[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

说明书

本发明公开了一种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，属于脑机接口领域，本发明要解决的技术问题为如何在训练数据不足的情况下，利用迁移学习构建训练模型，有效地提取脑电信号特征并实现高效的模式分类，采用的技术方案为：该方法具体如下：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，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。该系统包括采集及预处理模块、特征提取及分类模块和分类性能评估模块。

技术领域

本发明涉及脑机接口领域，具体地说是一种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。

背景技术

脑卒中是一种急性脑血管疾病，同时也是一种严重威胁人类的常见病，具有高患病率，高致残率和高死亡率等特点。我国心血管疾病患者病死率呈现上升趋势,心血管病负担日渐加重，已成为重大的公共卫生问题。目前我国心血管疾病患者高达2.9亿，其中脑卒中患者1300万。脑卒中患者日常生活能力差，给家庭和社会带来了沉重的经济负担。越来越多的脑卒中患者迫切希望接受康复治疗，以重获肢体运动功能。针对运动功能障碍的脑卒中患者，可以通过基于BCI(Brain-Computer Interface,BCI)系统的运动想象(MotorImagery，MI)疗法来反复刺激受损运动皮层部分，重新激活受损周围运动神经细胞，恢复患者的运动能力。

BCI系统是通过信号采集设备从大脑皮层采集脑电信号，经过放大、滤波、模/数转换等处理转换为可以被计算机识别的信号，然后对信号进行预处理，提取特征信号，再利用这些特征进行模式识别，最后转化为控制外部设备的具体指令，实现对外部设备的控制。

针对脑电信号采集方式不同，BCI系统分为侵入式和非侵入式。侵入式方法是将电极放置于脑皮层下，该方法采集的脑电信号具有较高的信噪比，缺点是无法保证脑内的电极长时期地保持结构和功能的稳定，而且将电极植入脑皮层内存在安全隐患。非侵入式方法采集的是头皮表面的脑电信号，通过将电极贴附在头皮上，就可直接获得人大脑活动产生的脑电信号，易采集、无创性等特点使之成为BCI技术研究的主要方向。基于MI的BCI系统是通过MI激发大脑运动皮层感知运动节律变化，从而实现对外部设备的通信和控制。

随着深度学习的迅速发展，基于深度学习网络的脑电信号特征提取和分类识别方法得到广泛关注。理论上深度学习可以实现脑电图(Electrocoticogr aphy,EEG)更有效的特征提取和精度更高的模式分类，但实际中，由于脑卒中患者状态差,患病情况复杂，导致EEG数据采集和标注成本高，构建大规模的数据集非常困难，这限制了深度学习方法在基于脑卒中患者的运动想象BCI系统的发展。

针对脑卒中患者进行包含运动想象的脑电信号采集，存在患者坚持时间短，想象动作不到位，导致包含MI的EEG数据存在数据稀缺，信噪比较低并且分类识别困难等特点，目前解决数据稀缺性的方法有传统半监督学习、协同训练、主动学习等，但这些方法对于数据量要求高，故如何在训练数据不足的情况下，利用迁移学习构建训练模型，有效地提取脑电信号特征并实现高效的模式分类是目前亟待解决的技术问题。

发明内容

本发明的技术任务是提供一种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，来解决如何在训练数据不足的情况下，利用迁移学习构建训练模型，有效地提取脑电信号特征并实现高效的模式分类的问题。

本发明的技术任务是按以下方式实现的，一种基于迁移学习的脑卒中患者运动想象任务识别方法，该方法是将EEGNet框架与迁移学习中的Finetune(微调)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：