一种基于自适应提取时-频-空特征的单侧肢体精细运动想象脑电信号分类方法

技术领域

本发明属于脑机接口领域，具体为一种基于自适应提取时-频-空特征的单侧肢体精细运动想象脑电信号分类方法

背景技术

脑机接口技术是脑科学和信息科学交叉产生的新兴科学领域，是通过采集脑电生成控制信号以实现大脑和外部设备之间信息交换，在游戏娱乐、军事科学、医疗康复等领域都有着广泛的应用前景。

运动想象是脑机接口领域的主要研究热点，其表征的是一种运动意图，对运动行为的心里模拟，无实际的动作输出。然而当前大部分的运动想象研究热点都放在了空间尺度较好区分的不同肢体的运动模式，该模式会造成想象任务与外设输出模式不一致，继而导致运动意图与末端效应器之间的认知失联，难以反应使用者真实的运动意图。因此，针对单侧肢体的不同运动的精细运动想象算法的研究更具有实用价值和意义。

运动想象信号是一种极其弱小的时序信号，具有连续非平稳性和低信噪比的特性，同时由于不同的身体部位的运动想象任务会产生不同的影响，以往单纯的依靠先验知识人为去选择通道或者直接默认所有通道的权重是一样的会给精细运动想象的分类任务带来冗余的信息，另外精细运动想象脑电信号的响应时间和感兴趣频段因人而异，传统方法中对全部运动想象时间和全部节律进行时间和频域上特征的提取，容易给分类任务带来多余的噪声。

为解决上述问题，本发明提出了一种基于自适应提取时-频-空特征的单侧肢体运动想象脑电信号分类方法，并利用公开数据集MI-2对该方法进行训练和验证。针对空间域上通道选择需要过多人为干预等问题，使用CSP算法自动提取空间上最具区分度的信息。在时域和频域中通过细化切分并借用通道注意力机制自动分类权重这一特性，完成时域和频域的筛选，最后经由卷积网络对筛选后的特征进行进一步的提取并输出最终分类。

发明内容

本发明的目的在于，开发一种可自适应提取不同个体间精细运动想象的最优时-频-空域特征，提高分类精度。

为达到上述目的，发明一种基于自适应提取时-频-空的单侧肢体精细运动想象脑电信号分类方法，包括以下步骤：

步骤S1：获取精细运动想象原始脑电信号数据集，即公开数据集：MI-2；对原始数据进行预处理，降低脑电信号噪声，提高其信噪比；

步骤S2：采用滑动窗口法对步骤S1得到的预处理后的全部脑电数据进行时间分段处理；

步骤S3：针对每段时间脑电数据进行频段切分并结合CSP算法提取每段频段下的最优空域特征；

步骤S4：将同一时间段内不同频段上经步骤S3提取的空域特征轴向拼接后导入通道注意力机制中进行自适应权重分配，完成频域和空域上特征的提取和筛选；

步骤S5：将每段时间内按照步骤S4提取的特征图按照不同时间段轴向拼接导入注意力机制中进行自适应权重分配，完成时-频-空域特征的提取和筛选；

步骤S6：构建CNN卷积神经网络对步骤S5得到的特征进行分类识别，并输出最终的分类结果。

1.按照权利要求1所述的一种基于自适应提取时-频-空特征的单侧肢体精细运动想象脑电信号分类方法，其特征在于，步骤S1具体为：

S1.1：MI-2数据集共收录了25名受试者的脑电信号，被试者被要求端坐在屏幕前，按照屏幕上的提示执行相应的运动想象实验；

S1.2：脑电数据采集设备为Neuroscan公司64导联的导电帽，配合NeuroscanSynAmps2放大器进行收集，采样频率设置为1000Hz，运动想象时间为4s，数据中每个被试者需要进行900次运动想象实验；

S1.3：所述的运动想象类型共分为三类：第一类为想象右手肘部的屈伸运动；第二类为想象右手手部的抓握运动；第三类为睁眼但不进行运动想象的静息状态；

S1.4：采用0.1～40Hz的二阶巴特沃斯带通滤波器对原始脑电信号进行带通滤波抑制高频噪声，巴特沃斯带通滤波器的计算公式如式(1)所示：

其中，n为滤波器的阶数，ω

S1.5：将运动想象前0.5s信号作为基线去除信号漂移，并采用独立成分分析方法去除明显的眼电、头动等伪迹成分；

2.根据权利要求1所述的一种基于自适应提取时-频-空特征的单侧肢体精细运动想象脑电信号分类方法，其特征在于，步骤S2具体为：

S2.1：针对步骤S1中预处理后的数据进行滑动裁剪，将全部4s的运动想象时长进行裁剪分段；

S2.2：滑动窗口设置为1s，滑动步长设置为0.5s，运动想象信号被分为7段，重叠率为50％；

3.根据权利要求1所述的一种基于自适应提取时-频-空特征的单侧肢体精细运动想象脑电信号分类方法，其特征在于，步骤S3具体为：

S3.1：针对每段时间内脑电信号，采用小波包分解按照长度为4Hz，相邻频段无重叠的方式对预处理后0.1～40Hz的总频段进行分解，共分为10段；

S3.2：针对S3.1中所提的每段频段，采用CSP算法提取最优空间滤波器矩阵，从而得到空域上最具区分度的特征；

4.根据权利要求1所述的一种基于自适应提取时-频-空特征的单侧肢体精细运动想象脑电信号分类方法，其特征在于，步骤S3.2具体为：

S3.2.1：计算第k类协方差矩阵R

其中，X

S3.2.2：计算混合空间协方差矩阵R，并对其进行特征值分解，公式如式(3)所示：

其中

S3.2.3：将特征值进行降序排列构造白化矩阵P，根据P对R

S3.2.4：根据特征向量和白化矩阵构建空间滤波器W

S3.2.5：取W

5.根据权利要求1所述的一种基于自适应提取时-频-空特征的单侧肢体精细运动想象脑电信号分类方法，其特征在于，步骤S4具体为：

S4.1：将10段频段所提取的空域特征按照频段顺序进行轴向拼接，对每个频段的重要性进行评估筛选；

S4.2：首先每个频段内的空域特征会经过一层全局平均池化，计算所有空域特征的平均值；之后将得到的特征平均值作为新的输入送入两层全连接层进行权重的学习，最后通过sigmoid函数输出；

S4.3：经S4.2步骤所更新的权重与各自频带内的空域特征相乘，完成频-空自适应筛选；

6.根据权利要求1所述的一种基于自适应提取时-频-空特征的单侧肢体精细运动想象脑电信号分类方法，其特征在于，步骤S5具体为：

S5.1：将7段不同时间段内经步骤S4所筛选的频-空特征按照时间相邻顺序进行轴向拼接，对每个时间段的重要性进行评估筛选；

S5.2：首先每个时间段内的特征会经过一层全局平均池化，计算所有特征的平均值；之后将得到的特征平均值作为新的输入送入两层全连接层进行权重的学习，最后通过sigmoid函数输出；

S5.3：经S5.2步骤所更新的权重与各自时间段内的特征相乘，完成时-频-空自适应筛选；

7.根据权利要求1所述的一种基于自适应提取时-频-空特征的单侧肢体精细运动想象脑电信号分类方法，其特征在于，步骤S6具体为：

S6.1：网络结构主要包括两层卷积层进一步提取特征和一层全连接层结合softmax输出分类结果；

S6.2：本发明采用时空可分离卷积策略对卷积核进行拆分，第一层卷积为时间卷积，卷积核大小为[1×5]，卷积核个数设置为8，第二层为空间卷积，卷积核大小为[64×1]，卷积核个数设置为16；

S6.3：批次数大小设置为64，使用交叉熵损失函数，优化算法选用Adam，学习率固定选用0.001，应用早停策略，连续20个epoch训练集loss不下降停止训练；

本发明具有如下有益效果：

本发明提出的基于时-频-空自适应提取的单侧肢体运动想象脑电分类方法，聚焦于更具应用价值的单侧肢体精细运动想象领域，在时域和频域上自适应筛选受试者个性化激活时间段和频带范围，空域上基于最优空间滤波方法实现类间距离最大化，解决了以往传统算法中，最优时频段和空域特征需要大量人为干预的问题，可有效提高分类精度。

附图说明

图1为本发明整体算法流程示意图；

图2为频-空自适应选择模块示意图；

图3为通道注意力模块示意图；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。

如图1所示，本发明基于自适应提取时-频-空的单侧肢体运动想象脑电信号分类方法的具体实施方式包括以下步骤：

步骤S1：获取精细运动想象原始脑电信号数据集，即公开数据集：MI-2；对原始数据进行预处理，降低脑电信号噪声，提高其信噪比；

S1.1：MI-2数据集共收录了25名受试者的脑电信号，被试者被要求端坐在屏幕前，按照屏幕上的提示执行相应的运动想象实验；

S1.2：脑电数据采集设备为Neuroscan公司64导联的导电帽，配合NeuroscanSynAmps2放大器进行收集，采样频率设置为1000Hz，运动想象时间为4s，数据中每个被试者需要进行900次运动想象实验；

S1.3：所述的运动想象类型共分为三类：第一类为想象右手肘部的屈伸运动；第二类为想象右手手部的抓握运动；第三类为睁眼但不进行运动想象的静息状态；

S1.4：采用0.1～40Hz的二阶巴特沃斯带通滤波器对原始脑电信号进行带通滤波抑制高频噪声，巴特沃斯带通滤波器的计算公式如式(1)所示：

其中，n为滤波器的阶数，ω

S1.5：将运动想象前0.5s信号作为基线去除信号漂移，并采用独立成分分析方法去除明显的眼电、头动等伪迹成分；

步骤S2：针对步骤S1中预处理后的数据进行滑动裁剪，按照滑动窗口大小为1s，滑动步长为0.5s，将全部4s的运动想象时长进行裁剪分段，共分为7段，重叠率为50％；

步骤S3：如图2所示，针对每段时间脑电数据进行频段切分并结合CSP算法提取每段频段下的最优空域特征；

S3.1：针对每段时间内脑电信号，采用小波包分解按照长度为4Hz，相邻频段无重叠的方式对预处理后0.1～40Hz的总频段进行分解，共分为10段；

S3.2：针对S3.1中所提的每段频段，采用CSP算法提取最优空间滤波器矩阵，从而得到空域上最具区分度的特征；

步骤S4：将同一时间段内不同频段上经步骤S3提取的空域特征轴向拼接后导入通道注意力机制中进行自适应权重分配，完成频域和空域上特征的提取和筛选，通道注意力机制如图3所示；

S4.1：将10段频段所提取的空域特征按照频段顺序进行轴向拼接，对每个频段的重要性进行评估筛选；

S4.2：首先每个频段内的空域特征会经过一层全局平均池化，计算所有空域特征的平均值；之后将得到的特征平均值作为新的输入送入两层全连接层进行权重的学习，最后通过sigmoid函数输出；

S4.3：经S4.2步骤所更新的权重与各自频带内的空域特征相乘，完成频-空自适应筛选；

步骤S5：将每段时间按照步骤S4进行提取的特征图进行按照不同时间段轴向拼接导入注意力机制中进行自适应权重分配，完成时-频-空域特征的提取和筛选，通道注意力机制如图3所示；

S5.1：将7段不同时间段内经步骤S4所筛选的频-空特征按照时间相邻顺序进行轴向拼接，对每个时间段的重要性进行评估筛选；

S5.2：首先每个时间段内的特征会经过一层全局平均池化，计算所有特征的平均值；之后将得到的特征平均值作为新的输入送入两层全连接层进行权重的学习，最后通过sigmoid函数输出；

S5.3：经S5.2步骤所更新的权重与各自时间段内的特征相乘，完成时-频-空自适应筛选；

步骤S6：构建CNN卷积神经网络对步骤S5得到的特征进行分类识别，并输出最终的分类结果。

S6.1：网络结构主要包括两层卷积层进一步提取特征和一层全连接层结合softmax输出分类结果；

S6.2：本发明采用时空可分离卷积策略对卷积核进行拆分，第一层卷积为时间卷积，卷积核大小为[1×5]，卷积核个数设置为8，第二层为空间卷积，卷积核大小为[64×1]，卷积核个数设置为16；

S6.3：批次数大小设置为64，使用交叉熵损失函数，优化算法选用Adam，学习率固定选用0.001，应用早停策略，连续20个epoch训练集loss不下降停止训练；

以上所述，仅是本发明的较佳实例而已，并非对本发明作任何形式上的限制，任何熟悉本专业的技术人员在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。