[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

说明书

本发明提供一种基于多头注意力的多维运动想象脑电信号分类方法，属于脑电信号分类领域；通过时频特征提取模块、空间特征提取模块、维度变换模块和残差模块获得多维的运动想象脑电特征，再通过多头注意力模块从不同的角度来获取脑电信号在时空频维度的重要性，最后通过分类模块来对运动想象脑电信号进行分类；通过在公开数据集BCI Competition IV Dataset 2a上进行验证，并与近些年具有良好表现的运动想象脑电信号分类方法进行比较；实验结果表明，本发明有更好的分类性能。

技术领域

本发明涉及脑电信号分类领域，具体为一种基于多头注意力的多维运动想象脑电信号分类方法。

背景技术

脑机接口技术可追溯至20世纪70年代，近些年脑机接口技术及应用也得到了迅速的发展，已经实现将人的意图转化为控制信号，使得残障人士无需任何现实的运动就可以与外界发生交互。关于运动想象的脑电信号开启了一条大脑与外界直接交互的新道路。运动想象脑电信号在军事、医疗、娱乐等领域都拥有巨大的应用价值。

近些年来，关于运动想象脑电信号分类的研究在不断深入，主要分为基于传统的机器学习算法和备受关注的基于深度学习的算法。其中基于传统的机器学习算法首先需对原始的运动想象脑电信号进行信号的预处理，再通过人工的特征提取，最后对特征进行分类。但在信号的预处理过程中往往会损失掉大量的有用信息，在特征提取过程中也需要研究人员有很强的先验知识。而基于深度学习的算法可以自动的提取信号特征并进行分类，且分类的准确度也较机器学习算法有明显提高。

目前基于深度学习的运动想象脑电信号分类的研究仍存在问题。如只通过运动想象脑电信号时频特征来进行分类或只通过运动想象脑电信号的空间特征进行分类，这就导致了对脑电信号的特征参考的不全面，从而导致分类准确率低的问题；同时，在进行时频特征和空间特征的抽取时会或多或少的损失原始信号中的有用信息，这就造成了信息的损失。

为解决上述问题，本发明提出了一种基于多头注意力的多维运动想象脑电信号分类方法，利用公开的脑电信号数据集BCI Competition IV Dataset 2a来进行测试和训练；针对特征参考不全面导致分类准确度低的问题，通过使用时频特征提取模块和空间特征提取模块来对原始运动想象脑电信号进行时频特征和空间特征的提取，解决了特征只包含时频或空间域的问题。针对在进行特征抽取时造成的信息损失问题，提出使用维度变换模块对原始特征进行维度的变换得到原始运动想象脑电信号的高维表征，再通过残差连接将高维表征、时频特征和空间特征进行拼接，解决了信息的损失，提高了分类的准确性。

发明内容

本发明提供了一种基于多头注意力的多维运动想象脑电信号分类方法，以解决上述问题并提高分类准确度。

本发明的技术方案是：一种基于多头注意力的多维运动想象脑电信号分类方法，具体实现方法为：

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。