[发明专利]融合可视图与深度学习的运动想象意念控制方法及应用

摘要

一种融合可视图与深度学习的运动想象意念控制方法及应用，获取运动想象EEG脑电信号并进行预处理；对预处理后的运动想象EEG脑电信号采用可视图理论构建可视图复杂网络，得到大脑多层复杂网络；对于每一个可视图复杂网络，分别提取网络指标数据；对于任一被试者在每一个运动场景下的大脑多层复杂网络，获得所述各个网络指标数据，组成一维序列，并构建样本集，搭建初始深度卷积神经网络模型，使用样本集对初始深度卷积神经网络模型进行有监督的训练，得到能够用于运动想象EEG脑电信号有效分类、辨识的深度卷积神经网络模型及参数。本发明能够实现对运动想象EEG脑电信号的有效辨识和进行正确分类，并转化为脑控指令，实现对机械外骨骼的控制。

主权项

1.一种融合可视图与深度学习的运动想象意念控制方法，其特征在于，使用虚拟现实技术生成不同运动场景，被试者通过虚拟现实设备观察不同运动场景的同时，想象相应的具体动作，诱发运动想象EEG脑电信号，通过脑电采集设备实现采集，而后结合可视图复杂网络和深度卷积神经网络模型，实现对运动想象EEG脑电信号的有效辨识以及分类，以分类结果为基础，生成相应的控制指令，控制机械外骨骼实现多自由度运动，辅助被试者完成各种运动；具体包括如下步骤：1)获取运动想象EEG脑电信号并对运动想象EEG脑电信号进行预处理；2)对预处理后的运动想象EEG脑电信号其中，L为每个信号的数据长度，X_c,g表示第c个电极采集的信号中第g个数值，采用可视图理论构建可视图复杂网络A^c，得到大脑多层复杂网络；3)对于每一个可视图复杂网络Ac，分别提取网络指标数据，所述的网络指标数据包括：网络平均节点度、网络平均节点介数、网络平均聚集系数、网络全局聚集系数、网络聚集系数熵和网络平均最短路径；4)对于任一被试者在每一个运动场景下的大脑多层复杂网络，获得各个所述网络指标数据，组成一维序列，通过运动场景编号为该一维序列设定标签，构建样本集，搭建初始深度卷积神经网络模型，使用样本集对初始深度卷积神经网络模型进行有监督的训练，得到能够用于运动想象EEG脑电信号有效分类、辨识的深度卷积神经网络模型及参数，其中，所述样本集中的每一个样本由各个网络指标数据组成的一维序列以及相应的标签构成。