[发明专利]一种基于信道混合卷积神经网络的运动脑电信号分类方法

说明书

本发明公开了一种基于信道混合卷积神经网络的运动脑电信号分类方法，具体包括以下步骤；a、信道混合卷积层输出：对EEG信号的信道特征进行提取，将EEG信号从原先的整体性单通道输入拆解为对应各个信道的多通道输入，每个卷积核横跨所有信道，并对各个信道中的EEG信号进行横向卷积，得到信道特征；b、混合信道加工层输出：对信道混合卷积层提取的信道特征进行加工得到特征图；c、聚合：用于对信道混合加工层加工得到的特征图进行聚合；d、分类：用于承接聚合的输出并完成最终解码分类。本发明可以进行出色的解码，具有解码精度高的优点。

技术领域

本发明涉及脑电信号的数据分析领域，具体涉及一种基于信道混合卷积神经网络的运动脑电信号分类方法。

背景技术

脑电信号(EEG信号)是大脑皮层神经元产生电信号，可分为自发脑电和诱发脑电。目前，脑机接口(BCIs)能够捕获这些电信号，并将它正确“翻译”成人体所需执行指令，使得人类大脑与外部设备进行直接交互成为现实。BCI技术应用非常广泛，尤其在医疗领域，患有神经障碍或肢体残疾的病人群体可以通过搭载脑机接口的设备进行康复训练或者日常活动，对于普通群体，可以通过BCIs中采集的脑电图进行分析，从而对一些神经疾病进行检测和干预。

运动指令是目前BCIs广泛被设计来解码的目标指令，其指令信息包含于运动想象脑电信号中，为了能够从低信噪比的EEG中提取到和运动指令有关的信息并完成高精度的解码任务，大量依托机器学习构建的特征提取和分类算法被用于构建脑电信号解码模型。卷积神经网络(CNN)在脑电信号解码中获得了巨大成功，它将特征抽取和分类融为一体，但模型引入的庞大训练参数阻碍了脑电解码性能的提升，并对解码过程的解释性带来挑战。

发明内容

本发明的目的在于，提供一种基于信道混合卷积神经网络的运动脑电信号分类方法。本发明可以进行出色的解码，具有解码精度高的优点。

为解决上述技术问题，本发明提供的技术方案如下：一种基于信道混合卷积神经网络的运动脑电信号分类方法，具体包括以下步骤；

a、信道混合卷积层输出：对EEG信号的信道特征进行提取，将EEG信号从原先的整体性单通道输入被拆解为对应各个信道的多通道输入，此时每个卷积核横跨所有信道，并对各个信道中的EEG信号进行横向卷积，得到信道特征；

b、混合信道加工层输出：对信道混合卷积层提取的信道特征进行加工得到特征图；

c、聚合：用于对信道混合加工层加工得到的特征图进行聚合；

d、分类：用于承接聚合的输出并完成最终解码分类。

上述的基于信道混合卷积神经网络的运动脑电信号分类方法，步骤a中，将EEG信号从原先的整体性单通道输入被拆解为对应各个信道的多通道输入，是将EEG信号的张量为(通道＝1、高度＝C、宽度＝T)，转换成输入形式为(通道＝C、高度＝1、宽度＝T)。

前述的基于信道混合卷积神经网络的运动脑电信号分类方法，所述信道混合卷积层包含了32个由2D卷积方式实现的滤波器，其中卷积核的数目K₁为32，卷积核的尺寸F₁为(1，16)，卷积核操作时的步长S₁为(1，1)，填充大小P₁为(0,0),接收形式为(通道＝C、高度＝1、宽度＝T)的张量，激活函数为Linear；所述卷积核输入的通道数与EEG信号的信道数相等。

前述的基于信道混合卷积神经网络的运动脑电信号分类方法，步骤b中，所述混合信道加工层采用深度可分离卷积层，所述深度可分离卷积层的每个卷积核的尺寸F₂为(1，22)，深度可分离卷积层中的乘数D₂为2，共有K₂＝K₁×D₂个卷积核参与对EEG信号的信道特征的加工，每个卷积核都采用了kernel maximum norm constraint规则约束。