[发明专利]孪生级联柔性最大网络的多主体运动想象识别模型及方法

说明书

本发明公开的孪生级联柔性最大网络的多主体运动想象识别模型，由第一部分：已训练的CSCNN网络模型及第二部分：复制生成的CSCNN网络模型组成；CSCNN网络包括有基于CNN的特征提取层、主体分类层及运动想象分类层，脑电信号数据输入基于CNN的特征提取层，特征提取层提取的特征输入主体分类层；主体分类层输出结果输入运动想象分类层，而且提取的特征也通过跨层连接输入运动想象分类层；整个CSCNN网络输出由主体分类层输出与运动想象分类层输出两部分联结组成。该模型可以提高卷积神经网络模型在主体间的泛化能力，从而提高多主体运动想象BCI的性能。

技术领域

本发明属于脑机接口技术领域，具体涉及一种孪生级联柔性最大网络的多主体运动想象识别模型，还涉及一种孪生级联柔性最大网络的多主体运动想象识别方法。

背景技术

脑机接口(BCI)是一种测量中枢神经系统活动并将其转换为指令信号输出的系统。这种输出可以替代、恢复、增强、补充或改善中枢神经系统的自然输出。脑电信号(EEG)是一种简单、灵活、无创的大脑监测方法，且对实验环境要求低。基于脑电信号的运动想象(MI)识别是BCI中一个重要且广泛应用的分支。运动想象BCI要求主体在执行特定运动想象任务时采集脑电信号，根据脑电信号对运动想象内容进行识别，然后将识别结果转换为控制外围设备的命令。如何从低信噪比、低空间分辨率的脑电信号中提取有效特征是运动想象识别系统成功的关键。

目前，现有技术主要关注在单主体(主体依赖)系统上，针对特定主体建立模型。然而，单主体BCI系统需要对每个特定主体进行特征提取、参数选择和模型训练。因此，单主体BCI仅适用于目标主体。由于主体间的泛化能力较弱，应用于其他主体会产生不可接受的结果。此外，脑电信号样本量小，极大地限制了单主体BCI的性能。

发明内容

本发明的目的是提供一种孪生级联柔性最大网络的多主体运动想象识别模型，可以提高CNN模型在主体间的泛化能力，从而提高多主体运动想象BCI的性能。

本发明的另一个目的是提供一种孪生级联柔性最大网络的多主体运动想象识别方法。

本发明所采用的技术方案是，孪生级联柔性最大网络的多主体运动想象识别模型，由第一部分：已训练的CSCNN网络模型及第二部分：复制第一部分的已训练CSCNN网络模型组成；

CSCNN网络包括有基于CNN的特征提取层、主体分类层及运动想象分类层，脑电信号数据输入基于CNN的特征提取层，特征提取层提取的特征输入主体分类层；主体分类层输出结果输入运动想象分类层，而且提取的特征也通过跨层连接输入运动想象分类层；整个CSCNN网络输出由主体分类层输出与运动想象分类层输出两部分联结组成。

本发明的特征还在于，

CSCNN网络模型训练阶段的损失函数L(O^p,O^c,Y^p,Y^c)如式(1)所示：

L(O^p,O^c,Y^p,Y^c)＝CE(O^p,Y^p)+W^c·CE(O^c，Y^c)   (1)

式(1)中，O^p，O^c分别为父类分类层(运动想象内容分类)与子类分类层(主体分类)的柔性最大网络输出；Y^p，Y^c分别是父类和子类类别标签的one-hot编码；W^c是子类损失函数的权重；CE(O,Y)是交叉熵函数，如式(2)所示: