[发明专利]用于实现运动想象分类的装置及其混合网络系统构建方法

权利要求书

1.一种用于实现运动想象分类的混合网络系统构建方法，其特征在于，包括：

采用多个时间窗口分割EEG信号，以获得多个时间窗口信号；

提取每个所述时间窗口信号的运动想象相关特征；

构建基于1D-CNN和LSTM的混合网络，并将所述运动想象相关特征输入所述混合网络，以训练所述混合网络。

2.根据权利要求1所述的用于实现运动想象分类的混合网络系统构建方法，其特征在于，至少存在两个所述时间窗口的长度不同。

3.根据权利要求1所述的用于实现运动想象分类的混合网络系统构建方法，其特征在于，至少存在两个所述时间窗口信号之间相互重叠。

4.根据权利要求1所述的用于实现运动想象分类的混合网络系统构建方法，其特征在于，所述提取每个所述时间窗口信号的运动想象相关特征，包括：

利用二阶Butterworth滤波器，通过FMS-FBCSP算法，提取每个所述时间窗口信号的CSP特征。

5.根据权利要求4所述的用于实现运动想象分类的混合网络系统构建方法，其特征在于，所述利用二阶Butterworth滤波器，通过FMS-FBCSP算法，提取每个所述时间窗口信号的CSP特征，包括：

利用二阶Butterworth滤波器，设置多个不同的带宽分别分割所述频段信号，以获得多个滤波器；

基于多个所述滤波器，采用一对一策略将FMS-FBCSP算法扩展到多分类，以提取每个所述时间窗口信号的CSP特征。

6.根据权利要求1所述的用于实现运动想象分类的混合网络系统构建方法，其特征在于，所述构建基于1D-CNN和LSTM的混合网络，包括：

设置所述混合网络的Layer1为1D-CNN层；

设置所述混合网络的Layer2为最大值池化层；

设置所述混合网络的Layer3为全连接层；

设置所述混合网络的Layer4至Layer6均为LSTM层；

设置所述混合网络的Layer12为softmax层。

7.根据权利要求6所述的用于实现运动想象分类的混合网络系统构建方法，其特征在于，所述混合网络，包括：

Layer1：1D-CNN层，卷积核大小为128*1，步长为1，激活函数为relu；

Layer2：最大值池化层，pool size＝2；

Layer3：全连接层，激活函数为relu；

Layer4：LSTM层，LSTM单元为32；

Layer5：LSTM层，LSTM单元为32；

Layer6：LSTM层，LSTM单元为32；

Layer12：Softmax层，对结果进行概率预测和分类。

8.根据权利要求1所述的用于实现运动想象分类的混合网络系统构建方法，其特征在于，所述将至少部分所述运动想象相关特征输入所述混合网络，以训练所述混合网络，包括：

采用Adam算法，并设置损失函数为MSE，以至少部分所述运动想象相关特征为输入数据，训练所述混合网络。

9.根据权利要求1所述的用于实现运动想象分类的混合网络系统构建方法，其特征在于，所述将至少部分所述运动想象相关特征输入所述混合网络，采用五折交叉验证方法，以训练所述混合网络。

10.一种用于实现运动想象分类的装置，包括：

采集系统，包括：Fz电极、FCz电极、Cz电极、CPz电极、Pz电极、C1电极、C2电极、C3电极、C4电极、C5电极、C6电极、CP1电极、CP2电极、CP3电极、以及CP4电极，各个电极用于采集EEG信号；

信号分割系统，用于采用多个时间窗口分割所述EEG信号，以获得多个时间窗口信号；

混合网络系统，用于对多个所述时间窗口信号进行运动想象分类；

所述混合网络系统基于权利要求1-9中任一项所述的用于实现运动想象分类的混合网络系统构建方法实现。