[发明专利]MI-EEG信号的分类系统、方法、电子设备及存储介质

说明书

本发明实施例公开了一种MI‑EEG信号的分类系统、方法、电子设备及存储介质，MI‑EEG信号的分类方法包括：对MI‑EEG信号数据集进行预处理得到预处理后的数据集，基于数据集划分训练集和测试集；构建多分支卷积神经网络模型，第一分支、第二分支和第三分支分别包括EEGNet卷积块和卷积注意力模块；通过训练集和测试集得到目标多分支卷积神经网络模型；将待分类的MI‑EEG信号输入目标多分支卷积神经网络模型，得到分类结果。该MI‑EEG信号的分类方法解决现有的传统模型无法在具有固定超参数的同时完成特异性分类任务的问题。

技术领域

本发明涉及MI-EEG信号分类技术领域，具体涉及一种MI-EEG信号的分类系统、方法、电子设备及存储介质。

背景技术

运动图像（motor imagery，MI）是一种想象肢体运动行为，是在大脑想象移动特定肢体时生成的，可以通过脑电图（electroencephalography，EEG）进行捕捉和识别；在初期，共同空间模式（common spatial patterns，CSP）是识别基于EEG-MI信号的最佳技术。

EEG-MI信号的解码在运动医学等领域具有潜在应用价值，然而，由于EEG-MI信号信噪比低、存在运动伪影和噪音以及信号的空间相关性等特点，使得分类变得十分具有挑战性，且EGG-MI信号具有极高的特异性，在不同的对象之间具有很大差异，在同一对象的不同测试时点也可能具有很大差异，这样的特异化任务对于传统模型来说要耗费大量的时间和计算成本。

发明内容

本发明实施例的目的在于提供一种MI-EEG信号的分类系统、方法、电子设备及存储介质，用以解决现有的传统模型无法在具有固定超参数的同时完成特异性分类任务的问题。

为实现上述目的，本发明实施例提供一种MI-EEG信号的分类方法，所述方法具体包括：

获取MI-EEG信号数据集，对所述MI-EEG信号数据集进行预处理得到预处理后的数据集，基于所述数据集划分训练集和测试集；

构建多分支卷积神经网络模型，其中，所述多分支卷积神经网络模型包括第一分支、第二分支和第三分支，所述第一分支、所述第二分支和所述第三分支分别包括EEGNet卷积块和卷积注意力模块，所述第一分支、所述第二分支和所述第三分支通过softmax层连接；

通过所述训练集对所述多分支卷积神经网络模型进行训练；

通过所述测试集对训练后的多分支卷积神经网络进行性能评估，得到目标多分支卷积神经网络模型；

将待分类的MI-EEG信号输入所述目标多分支卷积神经网络模型，得到分类结果。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步地，所述EEGNet卷积块包括依次连接的第一卷积层、第二卷积层和第三卷积层，且所述第一卷积层、所述第二卷积层和所述第三卷积层的窗口大小不同。

进一步地，所述卷积注意力模块包括通道注意力子模块和空间注意力子模块；

所述通道注意力子模块包括平均池层、最大池层和共享网络，所述共享网络包括多层感知器，所述多层感知器具有一个隐藏层，所述平均池层和所述最大池层接收输入特征后生成特征图，所述共享网络接收所述特征图后输出通道细化的特征；

所述空间注意力子模块包括平均池层、最大池层和卷积层，所述通道细化的特征经所述包括平均池层、所述最大池层和所述卷积层输出精细化的特征映射。

进一步地，所述构建多分支卷积神经网络模型，其中，所述多分支卷积神经网络模型包括第一分支、第二分支和第三分支，所述第一分支、所述第二分支和所述第三分支分别包括EEGNet卷积块和卷积注意力模块，所述第一分支、所述第二分支和所述第三分支通过softmax层连接，包括：

将所述第一分支、所述第二分支和所述第三分支中的EEGNet卷积块和卷积注意力模块分别设置不同数量的参数，以捕获不同的特征。