CN113143295A - 基于运动想象脑电信号的设备控制方法及终端 - Google Patents
基于运动想象脑电信号的设备控制方法及终端 Download PDFInfo
- Publication number
- CN113143295A CN113143295A CN202110440696.XA CN202110440696A CN113143295A CN 113143295 A CN113143295 A CN 113143295A CN 202110440696 A CN202110440696 A CN 202110440696A CN 113143295 A CN113143295 A CN 113143295A
- Authority
- CN
- China
- Prior art keywords
- time
- motor imagery
- matrix
- frequency
- imagery electroencephalogram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 103
- 230000002123 temporal effect Effects 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 210000004556 brain Anatomy 0.000 claims description 13
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 8
- 238000000537 electroencephalography Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明适用于运动想象脑电信号处理技术领域,提供了一种基于运动想象脑电信号的设备控制方法及终端,所述方法包括:对多个脑电信号通道检测到的原始脑电数据进行小波变换,得三维时频特征矩阵;根据三维时频特征矩阵,计算任意两个时间点之间的相似度,得到时间自注意力权重矩阵;根据时间自注意力权重矩阵,对三维时频特征矩阵进行特征提取,得到目标人员的运动想象脑电信号的时间特征;提取运动想象脑电信号的空间特征和频率特征,基于时间特征、空间特征和频率特征,对运动想象脑电信号进行分类,并根据分类结果,对与目标人员连接的设备进行控制。本发明能够提高对运动想象脑电信号的分类精度,进而提高人员对外部设备的控制准确度。
Description
技术领域
本发明属于运动想象脑电信号处理技术领域,尤其涉及一种基于运动想象脑电信号的设备控制方法及终端。
背景技术
运动想象(Motor Imagery,MI)脑电信号(Electroencephalograph,EEG)分类是脑科学与人机交互领域的研究热点。
MI脑电信号分类的主要任务是将人类大脑的四种运动想象任务(左手、右手、双脚和舌头)产生的MI脑电信号进行分类识别,再依托于脑机接口技术(Brain ComputerInterface,BCI)对识别出来的运动想象任务进行编码,进而实现对外部设备的控制。近年来,随着深度学习(Deep Learning,DL)的快速发展,基于深度学习的MI脑电信号分类技术被广泛关注。
然而,本申请的发明人发现,现有的深度学习方法在跨被试MI脑电信号分类中存在分类精度低的问题,降低了对外部设备的控制准确度。其原因在于,不同人员从提示出现运动想象任务到执行运动想象任务的时间不同,并且不同人员对相同运动想象任务所产生的MI脑电的幅值不同,即不同人员的MI脑电信号的反映时间与幅值存在差异,降低了跨被试分类的精度。
发明内容
有鉴于此,本发明实施例提供了一种基于运动想象脑电信号的设备控制方法及终端,以提高对运动想象脑电信号的分类精度,进而提高人员对外部设备的控制准确度。
本发明实施例的第一方面提供了一种基于运动想象脑电信号的设备控制方法,包括:
获取多个脑电信号通道检测到的目标人员的原始脑电数据,并对原始脑电数据进行小波变换,得三维时频特征矩阵;
根据三维时频特征矩阵,计算任意两个时间点之间的相似度,得到时间自注意力权重矩阵;
根据时间自注意力权重矩阵,对三维时频特征矩阵进行特征提取,得到目标人员的运动想象脑电信号的时间特征;
提取运动想象脑电信号的空间特征和频率特征,基于时间特征、空间特征和频率特征,对运动想象脑电信号进行分类,并根据分类结果,对与目标人员连接的设备进行控制。
本发明实施例的第二方面提供了一种终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述基于运动想象脑电信号的设备控制方法的步骤。
本发明实施例的第三方面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程序,计算机程序被处理器执行时实现如上述基于运动想象脑电信号的设备控制方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明通过在时间特征提取阶段加入时间自注意力机制,计算各个时间点之间的相似度,得到各个时间点之间的相互依赖关系;进一步,通过时间自注意力权重矩阵对三维时频特征矩阵进行特征提取,能够得到运动想象脑电信号的连续性时间特征,并降低噪声干扰,同时由于提取后的每个时间点的特征都包含了全局的时间特征,增强了跨被试迁移分类的学习;最后,结合运动想象脑电信号的时间特征、空间特征和频率特征,对运动想象脑电信号进行分类,并根据分类结果,对与人员连接的设备进行控制。本发明能够提高对运动想象脑电信号的分类精度,进而提高人员对外部设备的控制准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于运动想象脑电信号的设备控制方法的实现流程示意图;
图2是本发明实施例提供的运动想象脑电信号分类模型的示意图;
图3是本发明实施例提供的分类实验结果示意图;
图4是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
运动想象脑电信号分类是基于运动想象的脑机接口技术的基石性技术,在康复医疗、军事作战以及生活娱乐等领域都有着广泛的应用。跨被试运动想象脑电信号分类是单被试运动想象脑电信号分类的拓展,在运动想象脑电信号分类的应用领域中更具实用价值。
近年来,随着深度学习的快速发展,卷积神经网络(Convolutional NeuralNetwork,CNN)逐渐成为运动想象脑电信号分类中的核心方法,越来越多的研究者基于此提出不同的MI脑电信号分类网络模型。本申请的发明人在深入研究当前所使用的深度学习方法后发现,由于不同被试者的MI脑电信号的反映时间与幅值存在差异,现有的DL方法在跨被试运动想象脑电信号四分类任务上存在分类精度低的问题,降低了被试者对外部设备的控制准确度。针对该问题,本发明进行了以下设计:
本发明实施例提供了一种基于运动想象脑电信号的设备控制方法,参照图1所示,该方法包括以下步骤:
步骤S101、获取多个脑电信号通道检测到的目标人员的原始脑电数据,并对原始脑电数据进行小波变换,得三维时频特征矩阵。
在本发明实施例中,构建了运动想象脑电信号分类模型,该模型的网络架构可以参照图2所示。在获取目标人员的原始脑电数据进行分类之前,还需要预先对模型进行训练,以学习模型中各个卷积核的权重。而通过该目标人员进行训练即为单被试,通过其他人员进行训练即为跨被试。
具体的,分类过程的第一步为通过电极在目标人员大脑各个区域进行采集,得到多个脑电信号通道信号,形成高度为H、宽度为W的原始脑电数据M∈RH×W。然后,对原始脑电数据M进行Morlet小波变换,得三维时频特征矩阵A∈RC×F×T,其中,C表示脑电信号通道的个数,F表示频率采样点(频率点)的个数,T表示时间采样点(时间点)的个数。
步骤S102、根据三维时频特征矩阵,计算任意两个时间点之间的相似度,得到时间自注意力权重矩阵。
可选的,作为一种可能的实施方式,根据三维时频特征矩阵,计算任意两个时间点之间的相似度,可以详述为:
根据所述三维时频特征矩阵确定各个时间点对应的二维特征矩阵;
基于下式计算任意两个时间点之间的相似度:
在本发明实施例中,参照图2所示,在时间特征提取阶段,可以先通过Reshape和Transpose函数将三维时频特征矩阵A重塑为T1∈RT×(C×F)和T2∈R(C×F)×T,以方便实现它们之间的矩阵乘法。然后,应用softmax函数计算任意两个时间采样点之间的相似度(相似度的取值范围为0~1,其中,0表示没有相似性,而1表示完全相似),得到时间自注意力权重矩阵P1∈RT×T。
步骤S103、根据时间自注意力权重矩阵,对三维时频特征矩阵进行特征提取,得到目标人员的运动想象脑电信号的时间特征。
可选的,作为一种可能的实施方式,根据时间自注意力权重矩阵,对三维时频特征矩阵进行特征提取,得到目标人员的运动想象脑电信号的时间特征,可以详述为:
根据时间自注意力权重矩阵,从三维时频特征矩阵中提取各个时间点的影响特征,得到时间影响特征矩阵;
基于时间影响特征矩阵,计算运动想象脑电信号的时间特征。
可选的,作为一种可能的实施方式,可以根据下式提取各个时间点的影响特征,得到时间影响特征矩阵:
S1=P1×A
式中,S1为时间影响特征矩阵,P1为时间自注意力权重矩阵,A为三维时频特征矩阵。
可选的,作为一种可能的实施方式,可以基于下式计算运动想象脑电信号的时间特征:
G1=α×S1+A
式中,G1为运动想象脑电信号的时间特征,α为预先训练得到的特征参数,S1为时间影响特征矩阵,A为三维时频特征矩阵。
在本发明实施例中,参照图2所示,将时间自注意力权重矩阵P1与三维时频特征矩阵A进行矩阵相乘来获得时间影响特征矩阵S1,再将S1与预先训练得到的参数α相乘形成一个残差块,并与A∈RC×F×T执行逐元素求和运算,获得最终的时间特征G1∈RC×F×T。G1能够可以学习到任何两个时间点之间的时间依赖性,以便提取运动想象脑电信号的连续性信息,降低噪声干扰。同时,使用时间域中所有时间点特征值的加权和来更新每个时间点的特征值,即每个时间点的特征值包含全局的时间特征,有利于时间特征的表示,增强了跨被试迁移分类的学习,解决了运动想象脑电信号在时间上连续且信噪比低、不同被试者在时间域上的MI幅值和响应时间不同所引起分类精度低的问题。
示例性的,时间特征提取部分的各项参数可以参照表1所示。
表2空间特征提取参数
步骤S101、提取运动想象脑电信号的空间特征和频率特征,基于时间特征、空间特征和频率特征,对运动想象脑电信号进行分类,并根据分类结果,对与目标人员连接的设备进行控制。
本发明通过在时间特征提取阶段加入时间自注意力机制,计算各个时间点之间的相似度,得到各个时间点之间的相互依赖关系;进一步,通过时间自注意力权重矩阵对三维时频特征矩阵进行特征提取,能够得到运动想象脑电信号的连续性时间特征,并降低噪声干扰,同时由于提取后的每个时间点的特征都包含了全局的时间特征,增强了跨被试迁移分类的学习;最后,结合运动想象脑电信号的时间特征、空间特征和频率特征,对运动想象脑电信号进行分类,并根据分类结果,对与人员连接的设备进行控制。本发明能够提高对运动想象脑电信号的分类精度,进而提高人员对外部设备的控制准确度。
可选的,作为一种可能的实施方式,提取运动想象脑电信号的空间特征,可以详述为:
根据三维时频特征矩阵,计算任意两个脑电信号通道之间的相似度,得到空间自注意力权重矩阵;
根据空间自注意力权重矩阵,对三维时频特征矩阵进行特征提取,得到目运动想象脑电信号的空间特征。
在本发明实施例中,参照图2所示,可以先通过Reshape和Transpose函数将三维时频特征矩阵A∈RC×F×T重塑为C1∈RC×(F×T)和C2∈R(F×T)×C,以方便实现它们之间的矩阵乘法。然后,应用softmax函数计算任意两个脑电信号通道之间的相似度(相似度的取值范围为0~1,其中,0表示没有相似性,而1表示完全相似),得到空间自注意力权重矩阵P2∈RC×C,相应的公式如下:
式中,为第i个脑电信号通道与第j个脑电信号通道之间的相似度,f为相似性函数,C为脑电信号通道的数量,Ci为第i个脑电信号通道对应的二维特征矩阵,(Cj)′为第j个脑电信号通道对应的二维特征矩阵的转置。
之后,将空间自注意力权重矩阵P2与三维时频特征矩阵A进行矩阵相乘来获得空间影响特征矩阵S2,再将S2与预先训练得到的参数β相乘形成一个残差块,并与A∈RC×F×T执行逐元素求和运算,获得最终的时间特征G2∈RC×F×T。通过在空间特征提取部分通入自注意力机制,自动学习各个脑电信号通道之间的特征相似性,任意一脑电信号通道的特征都通过加权求和的方式聚合所有脑电信号通道上的特征来更新,能够自动分配较高的权重值给运动想象相关的通道,较低的权重值给运动想象无关的通道来选择最佳的通道。相对于常规的人工选择脑电信号通道方式,能够防止特征信息丢失。
示例性的,空间特征提取部分的各项参数可以参照表2所示。
表2空间特征提取参数
可选的,作为一种可能的实施方式,提取运动想象脑电信号的频率特征,可以详述为:
根据三维时频特征矩阵,计算任意两个频率点之间的相似度,得到频率自注意力权重矩阵;
根据频率自注意力权重矩阵,对三维时频特征矩阵进行特征提取,得到运动想象脑电信号的频率特征。
在本发明实施例中,参照图2所示,可以先通过Reshape和Transpose函数将三维时频特征矩阵A∈RC×F×T重塑为F1∈RF×(C×T)和F2∈R(C×T)×F,以方便实现它们之间的矩阵乘法。然后,应用softmax函数计算任意两个频率点之间的相似度(相似度的取值范围为0~1,其中,0表示没有相似性,而1表示完全相似),得到频率自注意力权重矩阵P3∈RF×F,相应的公式如下:
之后,将频率自注意力权重矩阵P3与三维时频特征矩阵A进行矩阵相乘来获得频率影响特征矩阵S3,再将S3与预先训练得到的参数γ相乘形成一个残差块,并与A∈RC×F×T执行逐元素求和运算,获得最终的频率特征G3∈RC×F×T。F将全局频率编码为每个频率点的特征信息,且包含任意两个频率点之间的频率关系,从而消除了噪声干扰,增强了频率特征表示能力。
示例性的,频率特征提取部分的各项参数可以参照表3所示。
表3频率特征提取参数
可选的,作为一种可能的实施方式,基于时间特征、空间特征和频率特征,对运动想象脑电信号进行分类,可以详述为:
将时间特征、空间特征和频率特征进行融合,得到运动想象脑电信号的时空特征;
将运动想象脑电信号的时空特征输入至预设的特征分类通道中进行分类,得到运动想象脑电信号的类别。
在本发明实施例中,参照图2所示,将时间特征G1、空间特征G2和频率特征G3分别通过Conv11、Conv12和Conv13进行卷积,使三个特征图具有相同的尺度RD×F×T,然后通过Concat特征拼接操作融合成特征图N∈R3D×F×T,其中D=16,F=22,T=1125。特征图N包含增强的时频域和空间域特征信息,将N经过内核大小为(5×5)的卷积(Conv3),进行批量归一化(BL)与非线性激活(NL)得到Q1。将Q1通过内核大小为(1×100)的平均池化层(AvgP,包含Dropout层),将输入大小(48,18,1121)减小到(48,18,69)输出得到Q2。之后,将Q2经过一个内核大小为(18×1)的卷积(Conv4),进行批量归一化(BL)与非线性激活(NL)得到Q3∈R40 ×1×69。最后将Q3通过一个内核大小为(1×69)的全卷积层(FC),其输出为Q4∈R4×1×1。最后,将Q4转换为四个标签的条件概率,使用LogSoftmax函数执行四分类。
示例性的,频率特征提取部分的各项参数可以参照表4所示。
表4频率特征提取参数
本发明在空间域上采用空间自注意力网络层,该层通过计算每个脑电信号通道之间的相似程度,自动学习通道之间相似的权值,自适应地集合所有脑电信号通道的信号数据,并使用加权求和的方式来更新每个脑电信号通道特征,消除了传统机器学习中人工选择信号通道造成的信息丢失问题,并且可以自动选择与运动想象相关的脑电信号通道来提取空间特征,进行空间特征增强。而在时间域上,引入时间自注意力网络层,该层不会储存大量其他被试历史信息,同时可以提取不同时间点之间的依赖关系,并且每个时间点都包含全局时间特征,从而增强时间特征表示能力。在频率域上,引入频率自注意力网络层,该层可以提取不同频率点之间的依赖关系,同时每个频率点中都包含全局频率特征,可以增强频率特征表示能力,提升模型的跨被试分类精度。最后,将三层得到的特征图拼接融合,输入到预设的特征分类通道中,经过一系列卷积池化操作后,经LogSoftmax函数执行最终的分类识别。
根据分类识别结果,再依托于BCI技术对识别出来的运动想象任务进行编码,进而能够实现对外部设备的控制。例如,根据分类结果,实现轮椅的启停、转向等,也可以应用于小车、家用电器、机器人等设备。
以下,通过实验对本发明实施例的方法进行可行性验证。
实验细节:
该实验数据采用公开的MI-EEG的数据集BCICIV2a进行评估。该数据集记录了由9位不同的被试人员在25个导联电极通道(22个脑电通道和3个眼电通道)中执行的四类运动想象任务(左手,右手,双脚和舌头),采样率为250Hz。每个通道都经过0.5-100Hz带通滤波器的预处理。每位被试者的脑电试验数据分为2组,其中一组作为训练集,另一组用于测试集。每组各包含288个运动想象试验,平均每类运动想象任务有72个试验。此外,每个试验都使用相同的时间窗[-0.5,4s]对所有的22个脑电通道的运动想象信号进行提取。因此,在数据集中,显式分离了9个训练集和9个测试集。在子集中,每个类别有72个实验。再去除3个眼电通道信号后,每次试验获得22x1,1125个数据点。
MI-EEG解析中最重要的评价指标为准确率(Accuracy),类别平均准确率越高说明分类的准确率越高,则模型表现越好。平均准确率的计算公式为:
其中,TP为真阳性数,TN为真阴性数,FP为假阳性数,FN为假阴性数。TP是真阳性样本数,表示被正确预测的正样本数量。TN是真阴性样本数量,表示被正确预测的负样本数量。FP是假阳性样本的数量,表示被误判为正样本的类别数量。FN表示被误判为负样本的数量。
对于四类MI分类,将Pytorch中的NLLoss函数定义为损失函数,使用Xavier算法初始化网络中的所有参数,优化算法采用Adam算法。BCICIV2a数据集的学习率为0.0001,批次大小为32。
由于数据集将训练数据集和测试数据集清晰地划分出来,因此本章将训练数据集随机分为训练集(80%)和验证集(20%),所有测试集全部作为测试集。采用这种划分方式可以使用在计算机视觉领域开发的早期停止策略。当验证精度在预定时期内没有提高时,训练的第一阶段停止。然后,使用使验证数据集具有最高准确率的参数值,继续对训练和验证数据集进行训练。当验证数据集上的损失函数下降到与第一个训练阶段结束时的训练数据集的值相同时,训练结束。Dropout层中的超参数以及批归一化层中的常数和权重衰减率分别设置为0.5、10-5和0.1。
对比实验过程:
为了验证所提出方法对跨被试分类性能的效果,本发明进行了跨被试分类实验。利用其他被试者(除目标被试)的脑电数据在BCICIV2a数据集上训练一个模型,然后将该模型作为网络的初始权值进行初始化,之后加载新被试者(目标被试)的数据进行进一步测试。这样,训练后的模型可以整合其他被试者的信息,从而使其更具鲁棒性。
图3为BCICIV2a数据集被试者间分类结果的混淆矩阵。将分类结果与其它先进的DL方法(MCCNN、DeepCNN、DMTLCNN、STSACNN)进行对比,本发明的方法平均准确率为75.49%,9个被试者中3个被试取得最优(2、8、9)。可见,本发明的方法更适合跨被试的分类,能够提高对运动想象脑电信号的分类精度,进而提高人员对外部设备的控制准确度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4是本发明实施例提供的终端的示意图。如图4所示,该实施例的终端40包括:处理器41、存储器42以及存储在存储器42中并可在处理器41上运行的计算机程序43。处理器41执行计算机程序43时实现上述各个基于运动想象脑电信号的设备控制方法实施例中的步骤,例如图1所示的步骤S101至S104。
示例性的,计算机程序43可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器42中,并由处理器41执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序43在终端40中的执行过程。例如,计算机程序43可以被分割成时间特征提取模块、空间特征提取模块、频率特征提取模块、分类控制模块(虚拟装置中的模块),各模块具体功能如下:
时间特征提取模块,用于获取多个脑电信号通道检测到的目标人员的原始脑电数据,并对原始脑电数据进行小波变换,得三维时频特征矩阵;根据三维时频特征矩阵,计算任意两个时间点之间的相似度,得到时间自注意力权重矩阵;根据时间自注意力权重矩阵,对三维时频特征矩阵进行特征提取,得到目标人员的运动想象脑电信号的时间特征。
空间特征提取模块,用于提取运动想象脑电信号的空间特征。
频率特征提取模块,用于提取运动想象脑电信号的频率特征。
分类控制模块,用于基于时间特征、空间特征和频率特征,对运动想象脑电信号进行分类,并根据分类结果,对与目标人员连接的设备进行控制。
终端40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端40可包括,但不仅限于,处理器41、存储器42。本领域技术人员可以理解,图4仅仅是终端40的示例,并不构成对终端40的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端40还可以包括输入输出设备、网络接入设备、总线等。
所称处理器41可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器42可以是终端40的内部存储单元,例如终端40的硬盘或内存。存储器42也可以是终端40的外部存储设备,例如终端40上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器42还可以既包括终端40的内部存储单元也包括外部存储设备。存储器42用于存储计算机程序以及终端所需的其他程序和数据。存储器42还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于运动想象脑电信号的设备控制方法,其特征在于,包括:
获取多个脑电信号通道检测到的目标人员的原始脑电数据,并对所述原始脑电数据进行小波变换,得三维时频特征矩阵;
根据所述三维时频特征矩阵,计算任意两个时间点之间的相似度,得到时间自注意力权重矩阵;
根据所述时间自注意力权重矩阵,对所述三维时频特征矩阵进行特征提取,得到所述目标人员的运动想象脑电信号的时间特征;
提取所述运动想象脑电信号的空间特征和频率特征,基于所述时间特征、所述空间特征和所述频率特征,对所述运动想象脑电信号进行分类,并根据分类结果,对与所述目标人员连接的设备进行控制。
3.如权利要求1所述的基于运动想象脑电信号的设备控制方法,其特征在于,根据所述时间自注意力权重矩阵,对所述三维时频特征矩阵进行特征提取,得到所述目标人员的运动想象脑电信号的时间特征,包括:
根据所述时间自注意力权重矩阵,从所述三维时频特征矩阵中提取各个时间点的影响特征,得到时间影响特征矩阵;
基于所述时间影响特征矩阵,计算运动想象脑电信号的时间特征。
4.如权利要求3所述的基于运动想象脑电信号的设备控制方法,其特征在于,根据下式提取各个时间点的影响特征,得到时间影响特征矩阵:
S1=P1×A
式中,S1为时间影响特征矩阵,P1为时间自注意力权重矩阵,A为三维时频特征矩阵。
5.如权利要求3所述的基于运动想象脑电信号的设备控制方法,其特征在于,基于下式计算运动想象脑电信号的时间特征:
G1=α×S1+A
式中,G1为运动想象脑电信号的时间特征,α为预先训练得到的特征参数,S1为时间影响特征矩阵,A为三维时频特征矩阵。
6.如权利要求1所述的基于运动想象脑电信号的设备控制方法,其特征在于,提取所述运动想象脑电信号的空间特征,包括:
根据所述三维时频特征矩阵,计算任意两个脑电信号通道之间的相似度,得到空间自注意力权重矩阵;
根据所述空间自注意力权重矩阵,对所述三维时频特征矩阵进行特征提取,得到所述目运动想象脑电信号的空间特征。
7.如权利要求1所述的基于运动想象脑电信号的设备控制方法,其特征在于,提取所述运动想象脑电信号的频率特征,包括:
根据所述三维时频特征矩阵,计算任意两个频率点之间的相似度,得到频率自注意力权重矩阵;
根据所述频率自注意力权重矩阵,对所述三维时频特征矩阵进行特征提取,得到所述运动想象脑电信号的频率特征。
8.如权利要求1-7任一项所述的基于运动想象脑电信号的设备控制方法,其特征在于,基于所述时间特征、所述空间特征和所述频率特征,对所述运动想象脑电信号进行分类,包括:
将所述时间特征、所述空间特征和所述频率特征进行融合,得到所述运动想象脑电信号的时空特征;
将所述运动想象脑电信号的时空特征输入至预设的特征分类通道中进行分类,得到所述运动想象脑电信号的类别。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440696.XA CN113143295A (zh) | 2021-04-23 | 2021-04-23 | 基于运动想象脑电信号的设备控制方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440696.XA CN113143295A (zh) | 2021-04-23 | 2021-04-23 | 基于运动想象脑电信号的设备控制方法及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113143295A true CN113143295A (zh) | 2021-07-23 |
Family
ID=76869847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110440696.XA Pending CN113143295A (zh) | 2021-04-23 | 2021-04-23 | 基于运动想象脑电信号的设备控制方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113143295A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655884A (zh) * | 2021-08-17 | 2021-11-16 | 河北师范大学 | 设备控制方法、终端及*** |
CN114795178A (zh) * | 2022-04-28 | 2022-07-29 | 电子科技大学 | 一种基于多注意力神经网络的大脑状态解码方法 |
CN116595455A (zh) * | 2023-05-30 | 2023-08-15 | 江南大学 | 基于时空频特征提取的运动想象脑电信号分类方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258215A (zh) * | 2013-05-10 | 2013-08-21 | 杭州电子科技大学 | 一种多导联间相关性分析的脑电特征提取方法 |
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
KR20190062285A (ko) * | 2017-11-27 | 2019-06-05 | 고려대학교 산학협력단 | 지역별 결합 뇌전도 신호의 csp 특징을 이용한 운동 심상 분류 장치 및 방법 |
CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
CN111062250A (zh) * | 2019-11-12 | 2020-04-24 | 西安理工大学 | 基于深度特征学习的多受试者运动想象脑电信号识别方法 |
CN111310656A (zh) * | 2020-02-13 | 2020-06-19 | 燕山大学 | 基于多线性主成分分析的单次运动想象脑电信号识别方法 |
CN112120694A (zh) * | 2020-08-19 | 2020-12-25 | 中国地质大学(武汉) | 一种基于神经网络的运动想象脑电信号分类方法 |
-
2021
- 2021-04-23 CN CN202110440696.XA patent/CN113143295A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258215A (zh) * | 2013-05-10 | 2013-08-21 | 杭州电子科技大学 | 一种多导联间相关性分析的脑电特征提取方法 |
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
KR20190062285A (ko) * | 2017-11-27 | 2019-06-05 | 고려대학교 산학협력단 | 지역별 결합 뇌전도 신호의 csp 특징을 이용한 운동 심상 분류 장치 및 방법 |
CN111062250A (zh) * | 2019-11-12 | 2020-04-24 | 西安理工大学 | 基于深度特征学习的多受试者运动想象脑电信号识别方法 |
CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
CN111310656A (zh) * | 2020-02-13 | 2020-06-19 | 燕山大学 | 基于多线性主成分分析的单次运动想象脑电信号识别方法 |
CN112120694A (zh) * | 2020-08-19 | 2020-12-25 | 中国地质大学(武汉) | 一种基于神经网络的运动想象脑电信号分类方法 |
Non-Patent Citations (3)
Title |
---|
XIULING LIU; YONGLONG SHEN; JING LIU; JIANLI YANG: "Parallel Spatial-Temporal Self-Attention CNN-Based Motor Imagery Classification for BCI", 《FRONTIERS IN NEUROSCIENCE》 * |
ZHENQI LI; JING WANG; ZIYU JIA; YOUFANG LIN: "Learning Space-Time-Frequency Representation with Two-Stream Attention Based 3D Network for Motor Imagery Classification", 《2020 IEEE INTERNATIONAL CONFERENCE ON DATA MINING (ICDM)》 * |
杨俊;马正敏;沈韬;陈壮飞;宋耀莲: "基于深度时空特征融合的多通道运动想象EEG解码方法", 《电子与信息学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655884A (zh) * | 2021-08-17 | 2021-11-16 | 河北师范大学 | 设备控制方法、终端及*** |
CN114795178A (zh) * | 2022-04-28 | 2022-07-29 | 电子科技大学 | 一种基于多注意力神经网络的大脑状态解码方法 |
CN114795178B (zh) * | 2022-04-28 | 2023-05-05 | 电子科技大学 | 一种基于多注意力神经网络的大脑状态解码方法 |
CN116595455A (zh) * | 2023-05-30 | 2023-08-15 | 江南大学 | 基于时空频特征提取的运动想象脑电信号分类方法及*** |
CN116595455B (zh) * | 2023-05-30 | 2023-11-10 | 江南大学 | 基于时空频特征提取的运动想象脑电信号分类方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113627518B (zh) | 利用迁移学习实现神经网络脑电情感识别模型的方法 | |
Altaheri et al. | Physics-informed attention temporal convolutional network for EEG-based motor imagery classification | |
CN113693613B (zh) | 脑电信号分类方法、装置、计算机设备及存储介质 | |
CN111160139B (zh) | 心电信号的处理方法、装置及终端设备 | |
CN109165556B (zh) | 一种基于grnn身份识别方法 | |
Perna | Convolutional neural networks learning from respiratory data | |
CN113143295A (zh) | 基于运动想象脑电信号的设备控制方法及终端 | |
CN113133769A (zh) | 基于运动想象脑电信号的设备控制方法、装置及终端 | |
CN112001306A (zh) | 基于深度卷积对抗生成神经网络的脑电信号解码方法 | |
CN108256629A (zh) | 基于卷积网络和自编码的eeg信号无监督特征学习方法 | |
Köster et al. | A two-layer model of natural stimuli estimated with score matching | |
CN112990008B (zh) | 基于三维特征图和卷积神经网络的情绪识别方法及*** | |
KR20200018868A (ko) | 강화학습을 이용한 적응형 뇌파 분석 방법 및 장치 | |
CN117009780A (zh) | 一种基于对比学习的时空频域有效通道注意力运动想象脑电解码方法 | |
CN111026267A (zh) | Vr脑电意念控制接口*** | |
CN115935238A (zh) | 基于轻量级卷积网络的手势识别分类方法及装置 | |
CN114595725B (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 | |
Asghar et al. | Semi-skipping layered gated unit and efficient network: hybrid deep feature selection method for edge computing in EEG-based emotion classification | |
CN114781441A (zh) | Eeg运动想象分类方法及多空间卷积神经网络模型 | |
CN111772629B (zh) | 一种脑认知技能移植的方法 | |
CN113627391A (zh) | 一种考虑个体差异的跨模式脑电信号识别方法 | |
CN117193537A (zh) | 一种基于自适应迁移学习的双分支卷积神经网络运动想象意图解码方法 | |
CN116340825A (zh) | 一种基于迁移学习的跨被试rsvp脑电信号的分类方法 | |
CN115169384A (zh) | 脑电信号分类模型训练方法、意图识别方法、设备及介质 | |
CN114224354B (zh) | 心律失常分类方法、装置及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210723 |
|
RJ01 | Rejection of invention patent application after publication |