[发明专利]基于4D数据表达和3DCNN的运动想象任务解码方法

权利要求书

1.基于4D数据表达和3DCNN的运动想象任务解码方法，其特征在于：

首先，对原始运动想象脑电信号MI-EEG进行基线校正和带通滤波处理；然后，利用脑源成像技术，将预处理后的MI-EEG信号从低维头皮空间映射到高维脑皮层空间，获得偶极子源估计；进而，挑选个性化的最优时间段TOI，并结合偶极子坐标系转换、插值和体积下采样操作，构建3D偶极子幅值矩阵；接着，在个性化的最优时间段TOI内设置滑窗，将滑窗内采样时刻对应的3D偶极子幅值矩阵按照采样顺序堆叠为4D偶极子特征矩阵4DDFM；利用滑窗，使特征数据扩大为原来的三倍；最后，设计三模块级联结构的三维卷积神经网络3M3DCNN，对4D偶极子特征矩阵4DDFM含有的三维空间位置信息以及一维时间信息的复合特征进行提取和识别，实现运动想象任务解码；

Step1 MI-EEG信号的预处理；

Step2脑源域偶极子的获取；

Step3 4D偶极子特征矩阵的构建；

Step4用三模块级联结构的三维卷积神经网络3M3DCNN识别4D偶极子特征矩阵。

2.根据权利要求1所述的基于4D数据表达和3DCNN的运动想象任务解码方法，其特征在于：Step1中，Step1.1假设为头皮层的脑电信号，其中m∈{1,2,3,4}代表运动想象类别标签，N_c和Y分别代表电极数量和采样时刻，R代表实数据集，

Step1.2选取运动想象静息态时段作为基准参考线，对每导联进行基线校正；并根据神经生理学理论，对校正后的脑电信号进行8-32Hz带通滤波，得到运动想象特征明显的脑电信号，记为

3.根据权利要求2所述的基于4D数据表达和3DCNN的运动想象任务解码方法，其特征在于：Step2中，Step2.1建立脑电正模型；脑电正问题表达为：

其中，代表导联场矩阵，代表偶极子电流密度，n为噪声，N_d为偶极子个数；

Step2.2求解偶极子源分布；通过求脑电逆问题，将传感器域内低空间分辨率的MI-EEG信号转换为脑源域内的偶极子，获得具有高空间分辨率的偶极子源分布，其分布模型表达为：

式中，k代表偶极子序列，t代表采样点个数；和由下式求解：

式中，λ为正则化参数。

4.根据权利要求1所述的基于4D数据表达和3DCNN的运动想象任务解码方法，其特征在于：Step3中，Step3.1，个性化的最优时间段TOI的挑选；计算各类运动想象任务的偶极子成像图，并将其空间分布差异最大的采样时刻定义为t_d，对t_d向前、后各延伸两个采样时刻，作为最优时间段，记为TOI＝[t_d-2,t_d+2]；

Step3.2，偶极子坐标系的转换；原始偶极子坐标建立在SCS坐标系下，坐标值表示为D_scs；由于其坐标值存在负值，故利用转换矩阵T_f(4×4)将SCS坐标系转换至MRI坐标系，使其坐标值均为正值，表示为D_MRI；

Step3.3，TOI内三维偶极子幅值矩阵的生成；针对最优时间段TOI内每个采样时刻，将全部偶极子的幅值赋于MRI坐标系对应位置，再经插值与体积下采样，形成30×38×28大小的三维偶极子幅值矩阵，其中含有非零元素10790个；

Step3.4，4D偶极子特征矩阵的构成及数据增广；在TOI内设置滑窗，窗长为3，步长为1；将滑窗内的采样时刻对应的三维偶极子幅值矩阵合并成一个4D偶极子特征矩阵，记为4DDFM；利用滑窗，使特征数据扩大为原来的三倍；该特征矩阵包含在真实的空间位置中偶极子幅值随时间的变化信息，如实反映由运动想象引起的脑皮层神经电生理活动。

5.根据权利要求1所述的基于4D数据表达和3DCNN的运动想象任务解码方法，其特征在于：Step4中，Step4.1基于4D偶极子特征矩阵4DDFM的时、空信息特点的三模块级联结构的三维卷积神经网络3M3DCNN的结构设计；模块1和模块2具有相同的结构：含有两个3D卷积层和一个最大池化层，具有相同大小的卷积核和步长，两个卷积层的激活函数分别为RELU和SoftMax；模块3含有两个全连接层，将提取的空间特征进行展平，并输出类别；为避免网络过拟合，并加速网络的训练过程，在三模块中均利用了批量归一化BN和Dropout技术；

Step4.2用三模块级联结构的三维卷积神经网络3M3DCNN识别4D偶极子特征矩阵4DDFM；将每次脑电实验获得的增广后的3个4D偶极子特征矩阵构成总数据集，用于三模块级联结构的三维卷积神经网络3M3DCNN的训练与测试，实现运动想象任务解码。