[发明专利]一种基于脑电运动想象的空域特征强化方法

说明书

一种基于脑电运动想象的空域特征强化方法，涉及脑电信号处理技术领域，所述方法包括：步骤一、数据过滤；步骤二、数据分割；步骤三、构建数据结构；步骤四、特征提取。本发明通过强化关键的空间特征，提高运动想象识别效果，提高脑电运动想象识别的准确率和普适性，并提高了脑机交互地实时效率。

技术领域

本发明涉及脑电信号处理技术领域，具体地，涉及一种基于脑电运动想象的空域特征强化方法。

背景技术

传统的脑电波特征提取方法，很难兼顾时域、频光谱密度，为避免这个问题在脑电波机器学习研究方面，人们开始引用端到端(End-to-End)的模式实现分类识，满足脑机交互要求实时性高的需求。而实现脑电波端到端的机器学习。而实现脑电波端到机器学习，达到从原始数据输入到最终输出分类器、识别结果等，无需太多人工设置，利用层神经网络能够耦合任意非线性函数，这不仅是将输入无需太多人工设置，利用层神经网络能够耦合任意非线性函数这不仅是将输入无需太多人工设置，利用层神经网络能够耦合任意非线性函数，这不仅是将输入数据经预处理，依先验知识利用传统的网络学习特征进行分类；还可以将非线性的学习网络中嵌入神经模式转换算法，如注意力机制、反向传播、决策树、贪婪追逐等算法，使得对数据的拟合更加灵活，它具有高度鲁棒性和噪声信号容错能力，并且可以完全近似复杂的非线性关系。然而，由于脑电波信息很容易受外界环境影响被干扰、丢失且个体活动规律差异大，运动想象的分类精度有待提高。脑机交互的应用对于时效性、任务复杂或环境不确定要求高且小样本的机器学习训练难以识别对于未经象多项任务，使得针脑电波且小样本的机器学习训练难以识别对于未经象多项任务，使得针脑电波运动感觉节律依赖大量样本、多个源域和令人困惑的深度学习方法的机器学习。

目前在学习脑电空间特征的机器学习方法中，表现突出的为卷积神经网络(CNN)和深度信念网络(DBN)，网络结构过于复杂，扩展性还需改进。目前针对端到端的脑电运动想象空域特征提取，主要采用卷积、池化等传统的机器学习方法，其分类准确率不高。

发明内容

鉴于现有技术中的上述缺陷或不足，本发明的目的是提供一种基于脑电运动想象的空域特征强化方法。该方法采用自注意力机制的脑电时域特征提取方法，通过强化关键的空间特征，提高运动想象识别效果，提高脑电运动想象识别的准确率和普适性，并实现脑机交互地实时效率。

为了解决上述问题，第一方面，本发明提供了一种基于脑电运动想象的空域特征强化方法，所述方法包括：

数据过滤,采用快速傅里叶变换算法FFT进行过滤，提取脑电运动想象的区域在α和β波段，即4Hz～40Hz节律段的脑电信号；

数据分割，采用2s的时间窗、步长100ms的滑动窗，获取脑电数据；

构建数据结构，提取运动想象区20个采集通道的数据，排列按照从前往后，左右对称的方式排列，构建二维信号矩阵；

特征提取。

第二方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现本申请实施例描述的方法。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：

所述计算机程序被处理器执行时实现如本申请实施例描述的方法。

附图说明

以下将结合附图对本发明的实施方案进行描述，其中

图1示出了本申请的基于脑电运动想象的空域特征强化流程示意图；

图2示出了本申请的提取的20个训练电极示意图；

图3示出了本申请的SSA模块示意图。

具体实施方式