[发明专利]一种基于特征融合和注意力机制的脑电信号分类识别方法

说明书

一种基于特征融合和注意力机制的脑电信号分类识别方法属于计算机软件领域，针对现有脑机接口系统中采集的脑电信号信噪比低的问题。首先，使用具有不同卷积核大小的过滤器对脑电信号进行处理，使得深度学习网络可以学习到不同大小感受野的特征，以提高网络对于高噪声中有效信息的获取。同时，采用注意力机制对融合后的特征进行权重分配，以加强对高价值特征的选择，从而抑制其他噪声信息，以用来克服脑电信号具有的信噪比低的特点。本发明可以有效地提高对脑电信号的识别和分类性能，提升脑机接口系统的效率。

技术领域

本发明属于计算机软件领域，尤其涉及一种基于特征融合和注意力机制的脑电信号分类识别方法。

背景技术

脑机接口(Brain Computer Interface,BCI)技术形成于20世纪70年代，是一种涉及神经科学、信号检测、信号处理、模式识别等多学科的交叉技术。20多年来，随着人们对神经系统功能认识的提高和计算机技术的发展，BCI技术的研究呈明显的上升趋势，特别是1999年和2002年两次BCI国际会议的召开为BCI技术的发展指明了方向.目前，BCI技术已引起国际上众多学科科技工作者的普遍关注，成为生物医学工程、计算机技术、通信等领域一个新的研究热点。作为一种连接大脑和外部设备的实时通信系统，BCI系统可以把大脑发出的信息直接转换成能够驱动外部设备的命令，并代替人的肢体或语言器官实现人与外界的交流以及对外部环境的控制。换言之，BCI系统可以代替正常外围神经和肌肉组织，实现人与计算机之间、人与外部环境之间的通信。

如今，数百万的患者患有运动障碍，包括肌萎缩性侧索硬化症(ALS)、中风、脑瘫或脊髓损伤，所有这些都被称为闭锁综合征(LIS)。保持沟通能力是改善这些患者生活质量的重要因素，但这些患者通常会严重或完全瘫痪，并且几乎无法产生与他人交流的信号。脑机接口可以绕过正常的神经肌肉通路，直接将记录在头皮上的大脑活动转换为控制命令，从而使行动不便的患者可以将其思想和意图传达给外界。近几十年来，在这一领域取得了重大进展，特别是在非侵入性脑机接口方面。

目前已经开发出多种脑机接口应用，例如拼写、环境控制、神经假肢控制、轮椅控制等。医学级别的脑机接口通常用于帮助认知或感觉运动功能受损的患者。同时，越来越多的脑机接口技术被应用在患有多动症、焦虑、恐惧、抑郁和其他常见心理疾病的神经治疗应用中。在心理学和行为研究中，使用便携式EEG设备记录现实环境中的大脑活动具有巨大潜力。

然而，由于脑电信号具有非线性、非平稳、随机性强的特点，因此对其进行信号分析处理具有一定的难度。在BCI系统中，提升系统能力的重点就在脑电信号的特征提取和分类方法的选择方法上。近年来，随着机器学习方法在计算机视觉、自然语言处理方面的大范围应用和取得的良好的效果，基于机器学习的方法也被引入实现脑电信号的处理。尽管此类方法大大提高了脑机接口系统的信息传输能力，但是还远未达到患者可以如正常人交流的水平。

综上，本发明针对现有脑机接口系统中采集的脑电信号信噪比低的问题，提出了一种基于特征融合和注意力机制的脑电信号分类识别方法。首先，使用具有不同卷积核大小的过滤器对脑电信号进行处理，使得深度学习网络可以学习到不同大小感受野的特征，以提高网络对于高噪声中有效信息的获取。同时，采用注意力机制对融合后的特征进行权重分配，以加强对高价值特征的选择，从而抑制其他噪声信息，以用来克服脑电信号具有的信噪比低的特点。本发明可以有效地提高对脑电信号的识别和分类性能，提升脑机接口系统的效率。

发明内容

本发明提出了一种特征融合和基于注意力机制的脑电信号分类识别方法，该方法不仅可以有效提高脑电信号分类的准确率，而且能够提升分类网络的训练速度，最终提高脑机接口系统的运行效率。

本方法确定最终方案如下：