[发明专利]一种基于多头注意力的多维运动想象脑电信号分类方法

权利要求书

1.一种基于多头注意力的多维运动想象脑电信号分类方法，其特征在于，所述基于多头注意力的多维运动想象脑电信号分类方法包括：

Step1：时频特征提取模块，用以对输入原始运动想象脑电信号进行时域和频域特征的提取，所述时频特征提取模块的输出是提取后的时域和频域特征；

Step2：空间特征提取模块，用以对输入原始运动想象脑电信号进行空间域特征提取，所述空间特征提取模块的输出是提取后的空间特征；

Step3：维度变换模块，对原始运动想象脑电信号进行维度变换，所述维度变换模块的输出是原始运动想象脑电信号的高维表征；

Step4：残差模块，所述残差模块的输入是Step1、Step2、Step3输出的特征，所述残差模块的输出是强调了时频特征和空间特征并包含原始运动想象脑电信息的多维运动想象脑电信号；

Step5：多头注意力模块，对Step4输出的多维运动想象脑电信号进行多头注意力计算，所述多头注意力模块的输出是包含不同依赖关系的多维特征；

Step6：分类模块，所述分类模块的输入为Step5所得的多维特征，所述分类模块的输出为运动想象分类结果。

2.根据权利要求1所述的基于多头注意力的多维运动想象脑电信号分类方法，其特征在于，所述的时频特征提取模块包括：使用短时傅里叶变换对所述输入原始运动想象脑电信号进行时频变换，得到运动想象脑电信号的时频特征，短时傅里叶变换定义为：

    (1)

其中为在时刻的运动想象脑电信号，为整段运动想象脑电信号的时频特征；为短时傅里叶变换的分析窗函数，本发明选用高斯窗函数其定义如下：

    (2)

其中M表示窗函数的有效长度，本发明取50；β是一个大于0的常数，本发明取1。

3.根据权利要求1所述的基于多头注意力的多维运动想象脑电信号分类方法，其特征在于，所述的空间特征提取模块采用CNN卷积神经网络实现对空间特征的提取，空间特征提取模块的输出为原始运动想象脑电信号的空间特征，其CNN卷积神经网络定义为：

    (3)

其中为卷积核的值，为原始运动想象脑电信号；其中为经过跨通道卷积操作后的运动想象脑电信号的空间特征。

4.根据权利要求1所述的基于多头注意力的多维运动想象脑电信号分类方法，其特征在于，所述维度变换模块采用AE自编码器来进行运动想象脑电信号的维度变换，所述维度变换模块的输出为原始运动想象脑电信号的高维表征。

5.根据权利要求1所述的基于多头注意力的多维运动想象脑电信号分类方法，其特征在于，所述残差模块的输入为上述时频特征、空间特征和原始运动想象脑电信号的高维表征，所述残差模块的输出为输入在特征维度进行拼接的多维运动想象脑电信号。

6.根据权利要求1所述的基于多头注意力的多维运动想象脑电信号分类方法，其特征在于，所述的多头注意力模块采用多头注意力机制，通过不同的角度来进行特征的抽取，具体公式如下所示：

    (4)

    (5)

    (6)

其中attention(Q,K,V)是输入QKV的加权表示，其中查询矩阵Q、键矩阵K和值矩阵V为对应的查询向量、键向量和值向量打包而成，作为多头注意力模块的输入；W^Q，W^K，W^V是三个可训练的参数矩阵；h_i为第i个头的输出状态；缩放因子d_k取768；n为多头注意力头的个数，本发明选用8头；H为8个头输出状态的拼接。

7.根据权利要求1所述的基于多头注意力的多维运动想象脑电信号分类方法，其特征在于，所述的分类模块包括两层全连接层并采用交叉熵损失函数对模型进行损失的计算，优化器选择Adam；参数设置为：迭代次数为300，批量大小为128，学习率固定为0.0003。