本发明涉及脑电信号处理，具体涉及一种运动想象脑电信号解码方法、装置、设备、介质及产品。
背景技术：
1、mi-eeg(motor imagery electroencephalography，意为运动想象脑电图)技术是一种通过脑电图监测大脑活动的技术，用于记录和分析个体在进行运动想象时的脑电波变化。mi-eeg解码主要采用两种方法：传统机器学习和深度学习。传统机器学习算法包括特征学习和分类。在特征学习阶段，以常见的共同空间模式(common spatial pattern，简称csp)为例，它已被证明是最流行、最高效的脑电图特征提取算法之一，尤其是在bci竞赛数据集(脑机接口(brain-computer interface，简称bci)领域的开发者组织的竞赛所提供的标准化数据集)。f.lotte将正则化引入csp，以提取更多与神经生理学相关信息的空间滤波器。滤波器组空间模式，在有限且高噪声的脑电信号训练数据场景中取得了很高的解码精度。
2、然而，csp仅限于二元分类(即两种类别的想象任务)，在分类阶段，许多研究人员使用线性判别分析和支持向量机等传统机器学习算法对eeg信号进行分类。然而，这些分类算法仍然依赖于根据人类经验手工设计的特征，这可能会限制分类准确性的提高，并耗费大量时间。相反，深度学习算法能自动从数据中学习特征，减少对人工特征设计的依赖。这种方法可以大大提高分类精度，缩短解码时间，在运动想象脑机接口领域也取得了巨大成功。
3、目前，卷积神经网络(cnn)已成为应用最广泛的脑电信号分类深度学习模型之一，在与运动想象相关的多分类任务中取得了重大研究进展。在当前背景下，单分支cnn提供了一种较为简便的方法，它专注于单一尺度的特征，在多个bci范例中取得了良好的效果。然而，所有这些方法都使用了单分支，而单分支在有效捕捉mi-eeg中丰富的时间频谱信息方面能力有限。因此，许多方法使用多分支cnn来解码mi-eeg，但仍然存在一些问题。首先，多分支cnn卷积尺度无法适应不同的频带。其次，多分支cnn难以完全捕捉空间信息，而注意力机制的引入可以缓解这一问题，但现有的注意力机制大多通过二维全局池化生成空间注意力图，这导致其难以提取通道与时间维度之间的相关信息。存在的上述问题，从而会进一步导致mi-eeg解码错误的现象出现。
技术实现思路
1、有鉴于此，本发明提供了一种运动想象脑电信号解码方法、装置、设备、介质及产品，以解决现有技术中难以全面捕捉脑电信号的时空特征，导致解码受限的问题。
2、第一方面，本发明提供了一种运动想象脑电信号解码方法，该方法包括：
3、获取原始脑电信号；
4、对原始脑电信号进行预处理，获得预处理后的初始脑电信号；
5、将初始脑电信号分解为多个不同频段的待处理信号；
6、将待处理信号输入预先建立的坐标注意力机制模块，融合每个待处理信号在通道维度和时间维度上的时空信息；
7、基于每个待处理信号对应的时空信息以及预先建立的频带适应性网络，提取待处理信号的时空特征，时空特征用于脑电信号分类；其中，频带适应性网络根据待处理信号的频段特征自适应选择卷积核大小。
8、本发明中，通过坐标注意力机制融合时空信息，能够更加精准地提取脑电信号中的关键信息，提升解码性能；另外还通过频带适应性网络自适应选择卷积核大小，有效提升了对不同频段特征的捕捉能力，增强了分类准确性。本发明充分考虑了脑电信号的频段差异和时空特性，对脑电信号的信号处理进行了优化，有效提高了脑电信号分类的准确性。
9、在一种可选的实施方式中，坐标注意力机制模块包括：
10、输入层；
11、两个并列设置的平均池化层，平均池化层的输入端均与输入层连接；
12、第一卷积模块，第一卷积模块的输入端与平均池化层的输出端连接；
13、将待处理信号输入坐标注意力机制模块，融合每个待处理信号在通道维度和时间维度上的时空信息，包括：
14、将待处理信号通过输入层输入平均池化层，分别输出时间维度上的时间信息特征与通道维度的空间信息特征；其中一个平均池化层用于沿时间方向对待处理信号进行特征提取，另一个平均池化层用于沿通道方向对待处理信号进行特征提取；
15、基于第一卷积模块，将时间信息特征与空间信息特征进行特征融合，获得融合后的时空信息。
16、本实施方式中通过并列的平均池化层分别提取时间和空间维度的特征，实现了对时空信息的高效融合，同时也提升了模型对脑电信号时空特征的捕捉能力，增强了解码精度。
17、在一种可选的实施方式中，坐标注意力机制模块还包括：
18、第一归一化层，第一归一化层的输入端与第一卷积模块的输出端连接；
19、第一激活函数层，第一激活函数层的输入端与第一归一化层的输出端连接；
20、两个并列设置的第二卷积模块，第二卷积模块的输入端与第一激活函数层的输出端连接；
21、每个第二卷积模块的输出端还设有第二激活函数层，第二激活函数层的输出端用于输出对应的注意力权重。
22、在一种可选的实施方式中，在获得融合后的时空信息之后，还包括：
23、基于第一归一化层以及第一激活函数层，将时空信息拆分为两个独立的张量；
24、基于第二卷积模块以及第二激活函数层，将两个独立的张量变换为与输入坐标注意力机制模块时相同大小的张量，获得通道维度与时间维度的注意力权重。
25、本实施方式中，通过归一化层与激活函数层的处理，使得时空信息在进行特征提取时能够充分拆分并融合，提升了模型对不同维度特征的理解能力，并且能够在输出端生成精确的注意力权重，使得模型可以自适应地调整对各通道和时间维度的关注，增强了分类精度。
26、在一种可选的实施方式中，频带适应性网络，包括：
27、多个依次设置的不同卷积尺度的时空卷积模块，其中，每个时空卷积模块包括至少两个卷积层，每个卷积层的卷积核大小随频带带宽的增加而减小；
28、深度卷积模块，设置在最后一个时空卷积模块的输出端；
29、每个时空卷积模块的输出端以及深度卷积模块的输出端依次设有第三归一化层以及第三激活函数层。
30、本实施方式中，采用频带适应性网络能够通过多尺度卷积捕捉不同频带的细节和全局特征，同时采用eegnet中的深度卷积层提取通道间的空间信息，增强了特征表达能力，可以有效提升脑电信号分类结果的准确性。
31、在一种可选的实施方式中，在提取出每个待处理信号的时空特征之后，还包括：
32、利用两个依次设置的全连接层将每个待处理信号的时空特征映射为特征向量；
33、基于所有待处理信号的特征向量，计算脑电信号的分类概率。
34、本实施方式中，通过将各个分支的输出映射为特征向量并计算平均值，可以有效地融合来自不同频带和尺度的特征，避免单一分支可能丢失的关键信息，从而可以有效提升最终脑电信号分类结果的准确性。
35、第二方面，本发明提供了一种运动想象脑电信号解码装置，该装置包括：
36、获取模块，用于获取原始脑电信号；
37、预处理模块，用于对原始脑电信号进行预处理，获得预处理后的初始脑电信号；
38、解码模块，用于将初始脑电信号分解为多个不同频段的待处理信号；将待处理信号输入预先建立的坐标注意力机制模块，融合每个待处理信号在通道维度和时间维度上的时空信息；基于每个待处理信号对应的时空信息以及预先建立的频带适应性网络，提取待处理信号的时空特征，时空特征用于脑电信号分类；其中，频带适应性网络根据待处理信号的频段特征自适应选择卷积核大小。
39、第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的运动想象脑电信号解码方法。
40、第四方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的运动想象脑电信号解码方法。
41、第五方面，本发明提供了一种计算机程序产品，包括计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的运动想象脑电信号解码方法。
42、需要说明的是，由于本发明提供的运动想象脑电信号解码装置，计算机设备、计算机可读存储介质以及计算机程序产品与上述的运动想象脑电信号解码方法是对应的。因此，关于运动想象脑电信号解码装置，计算机设备、计算机可读存储介质以及计算机程序产品的有益效果，请参见上文运动想象脑电信号解码方法的对应有益效果的描述，在此不再赘述。