[发明专利]一种考虑个体差异的跨模式脑电信号识别方法

权利要求书

1.一种考虑个体差异的跨模式脑电信号识别方法，其特征在于具体包括如下步骤：

步骤(1)、脑电信号预处理，并打上被试ID标签以及任务类别标签，构建成数据集；

步骤2、搭建多分支网络MBN；

所述多分支网络模型包括主干网络，分别用于提取背景特征和任务特征的两个分支网络B₁、B₂；以预处理后的脑电信号作为输入，以任务类别标签作为输出；

所述主干网络包括依次级联的四个串联的卷积层、最大池化层、第一全连接层、第一Dropout层、第二全连接层、第二Dropout层、第三全连接层；所述分支网络B₁、B₂采用相同结构，均包括四个串联的卷积层；主干网络和分支网络的前三层卷积层均采用将主干网络和分支网络的同一层卷积层输出的特征向量进行拼接后输入到主干网络的下一层卷积层，主干网络和分支网络的最后一层卷积层采用将主干网络和分支网络的同一层卷积层输出的特征向量进行拼接后输入到主干网络的最大池化层中；

所述分支网络B₁、B₂训练阶段具体如下：

1)构建两个分别用于分类被试ID以及任务类别的分类器C₁、C₂，两个分类器结构相同；并利用数据集进行训练；

每个分类器包括两路分支和相似度计算结果模块，每路分支包括依次级联的四个串联的卷积层，一个最大池化层以及一个全连接层；两路分支输入分别为数据集中的脑电信号对，输出均输入至相似度计算结果模块；相似度计算结果模块通过公式(3)计算两路分支输出向量的特征距离，并根据公式(4)输出分类结果；

其中X′₁、X′₂分别表示脑电信号对X₁、X₂输入对应的分支提取特征后输出特征向量，d(.)为欧几里得距离计算公式；

2)将训练好的两个分类器C₁、C₂中的分支部分去除最大池化层、全连接层，保留四个串联的卷积层，分别作为多分支网络模型中的两个分支网络，即分类器C₁中四个串联的卷积层为分支网络B₁，分类器C₂中四个串联的卷积层为分支网络B₂；

步骤3、利用训练好的多分支网络模型，实现跨模式脑电信号识别。

2.如权利要求1所述的一种考虑个体差异的跨模式脑电信号识别方法，其特征在于步骤(1)具体是：

1-1数据格式的统一

根据采集信号时的电极位置，将通道维度的特征向量格式转化为2D矩阵格式，同时将每个通道的脑电信号划分为5个频段，最终得到大小为H×W×5的3D张量数据的脑电数据；其中H为2D矩阵的高，W为2D矩阵的宽；

所述的5个频段为delta、theta、alpha、beta、gamma；

1-2数据分割及整理

对步骤1-1获得的脑电信号进行切片，以T为时间窗口进行滑窗操作，得到一系列大小为L×H×W×5的脑电信号片段，其中L为数据长度，L＝T×w，w为采样频率；然后将上述切片后的脑电信号片段打上被试ID标签以及任务类别标签，最终构建数据集。

3.如权利要求1所述的一种考虑个体差异的跨模式脑电信号识别方法，其特征在于主干网络和分支网络的四个串联的卷积层中均采用线性整流函数ReLU作为激活函数以及在卷积前对数据进行边缘填充，卷积核的移动步长为1，卷积核的参数分别为：64个5×5卷积核；128个4×4卷积核；256个4×4卷积核；64个1×1卷积核。

4.如权利要求1或3所述的一种考虑个体差异的跨模式脑电信号识别方法，其特征在于主干网络中最大池化层的核大小为2×2，移动步长为2；第一至第二Dropout层的参数均设置为0.5；第一至第三全连接层的神经元个数分别为1024，512和n，其中n为特定任务的分类类别数。