[发明专利]一种镜卷积神经网络模型及运动想象脑电识别算法

说明书

本发明公开的一种镜卷积神经网络模型，由源模型与镜像模型共同构成了镜卷积神经网络模型；通过源脑电信号左右脑半球的脑电通道互换构造镜像脑电信号并用于运动想象识别CNN模型训练，训练好的运动想象分类CNN模型被称为源模型；镜像模型为复制所述已训练源模型形成的镜像运动想象分类模型。本发明还公开了一种基于镜卷积神经网络模型的运动想象脑电识别算法。该算法解决了现有技术中因训练数据有限、受试者间差异显著而导致分类性能过低的问题。

技术领域

本发明属于脑机接口技术领域，具体涉及一种镜卷积神经网络模型，还涉及基于该镜卷积神经网络模型的运动想象脑电识别算法。

背景技术

脑电信号(Electroencephalogram,EEG)是一种简单、灵活、无创的大脑监测方法，基于脑电信号的运动想象(Motor Imagery)识别是决定运动想象脑机接口(BrainComputer Interface,BCI)系统性能的关键技术。运动想象脑机接口需要在受试者执行特定的运动想象任务时收集其脑电信号，根据脑电信号识别运动想象内容，然后将识别结果转换为命令以控制外围设备。脑电信号具有低信噪比和低空间分辨率的特点，因此，从脑电图中提取有效判别特征是运动想象识别系统成功的关键。基于在运动想象识别中应用的特征，现有方法主要分为三类：基于频谱特征的方法，基于共空间模式(Common SpatialPattern,CSP)的方法和基于神经网络的方法。

随着深度学习的飞速发展，许多基于卷积神经网络(Convolution NeuralNetwork,CNN)的运动想象识别方法已经出现并展现出良好的实验效果。Schirrmeister研究了具有不同结构和设计选择的CNN模型EEGDecoding，实现脑电信号解码用于运动想象或运动执行的识别。实验结果表明，提出的“Shallow ConvNet”和“Deep ConvNet”网络结构的性能优于其他结构，且最新深度学习技术，包括批标准化，Drop out和ELU，可以大幅改善模型性能。EEGNet是一个紧凑的卷积网络，在四种BCI范式上均表现出出色的性能，包括P300视觉诱发电位，错误相关负反馈，运动相关皮质电位和感觉运动节律。

虽然近期基于CNN的运动想象识别模型与传统方法相比已经取得一定突破，但由于运动想象脑电信号采集难度大，且受试者间差异显著，导致对特定受试者可用训练数据有限，极大地影响了模型分类性能。

发明内容

本发明的目的是提供一种基于镜卷积神经网络模型的运动想象脑电识别算法，解决了现有技术中因训练数据有限、受试者间差异显著而导致分类性能过低的问题。

本发明的第二个目的是提供一种镜卷积神经网络模型。

本发明所采用的技术方案是，一种镜卷积神经网络模型，由源模型与镜像模型共同构成了镜卷积神经网络模型；

通过源脑电信号左右脑半球的脑电通道互换构造镜像脑电信号并用于运动想象识别CNN模型训练，训练好的运动想象分类CNN模型被称为源模型；镜像模型为复制所述已训练源模型形成的镜像运动想象分类模型。

本发明的特征还在于，

源脑电信号为：采集自出现运动想象提示之前的0.5秒到之后的4秒的4.5秒的脑电信号段，分别用4-38Hz或0-38Hz两种带通滤波器对脑电信号进行滤波，再使用移动指数平均方法去除信号噪点而获得。

镜像脑电信号是通过源脑电信号左右脑半球的脑电通道互换得到的。

本发明所采用的第二种技术方案是，一种基于镜卷积神经网络模型的运动想象脑电识别算法，具体包括以下步骤：

步骤1、训练阶段

通过源脑电信号左右脑半球的脑电通道互换构造镜像脑电信号并用于运动想象识别CNN模型训练，训练好的运动想象分类CNN模型被称为源模型；

步骤2、测试阶段