eeg信号进行多频段分割处理，并利用welch方法提取的功率谱密度(psd)频域特征；
21、步骤303：利用共同空间模式(fbcsp)算法提取mi-eeg信号的空间特征；
22、步骤304：将提取的时域特征、频域特征和空间特征进行特征拼接融合。
23、进一步地，所述步骤4中构建残差-多头注意力机制-双向门控循环单元(res-msa-bigru)网络模型包括：
24、步骤401：构建残差(res)模块，包含卷积层，激活层，引入“短路”式设计，将前若干层数据的输出直接跳过多层而引入后面数据层的输入部分，缓解信息丢失现象；
25、步骤402：构建多头自注意力机制(msa)模块，并行地使用多个注意力头，同时捕捉不同类型的依赖关系，利用查询、键和值的线性变换计算注意力权重，并通过多头合并生成最终的自注意力表示，从而提高模型对序列数据的建模能力；
26、步骤403：构建双向门控循环单元(bigru)模块。gru只有两个门：一个是将lstm中的输入门与遗忘门合二为一的更新门，控制前面记忆信息能够继续保留到当前时刻的数据量；另一个是重置门，主要控制要遗忘多少过去的信息。bigru由两个方向相反的门控循环单元(gru)组成，分别处理正向和反向的序列信息。每个gru单元都有一个更新门和一个重置门，通过这些门控制信息的流动，从而提高模型对序列中长期依赖关系的建模能力。
27、一种基于运动想象脑电信号的识别方法的识别系统，包括：
28、采集模块，用于获取多通道运动想象脑电mi-eeg信号数据，其中，所述mi-eeg信号数据来源于非侵入式穿戴设备；
29、预处理模块，用于对所述采集的运动想象脑电mi-eeg信号数据进行预处理；
30、数据增强模块，用于对所述预处理后的mi-eeg信号数据通过生成对抗网络(dcgan)模型进行数据增强；
31、特征提取融合模块，用于对所述数据增强后的mi-eeg信号数据进行时域特征、频域特征和空间特征的提取，并进行特征融合；
32、基于res-msa-bigru本文档来自技高网...
【技术保护点】
1.一种基于运动想象脑电信号的识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于运动想象脑电信号的识别方法，其特征在于，所述步骤1中对来自多通道的MI-EEG信号数据进行预处理包括：
3.根据权利要求1所述的一种基于运动想象脑电信号的识别方法，其特征在于，所述步骤2中对MI-EEG信号数据通过深度卷积生成对抗网络(DCGAN)模型对MI-EEG信号数据进行数据增强包括：
4.根据权利要求1所述的一种基于运动想象脑电信号的识别方法，其特征在于，所述步骤3中对MI-EEG信号数据进行时域特征、频域特征和空间特征的提取，并进行特征融合包括：
5.根据权利要求1所述的一种基于运动想象脑电信号的识别方法，其特征在于，所述步骤4中构建残差-多头注意力机制-双向门控循环单元(Res-MSA-BiGRU)网络模型包括：
6.根据权利要求1-5所述的一种基于运动想象脑电信号的识别方法的识别系统，其特征在于，包括：
【技术特征摘要】
1.一种基于运动想象脑电信号的识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于运动想象脑电信号的识别方法，其特征在于，所述步骤1中对来自多通道的mi-eeg信号数据进行预处理包括：
3.根据权利要求1所述的一种基于运动想象脑电信号的识别方法，其特征在于，所述步骤2中对mi-eeg信号数据通过深度卷积生成对抗网络(dcgan)模型对mi-eeg信号数据进行数据增强包括：
4.根据权利要求1...
【专利技术属性】
技术研发人员：白端元，张永恒，张东，石英杰，吴婷益，袁琪玥，李瑞哲，
申请(专利权)人：长春理工大学，
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。