[发明专利]基于多分支不同深度卷积网络的运动想象脑电信号分类方法

说明书

本发明涉及运动想象脑机接口领域，尤其涉及一种基于多分支不同深度卷积网络的运动想象脑电信号分类方法，该方法包括获取脑电信号，并对所述脑电信号进行预处理，以将所述脑电信号包含的伪迹数据进行剔除，形成待输入脑电信号；将所述脑电信号输入至预先构建的网络模型进行处理；其中，所述网络模型包括MBMD模块，用以从所述待输入脑电信号中提取多个卷积深度不同的特征信号，并将多个特征信号进行拼接，以获取全面特征信号，并根据所述全面特征信号确定脑电信号的输出类别。本发明通过使用不同深度的卷积获得不同抽象程度的特征，进行合并之后可以获得更全面和丰富的特征信号表示，进而使得脑电信号的输出类别更为精细化。

技术领域

本发明涉及运动想象脑机领域，尤其涉及一种基于多分支不同深度卷积网络的运动想象脑电信号分类方法。

背景技术

在脑-机接口（Brain-computer interfaces , BCI）旨在通过解码人的神经元活动，实现人与外部设备直接通信。脑-机接口被认为既是神经修复最有效的工具，此外它还能给残障人士提供一种与外界互动的重要工具，帮助他们恢复或部分恢复肢体运动功能。

脑电信号（Electroencephalography, EEG）具有良好的时间和空间分辨率使其成为脑-机接口系统中记录大脑数据最广泛使用的信号。运动想象（Motor Imagery ,MI）是脑电信号的一种主要形式。基于运动想象的脑-机接口更能展示受试者自发的运动意愿，而不是接受外界刺激后再被动做出反应。

然而，当前大多数MI-BCI系统仅能实现不同肢体（例如左手和右手）的控制输出，难以满足对同一肢体不同关节（例如大拇指和小拇指）的精细化控制需求。而且一般的MI-BCI系统难以提供真实反映使用者运动意图的反馈，不利于运动区神经可塑性诱导康复。

发明内容

为此，本发明提供一种基于多分支不同深度卷积网络的运动想象脑电信号分类方法，可以解决对于使用者运动意图识别不够精细的问题。

为实现上述目的，本发明提供一种基于多分支不同深度卷积网络的运动想象脑电信号分类方法，包括：

获取脑电信号，并对所述脑电信号进行预处理，以将所述脑电信号包含的伪迹数据进行剔除，形成待输入脑电信号；

将所述脑电信号输入至预先构建的网络模型进行处理，以实现对所述脑电信号中的时间特征和空间特征进行挖掘并在全连通层实现对所述脑电信号的输出类别的确定；

其中，所述网络模型包括MBMD模块，用以从所述待输入脑电信号中提取多个卷积深度不同的特征信号，并将多个特征信号进行拼接，以获取全面特征信号，并根据所述全面特征信号确定脑电信号的输出类别。

进一步地，所述MBMD模块包括第一分支、第二分支和第三分支；

每个分支都包含时间卷积、空间卷积和平均池化层；其中，时间卷积核的大小分别设置为()、()和()，、和分别是脑电信号采样频率的十六分之一、八分之一和四分之一，以提取分别对应于16赫兹、8赫兹和4赫兹以上频率特征的信号；

空间卷积核的大小均为(C,1)，其中C是电极导联数；

平均池化层的池化核大小均为(1×P1)；

在三个分支并行计算之后，进行通道维度的拼接，获得抽象层次不同及全面的特征，最后进行一个大小为（1,P2）的平均池化层。

进一步地，第一分支有两层卷积，表示为，第二分支有三层卷积，表示为，第三分支有四层卷积，表示为，P1取值为8，P2取值为4。

进一步地， 所述网络模型还包括AT-TC模块、降维块和分类块；

所述AT-TC模块包括第一模块和第二模块组成；

其中，所述第一模块为多头注意力块，对重要的时序信息进行加权；

所述第二模块为时间卷积块，包括四个残差块，膨胀基数设置为2，每个残差块里有两层卷积层，卷积核的大小设置为1×5；