[发明专利]基于集成Transformer的运动想象解码方法和解码系统

权利要求书

1.基于集成Transformer的运动想象解码方法，其特征在于，包括以下步骤：

规范化EEG脑电信号数据；

滑动时间窗口数据划分，以预定时间窗口参数切分通道数据，扩增数据量，其中所述预定时间窗口参数包括窗口大小数据和滑动步长参数；

Transformer模型自动特征提取；

全连接分类网络；

投票策略处理，包括依次进行模型训练和数据测试。

2.如权利要求1所述基于集成Transformer的运动想象解码方法，其特征在于，所述Transformer模型自动特征提取，包括：

将经过规范化和划分后的脑电数据 转换成时间序列，其中,为通道数，为采样点数，然后将每一列数据捆绑成一个一维向量作为输入Transformer的单个词向量，其中表示时间序列中的第个位置，，将数据转换为形式；

对输入的数据进行嵌入处理，使得数据的输入契合Transformer模型数据输入的需要；

对嵌入后的数据进行位置编码；

将编码后的数据输入至自注意力机制模块，以抽取得到与全序列相关的全局特征，进行特征抽取。

3.如权利要求2所述基于集成Transformer的运动想象解码方法，其特征在于，在所述滑动时间窗口数据划分，以预定时间窗口参数切分通道数据，扩增数据量，其中所述预定时间窗口参数包括窗口大小数据和滑动步长参数中，设定原始数据为，其中为通道数，为采样点数，设定窗口大小为0.8，步长为0.05，切分出五个时间片段数据，分别为：

，，，，。

4.如权利要求3所述基于集成Transformer的运动想象解码方法，其特征在于，在所述对输入的数据进行嵌入处理，使得数据的输入契合Transformer模型数据输入的需要中，通过对输入数据的嵌入处理，重新对输入的单个词向量进行编码，编码方式通过线性连接层实现，即。

5.如权利要求4所述基于集成Transformer的运动想象解码方法，其特征在于，在所述对嵌入后的数据进行位置编码中，所述位置编码使用cosine编码，cosine编码公式为：

，

其中为词向量维度，为时间点，为词向量每一个维度数据的位置。

6.如权利要求5所述基于集成Transformer的运动想象解码方法，其特征在于，在所述将编码后的数据输入至自注意力机制模块，以抽取得到与全序列相关的全局特征，进行特征抽取中，将输入数据做三维全连接网络得到Q、K、V三个矩阵，然后做全时间序列的点积计算相似度，从而抽取得到与全序列相关的全局特征，其中多头代表通过不同的全连接得到多个Q、K、V矩阵去做计算多重尺度下的相似度。

7.如权利要求6所述基于集成Transformer的运动想象解码方法，其特征在于，在所述将编码后的数据输入至自注意力机制模块，以抽取得到与全序列相关的全局特征，进行特征抽取中，在多头自注意力机制之后进行层归一化，进而对数据进行归一化。

8.如权利要求7所述基于集成Transformer的运动想象解码方法，其特征在于，在全连接分类网络中，依次包括以下步骤：

首先将Transformer网络中提取的特征进行平化操作；

设置整个分类网络形成两层隐藏层，隐藏层的大小由大到小平滑减小；

使用交叉熵损失函数，公式如下：

；

优化器使用的随机梯度下降(SGD)进行反向传播更新网络参数，学习率设置为0.0001。

9.如权利要求8所述基于集成Transformer的运动想象解码方法，其特征在于，在所述投票策略处理，包括依次进行模型训练和数据测试中，通过Transformer网络进行模型训练；

数据测试具体为：使用滑动时间窗进行数据切分，对切分后的数据进行数据预测，得到预测结果，统计不同类别预测结果的个数，其中个数多的分类结果为最终预测结果。

10.基于集成Transformer的运动想象解码系统，其特征在于，包括：

脑电数据规范单元，用于规范EEG脑电信号数据，使得通道数据的均值为0，且幅值处于预定范围内；

滑动时间窗口数据划分单元，用于以预定时间窗口参数切分所述通道数据，以扩增数据量，其中所述预定时间窗口参数包括窗口大小数据和滑动步长参数；

Transformer模型自动特征提取单元，用于进行权利要求1至9任一所述基于集成Transformer的运动想象解码方法的Transformer模型自动特征提取；

全连接分类网络单元；以及

投票策略处理单元，其中所述投票策略处理单元包括模型训练单元和数据测试单元。