[发明专利]一种基于脑电信号的运动想象分类方法和系统

权利要求书

1.一种基于脑电信号的运动想象分类方法，其特征在于，包括：

获取脑电信号，并对所述脑电信号进行预处理；

获取运动想象分类模型；所述运动想象分类模型包括：特征提取模型和特征分类模型；所述特征提取模型为训练好的多尺度-时空卷积特征提取网络；所述特征分类模型为训练好的全连接层网络；

将预处理后的所述脑电信号输入至所述运动想象分类模型中，得到分类结果。

2.根据权利要求1所述的基于脑电信号的运动想象分类方法，其特征在于，获取运动想象分类模型，之前还包括：

获取第一训练集和第二训练集；

采用所述第一训练集基于损失函数对多尺度-时空卷积特征提取网络进行训练，得到所述特征提取模型；

采用所述第二训练集基于交叉熵函数对全连接层网络进行训练，得到所述特征分类模型。

3.根据权利要求1所述的基于脑电信号的运动想象分类方法，其特征在于，所述多尺度-时空卷积特征提取网络包括：第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块；

所述第一卷积模块的输出、所述第二卷积模块的输出、所述第三卷积模块的输出和所述第四卷积模块的输出经加权处理后输入至所述特征分类模型。

4.根据权利要求3所述的基于脑电信号的运动想象分类方法，其特征在于，所述第一卷积模块为时间域卷积核尺寸为第一预设值的时间卷积；所述第二卷积模块为时间域卷积核尺寸为第二预设值的时间卷积；所述第三卷积模块为时间域卷积核尺寸为第三预设值的时间卷积；所述第四卷积模块为空间域卷积核尺寸为通道数的空间卷积。

5.根据权利要求4所述的基于脑电信号的运动想象分类方法，其特征在于，所述第一预设值为10；所述第二预设值为45；所述第三预设值为100。

6.根据权利要求3所述的基于脑电信号的运动想象分类方法，其特征在于，所述第一卷积模块的Dropout概率为0.2；所述第二卷积模块的Dropout概率为0.1；所述第三卷积模块的Dropout概率为0.2；所述第四卷积模块的Dropout概率为0.2。

7.根据权利要求3所述的基于脑电信号的运动想象分类方法，其特征在于，所述第一卷积模块、所述第二卷积模块、所述第三卷积模块和所述第四卷积模块的处理过程均为：

对脑电信号进行2D卷积后，依次进行批次标准化、ReLU激活函数、平均池化、卷积处理、批次标准化、ReLU激活函数和平均池化处理。

8.根据权利要求1所述的基于脑电信号的运动想象分类方法，其特征在于，所述全连接层网络包括：依次连接的第一全连接层，激活函数和第二全连接层。

9.一种基于脑电信号的运动想象分类系统，其特征在于，包括：

脑电信号获取模块，用于获取脑电信号，并对所述脑电信号进行预处理；

分类模型获取模块，用于获取运动想象分类模型；所述运动想象分类模型包括：特征提取模型和特征分类模型；所述特征提取模型为训练好的多尺度-时空卷积特征提取网络；所述特征分类模型为训练好的全连接层网络；所述多尺度-时空卷积特征提取网络包括：第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块；所述第一卷积模块的输出、所述第二卷积模块的输出、所述第三卷积模块的输出和所述第四卷积模块的输出经加权处理后输入至所述特征分类模型；所述全连接层网络包括：依次连接的第一全连接层，激活函数和第二全连接层；

分类结果确定模块，用于将预处理后的所述脑电信号输入至所述运动想象分类模型中，得到分类结果。