[发明专利]一种基于脑电信号的运动想象分类方法和系统

说明书

本发明涉及一种基于脑电信号的运动想象分类方法和系统。其中，基于脑电信号的运动想象分类方法在获取脑电信号，并对脑电信号进行预处理之后，再获取包括特征提取模型和特征分类模型的运动想象分类模型，然后，将预处理后的脑电信号输入至运动想象分类模型中，得到分类结果。可见，本发明通过采用包括有特征提取模型和特征分类模型的运动想象分类模型对脑电信号进行处理，以得到分类结果，能够在提高锚点信号分类泛化性的同时，提高分类精确性。

技术领域

本发明涉及脑电信号检测技术领域，特别是涉及一种基于脑电信号的运动想象分类方法和系统。

背景技术

脑机接口(BCI)技术建立了一条人脑与计算机之间的直接通路，是人机交互下一阶段的发展方向。脑机接口系统首先采集大脑活动数据、接着进行信号处理解码人脑的意图，最后传递出指令控制外部设备。为了提高使用者产生的脑电信号质量，实践中发展出了多种范式，如P300、视觉稳态诱发和运动想象等。

运动想象是一种脑机接口经典的范式，使用者可自主发出控制指令。其生理学基础是身体运动可在大脑运动感觉区产生mu(8-12Hz)和beta(13-30Hz)节律，出现事件相关同步化和事件相关去同步化现象。相较于其他范式，具有不需要外界刺激诱发的优点。基于运动想象的脑机接口系统可用于脑卒中康复、控制电动轮椅、文本拼写器和假肢等设备，除了能简化正常人与机器交互的流程之外，还能够帮助残障人士提高生活自理能力。运动想象脑电信号的分类准确率因受信号特性和用户认知程度等多种因素影响，难以达到较高值，而且不同用户的分类准确率差异较大。运动想象系统要实时地应用在实际问题中，就必须要求其拥有很高的分类精度以及很快的反应速度。

目前对运动想象脑电信号进行分类的方法有以下三种

共空间模式算法：该方法通过最大化不同运动想象脑电信号的方差，设计最优空间滤波器。利用该滤波器对脑电信号进行滤波，得到具有较高区分度的特征向量，从而对运动想象信号进行分类。

卷积神经网络：该方法利用深度卷积神经网络，将高维原始信号投影为低维分类向量，对运动想象信号进行分类。

时频图表征：该方法首先使用快速傅立叶变化、连续小波变化等方法将脑电信号转化为时频图，之后利用计算机视觉的算法对运动想象信号进行分类。

但是，上述共空间模式算法仅考虑了不同种类的运动想象脑电信号在大脑的空间分布差异，没有关注时间域上的特征，因此存在泛化性差、准确率低等缺点。现有的深度学习算法在设计特征提取的网络结构时，没有结合脑电信号蕴含的生理意义，而是仿照自然图像的分类网络结构设置，可解释性差，提取得到的特征向量泛化性差。在设置损失函数时，使用交叉熵函数以及基于交叉熵的改进方法，只起到类间分离的约束作用，没有做到类内聚合，因此也存在分类准确率低的问题。

发明内容

为解决现有技术存在的上述问题，本发明提供了一种基于脑电信号的运动想象分类方法和系统。

为实现上述目的，本发明提供了如下方案：

一种基于脑电信号的运动想象分类方法，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。

优选地，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；