[发明专利]基于4D数据表达和3DCNN的运动想象任务解码方法

说明书

本发明公开了基于4D数据表达和3DCNN的运动想象任务解码方法，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；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；结合偶极子坐标系转换、插值和体积下采样等操作，构建3D偶极子幅值矩阵；在TOI内设置滑窗，将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；设计三模块级联结构的三维卷积神经网络3M3DCNN，对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；本发明避免了ROI的选择带来的大量信息丢失，并省去了时频分析等复杂操作步骤，有效提高了脑电信号的识别效果。

技术领域

本发明涉及脑源成像(ESI)和三维卷积神经网络(3DCNN)，用于运动想象脑电信号(MI-EEG)识别技术领域。具体涉及：基于sLORETA算法解决脑电逆问题，结合偶极子坐标系转换、插值、体积下采样与时间段的优选(TOI)生成四维偶极子特征矩阵(4DDFM)，该矩阵包含了在真实的空间位置中偶极子幅值随时间的变化信息。最后，基于4DDFM特性设计了三模块级联结构的3DCNN(3M3DCNN)，对4DDFM进行特征提取与识别，实现运动想象脑电信号的分类。

背景技术

脑机接口(BCI)可以为大脑和计算机或其他外部设备之间建立连接，不依赖于外周神经和肌肉组织等常规大脑信息输出通路。EEG信号由于具有高时间分辨率、采集成本较低等特点，在康复系统中得到了广泛的应用。但因其空间分辨率低，使得很难从传感器域收集更多信息。利用ESI技术，将头皮层的电极转换为大脑皮层中具有高空间分辨率的偶极子，可以有效改善MI-EEG的不足。

CNN作为深度学习中最具有代表性算法之一，已被广泛应用于解码运动想象任务，在BCI研究中取得了重大进展。近些年，不少研究人员将ESI技术与CNN结合用于识别脑电信号，具有良好效果。能否成功识别运动意图的关键取决于该数据特征是否可以如实地反映由运动想象引起的头皮层活动。由于脑源域的偶极子信息庞大，现有研究均对偶极子进行感兴趣区域的选择(ROI)后进行时频分析，造成大量信息丢失。尽管现有研究中用到了最先进的3DCNN技术，其数据特征却为二维图沿时间维度或偶极子个数堆叠而构成的三维数据，与3DCNN的物理意义不匹配，识别效果并没有得到明显提升。

发明内容

针对上述不足之处，本发明提供一种基于4D数据表达和3D3MCNN在脑源域的MI-EEG识别方法。

(1)通过求解脑电逆问题，将传感器域的电极转换为源域中具有高空间分辨率的偶极子，改善由MI-EEG的低空间分辨率以及体积传导效应带来的不利影响。

(2)计算每类运动想象任务的偶极子平均成像图，根据平均成像图差异最大的采样时刻进行个性化TOI的选择。

(3)通过偶极子坐标变换、插值与体积下采样等操作，对TOI内每一采样时刻构建带有准确偶极子空间位置的3D偶极子幅值矩阵，并按照采样顺序堆叠为4DDFM，该特征矩阵包含了在真实的空间位置中偶极子幅值随时间的变化信息。

(4)利用滑动窗口技术将得到的4DDFM进行数据扩充，其数据量扩大为原来的三倍。并输入到设计的3M3DCNN中，对其复合特征进行提取与分类。

本发明的具体步骤如下：

Step1 EEG信号的预处理。

Step1.1假设为头皮层的运动想象脑电信号，其中m∈{1，2，3，4}代表运动想象类别标签，N_c和T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

Step2基于sLORETA求解脑电逆问题。