[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

说明书

本发明提出了一种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。用于实现运动想象分类的混合网络系统构建方法，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，并将运动想象相关特征输入混合网络，以训练混合网络。采用本发明，通过构建混合网络系统，可以实现EEG信号的特征提取和分类识别，在处理复杂的数据方面有很强的优势，结合了1D‑CNN和LSTM的优势，同时可以减少电极个数，从而减低计算成本。实验结果，在开源数据集，相比现有的其他方法，具有最高的准确率和最低的标准差。

技术领域

本发明涉及信息技术领域，尤其涉及一种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。

背景技术

脑机接口(Brain Computer Interface，BCI)技术成为近几年研究的热点之一。脑机接口是一种不依赖于常规的脑外周神经和肌肉系统，直接在大脑和计算机等电子设备之间建立起信息交流和控制的通讯系统。基于脑电(electroencephalogram，EEG)信号的BCI系统借助EEG信号建立大脑和外部事物的直接通路，替代大脑外周神经与肌肉组成的输出通路，从而实现信息交流和控制。运动想象型BCI是BCI研究最为广泛的一类，通过捕捉和识别不同运动想象任务下的EEG来实现大脑与外界的信息交换和控制。基于EEG的运动想象分类主要分为三个步骤：预处理；运动想象相关特征提取；分类。预处理阶段减少EEG信号中的噪声影响；运动想象相关特征提取阶段提取与运动想象相关的特征，然后再进行分类阶段，实现运动想象分类。

针对脑电信号正确且快速的特征提取和分类识别是基于运动想象BCI的关键部分。目前，运动想象方面已经有多种特征提取方法，如共空域模式滤波器(Common SpatialPattern，CSP)、频带功率等。但是CSP算法主要集中在提取频域特征，忽略了EEG信号的时域特征，导致准确率不高，泛化能力不足。

发明内容

本发明要解决的技术问题是相关技术中针对脑电信号的特征提取和分类识别准确率低，提供一种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。

根据本发明实施例的用于实现运动想象分类的混合网络系统构建方法，包括：

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；

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。

根据本发明的一些实施例，至少存在两个所述时间窗口的长度不同。

根据本发明的一些实施例，至少存在两个所述时间窗口信号之间相互重叠。

根据本发明的一些实施例，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。

根据本发明的一些实施例，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。

根据本发明的一些实施例，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；