[发明专利]基于迁移学习的脑卒中患者运动想象任务识别方法及系统

权利要求书

1.一种基于迁移学习的脑卒中患者运动想象任务识别方法，其特征在于，该方法是将EEGNet框架与迁移学习中的Finetune技术进行结合,实现脑卒中患者运动想象任务分类识别，有效地提取脑电信号特征并实现高效的模式分类；具体如下：

采集及预处理脑电信号：采集脑卒中患者的包含MI的脑电信号，脑电信号的信息包括受试者的数据以及对应的类别标签，并将脑电信号分成测试集和训练集；同时对脑电信号进行预处理；

特征提取和分类：使用EEGNet模型与迁移学习中的Finetune技术进行结合对预处理后的脑电信号进行特征提取和分类；

评估分类性能：将测试集输入到各个模型，对比各个模型在受试者内部的分类准确率，评估出各个模型的分类性能。

2.根据权利要求1所述的基于迁移学习的脑卒中患者运动想象任务识别方法，其特征在于，所述预处理包括降采样和滤波处理。

3.根据权利要求1或2所述的基于迁移学习的脑卒中患者运动想象任务识别方法，其特征在于，所述EEGNet模型具体如下：

在输入层和模块一中：从输入层开始，使用大小为(C，1)进行卷积，卷积用于减少要拟合的可训练参数的数量，且部分卷积层连接到先前的特征图；采用Dropout技术进行规范化建模；

在模块二中：使用大小为(2，32)的深度卷积以及内核大小为(2，2)进行最大池化处理；

在模块三中：采用大小为(8，4)的深度卷积来执行卷积，再选择同样大小为(2，2)进行池化；模块二和模块三种的深度卷积作用是减少用于拟合的参数数量，并且能够很好地了解每个特征图的内核，同时最大池化层用于减少尺寸大小；

在分类块中：特征直接传递到具有N个单位的softmax分类中；其中，N是数据中的类数。

4.根据权利要求3所述的基于迁移学习的脑卒中患者运动想象任务识别方法，其特征在于，所述迁移学习中的Finetune技术具体如下：

修改网络最后一层的输出类别，并加快最后一层的参数学习速率，具体如下：

修改原有网络的最后一层全连接层，修改的方式将前面各层均冻结参数，删除原有网络softmax层的类别A，换成需要分类的参数N进行更新；

载入EEGNet模型已有参数，根据自己的数据对模型进行训练；

Finetune成功后，再选择打开所有层进行小步长参数更新；

对于模型的学习速率微调；

调整模型的配置参数，通常学习速率和步长，减少迭代次数，具体如下：在进行Finetune时冻结其它卷积层的参数，缓慢地改变池化层的内核大小通过反复训练观察准确率是否得到提高，最后将池化层大小减少为原来的1/2时，得到的准确率效果是最优的；

启动训练，并加载预训练模型的参数。

5.根据权利要求4所述的基于迁移学习的脑卒中患者运动想象任务识别方法，其特征在于，所述评估分类性能具体如下：

将训练集数据输入选择的EEGNet模型和CNN模型中，通过网络不断迭代训练，调整网络参数，最终得到一个训练好的网络模型；

训练好相应的模型后，将测试集输入模型中得到运动想象任务的最终的分类准确率，进而评估该模型的分类性能；

通过预测出的测试集标签与真实的标签进行比较，得到测试的分类正确率。

6.一种基于迁移学习的脑卒中患者运动想象任务识别系统，其特征在于，该系统包括，

采集及预处理模块，用于采集脑卒中患者的包含MI的脑电信号，脑电信号的信息包括受试者的数据以及对应的类别标签，并将脑电信号分成测试集和训练集；同时对脑电信号进行预处理；其中，预处理包括降采样和滤波处理；

特征提取及分类模块，用于使用EEGNet模型与迁移学习中的Finetune技术进行结合对预处理后的脑电信号进行特征提取和分类；

分类性能评估模块，用于将测试集输入到各个模型，对比各个模型在受试者内部的分类准确率，评估出各个模型的分类性能。