一种轻量化的运动想象脑电信号分类方法

本发明涉及一种轻量化的运动想象脑电信号分类方法。

背景技术：

1、脑机接口是一种直接利用大脑的神经活动来控制电子外设进行交互的新型通信方式。脑机接口技术发展的最初目标是帮助神经永久性损伤的患者恢复部分运动功能或与外界正常沟通交流的能力，包括对义肢、轮椅、键盘等辅助设备的控制[1]。如今，随着智能计算、可穿戴电子产品的普及，脑机接口技术不仅在康复医疗领域受到广泛关注，也正逐步加快在教育、游戏娱乐、增强现实等领域的产品落地[2]。

2、目前，脑机接口系统的主流产品都是基于脑电图的。脑电图是一种非侵入的采集方式，其无创的优点使其被技术人员长期关注，它通过可穿戴的电极帽中的传感器获取大脑皮层神经元产生的电信号。采集到的脑电信号再经过信号处理、特征提取、模式识别、反馈控制等环节，共同完成用户意图的解码。其中，信号处理、特征提取与模式识别关键技术环节。而脑电信号又属于非平稳信号，采集过程中易受噪声干扰等影响，对解码方法提出了不小的挑战。

3、在基于脑电信号的脑机接口中，运动想象脑电信号的解码是最常见的一种。现有的基于卷积神经网络的运动想象脑电信号分类模型中，一类是结合了传统时频变换方法，将低信噪比的脑电信号变换为较高质量的时频图像，更好地发挥经典卷积神经网络的优势[3]；另一类是使用原始时间序列做输入，直接让网络自主学习有效的特征，实现运动想象的端到端分类识别[4]。为了得到更高的分类准确率，模型的深度与宽度正变得越来越大，但训练起来就更加困难[5]，需要更多的样本数据，这与运动想象数据集样本数量通常较小的特点相矛盾。

4、参考文献

5、[1]saha p,abdul-mageed m,&fels s.(2019).deep learning the eegmanifold for phonological categorization from active thoughts.2019ieeeinternational conference on acoustics,speech and signal processing(icassp),2762-2766.

6、[2]abdulkader n,atia a,&mostafa m.(2015).brain computer interfacing:applications and challenges.egyptian informatics journal,16(2),213-230.

7、[3]sakhavi s,guan c,&yan s.(2018).learning temporal information forbrain-computer interface using convolutional neural networks.ieeetransactions on neural networks and learning systems,29(11),5619-5629.

8、[4]schirrmeister t,springenberg t,fiederer l,et al.(2017).deeplearning with convolutional neural networks for eeg decoding andvisualization.human brain mapping,38(11),5391-5420.

9、[5]amin u,alsulaiman m,muhammad g,mekhtiche a,shamim hossain m.(2019).deep learning for eeg motor imagery classification based on multi-layer cnns feature fusion.future generation computer systems,101,542–554.

10、[6]leeb r,brunner c,muller-putz r,&schlogl a.(2008).bci competition2008-graz data set a.

11、[7]lawhern j,solon j,waytowich r,et al.(2016).eegnet:a compactconvolutional network for eeg-based brain-computer interfaces.journal ofneural engineering,15(5),056013.1-056013.17.

12、[8]zhao d,tang f,si b,&feng x.(2019).learning joint space-time-frequency features for eeg decoding on small labeled data.neural networks,114,67-77.

13、[9]li y,zhang x,zhang b,et al.(2019).a channel-projection mixed-scaleconvolutional neural network for motor imagery eeg decoding.ieee transactionson neural systems and rehabilitation engineering,27(6),1170-1180.

技术实现思路

1、为解决上述问题，提供一种轻量化的运动想象脑电信号分类方法，本发明采用了如下技术方案：

2、本发明提供了一种轻量化的运动想象脑电信号分类方法，其特征在于，包括以下步骤：步骤s1，采集原始脑电信号并进行预处理，得到信号数据集。步骤s2，对信号数据集的数据进行归一化处理，得到归一化信号数据集。步骤s3，构建轻量化分类网络模型，该轻量化分类网络模型包括降维模块、时空可分离卷积模块、中间层特征抽取模块以及分类模块。其中，降维模块包括编码器。时空可分离卷积模块包括两层二维深度卷积层和平均池化层，两层深度卷积层包括沿时间维度的时间维深度卷积层和沿电机通道维度的空间维深度卷积层。中间层特征抽取模块为时间尺度相同的单一尺度多分支拓扑结构，包括卷积层、深度卷积层和平均池化层。步骤s4，构建编码器训练网络，并利用归一化信号数据集对编码器训练网络进行有监督训练，得到完成训练的编码器训练网络，并保留和更新编码器的相关参数。步骤s5，将归一化信号数据集随机打乱，并将每种标签的数据进行五等分并将每个标签中的每一折数据顺序拼接，形成交叉训练样本。步骤s6，将交叉训练样本输入到轻量化分类网络模型，利用类别交叉熵作为损失函数，以及利用adam优化器对模型权重进行优化，对轻量化分类网络模型进行最优组超参数配置搜索，得到最优组超参数。步骤s7，将最优组超参数输入到轻量化分类网络模型进行参数更新，并利用归一化信号数据集对更新完的轻量化分类网络模型进行训练，得到训练完的轻量化分类网络模型。步骤s8，对待测数据进行归一化处理，得到归一化待测数据。步骤s9，将归一化待测数据输入到训练完的轻量化分类网络模型，输出运动想象动作的分类识别结果。

3、本发明提供的一种轻量化的运动想象脑电信号分类方法，还可以具有这样的技术特征，其中，步骤s4中构建编码器训练网络并进行有监督训练，包括以下步骤：步骤s4-1，构建编码器训练网络，该网络包括编码器、时空卷积层、平均池化层和分类层。步骤s4-2，利用归一化信号数据集的标签和交叉熵损失函数，对编码器进行自监督训练，得到完成训练的编码训练网络，同时保留和更新编码器的相关参数。

4、本发明提供的一种轻量化的运动想象脑电信号分类方法，还可以具有这样的技术特征，其中，分类模块用于运动想象动作的分类识别结果的输出，包括前馈网络和softmax层。前馈网络将中间层特征抽取模块得到的特征向量展平为一维向量，再映射到与分类任务数相等的类别数量。softmax层将前馈网络所得到的类别数量进行归一化，得到的各个类别的预估概率，选取概率值最大的一项作为分类识别结果并进行输出。

5、发明作用与效果

6、根据本发明的一种轻量化的运动想象脑电信号的分类方法。首先，本发明构建了轻量化分类网络模型，使用时空可分离卷积模块来优化了卷积结构的性能，并且引入编码器组成的降维模块来完成数据降维，还利用简化的多分支拓扑结构提升运算效率，大幅降低了模型推断时的计算消耗。

7、其次，本发明改进运动想象脑电信号分类网络根据运动想象数据集样本数量少情况下的分类性能，利用轻量化后的分类网络模型减少了待学习参数，有效解决由于样本数不足而潜在的训练困难，并减小分类网络过拟合的风险。