一种运动想象脑电信号分类方法及系统

本发明属于人工智能、模式识别领域，尤其涉及一种运动想象脑电信号分类方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、脑机接口(brain-computer interface,bci)是一种在人脑和外部设备之间建立的通信系统，它可以采集、分析和识别人脑的神经信号，并将其转换为控制指令控制机械手、轮椅等外部设备进行运动。随着计算机技术、信号处理以及人工智能等学科的发展，脑机接口已经被广泛地应用于医疗康复、疲劳检测、军事国防等多个领域。

3、一个完整的bci系统包括脑电信号采集、预处理、特征提取、模式识别和控制外部设备等五个部分，脑电信号采集设备中，非侵入式设备被广泛应用；预处理部分可以去除一些干扰和噪声信号，提高信噪比；特征提取算法包括共空间模式算法，小波变换，模糊熵等；利用特征向量和样本标签就可以进行分类器的训练，常用的分类器包括支持向量机、线性判别分析、决策树等；然后将模式识别得到的结果转换为控制指令控制外部设备进行运动。

4、运动想象是一种被广泛应用的bci范式，当被试者想象执行或实际执行某种动作时，大脑皮层对应的区域会被激活，产生事件相关去同步(event-relateddesynchronization,erd)现象，没有进行运动想象的区域会产生事件相关同步(event-related synchronization,ers)现象。erd/ers现象主要发生在运动想象脑电信号的μ节律和β节律。

5、目前有一些成熟的算法可以对运动想象脑电信号进行精准解码，这些算法大多采用有监督学习的方法进行训练；由于脑电信号的非平稳性和随机性等特点，导致不同被试或者同一被试在不同时期的脑电数据分布有很大差异，因此新的用户在使用脑机接口之前，需要执行长时间的训练任务，以建立一个可靠的分类模型，这对于用户，尤其是对于需要进行医疗康复的患者来说，是一种巨大的负担。

6、因此，现有的运动想象脑电信号分类方法，需要长时间的训练过程和大量的训练样本，不适用于需要进行医疗康复的患者，适应面有限。

技术实现思路

1、为克服上述现有技术的不足，针对运动想象脑电信号分类领域存在的训练时间长，跨被试分类效果差的问题，本发明提供了一种运动想象脑电信号分类方法及系统，设计了一种基于improved-eegnet模型的迁移学习算法实现源域信息的有效迁移，从而利用源域信息帮助目标域训练一个可靠的分类模型，达到减少目标域被试训练样本数量，缩短目标域被试训练时间的效果，本发明将此算法命名为improved-eegnet-transfer。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、本发明第一方面提供了一种运动想象脑电信号分类方法。

4、一种运动想象脑电信号分类方法，包括：

5、获取待分类的目标域运动想象脑电信号；

6、利用通过improved-eegnet-transfer算法训练好的分类模型，对预处理后的目标域运动想象脑电信号进行分类，得到并输出分类结果；

7、其中，所述分类模型，是在eegnet神经网络上增加一个时间卷积层和一个空间卷积层得到的，即improved-eegnet模型，所述improved-eegnet-transfer算法引入源域数据和目标域数据的相关性对齐损失，利用相关性对齐损失和源域数据的分类损失联合训练分类模型，形成具有良好可分性的特征，并减小源域特征和目标域特征之间的偏移，利用源域数据标签帮助目标域训练分类模型。

8、进一步的，所述预处理，包括使用带通滤波器对脑电信号进行带通滤波和利用公共平均参考去除脑电信号的伪迹。

9、进一步的，所述在eegnet神经网络上增加一个时间卷积层和一个空间卷积层，具体为：将eegnet神经网络的一层时间卷积层、一层空间卷积层改进为两层时间卷积层、两层空间卷积层。

10、进一步的，所述相关性对齐损失，定义为源域特征和目标域特征的二阶统计量之间的距离：

11、

12、其中，代表矩阵frobenius范数的平方，cs和ct代表源域和目标域的特征协方差矩阵，d代表源域和目标域的特征的维度数。

13、进一步的，所述相关性对齐损失，相对于输入特征的梯度，使用链式法则来计算，如下所示：

14、

15、

16、其中，和是源域数据dt和目标域数据dt经过映射函数ψ(ds)和ψ(dt)得到的d维特征，ψ表示improved-eegnet中间所有特征提取层的总的表示，代表第i个源域数据的第j个维度，代表第i个目标域数据的第j个维度，cs和ct代表源域和目标域的特征协方差矩阵。

17、进一步的，所述improved-eegnet-transfer算法使用相关性对齐损失和源域数据的分类损失联合训练分类模型，损失函数为：

18、l＝lclass+λlcoral

19、其中，lclass代表源域数据的分类损失，lcoral代表相关性对齐损失，λ是一个可调参数，调节分类损失与相关性对齐损失的重要性。

20、进一步的，所述improved-eegnet-transfer算法，基于源域数据集ds和目标域数据集dt，进行以下迭代学习：

21、从源域数据集ds、目标域数据集dt中分别随机获取预设个数的源域数据和目标域数据，其中，源域数据集ds由带标签的源域数据组成，目标域数据集dt由不带标签的目标域数据组成；

22、将带标签的源域数据输入到分类模型中，计算分类损失，并得到源域特征；

23、将不带标签的目标域数据输入到分类模型中，得到目标域特征，结合源域特征，计算相关性对齐损失；

24、基于分类损失和相关性对齐损失，计算总损失，使用反向传播算法计算梯度并更新模型的参数，直到达到迭代次数。

25、本发明第二方面提供了一种运动想象脑电信号分类系统。

26、一种运动想象脑电信号分类系统，包括获取模块和分类模块：

27、获取模块，被配置为：获取待分类的目标域运动想象脑电信号；

28、分类模块，被配置为：利用通过improved-eegnet-transfer算法训练好的分类模型，对预处理后的目标域运动想象脑电信号进行分类，得到并输出分类结果；

29、其中，所述分类模型，是在eegnet神经网络上增加一个时间卷积层和一个空间卷积层得到的，即improved-eegnet模型，所述improved-eegnet-transfer算法引入源域数据和目标域数据的相关性对齐损失，利用相关性对齐损失和源域数据的分类损失联合训练分类模型，形成具有良好可分性的特征，并减小源域特征和目标域特征之间的偏移，进而利用源域数据标签帮助目标域训练分类模型。

30、本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种运动想象脑电信号分类方法中的步骤。

31、本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种运动想象脑电信号分类方法中的步骤。

32、以上一个或多个技术方案存在以下有益效果：

33、本发明提出了一种基于improved-eegnet的迁移学习算法实现源域信息的有效迁移，从而利用源域信息帮助目标域训练一个可靠的分类模型；该算法首先对eegnet模型做出了优化，在eegnet模型的基础上增加了一个时间卷积层和一个空间卷积层，得到improved-eegnet模型，从而能够提取到更加复杂的特征；然后在improved-eegnet模型的基础上设计迁移学习算法，具体地，本发明在improved-eegnet模型的全连接层后面增加源域特征和目标域特征的相关性对齐损失，对齐源域数据和目标域数据深层特征的二阶统计量，相关性对齐损失结合源域数据的分类损失联合训练，最终的特征具有良好的可分性，并且能很好地应用到目标域中，从而提高运动想象脑电信号跨被试分类准确率。

34、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。