MI-EEG信號的分類系統、方法、電子設備及存儲介質技術方案

本發明專利技術實施例公開了一種MI

【技術實現步驟摘要】
MI
?
EEG信號的分類系統、方法、電子設備及存儲介質


[0001]本專利技術涉及MI
?
EEG信號分類
，具體涉及一種MI
?
EEG信號的分類系統、方法、電子設備及存儲介質。

技術介紹

[0002]運動圖像（motor imagery，MI）是一種想象肢體運動行為，是在大腦想象移動特定肢體時生成的，可以通過腦電圖（electroencephalography，EEG）進行捕捉和識別；在初期，共同空間模式（common spatial patterns，CSP）是識別基于EEG
?
MI信號的最佳技術。
[0003]EEG
?
MI信號的解碼在運動醫學等領域具有潛在應用價值，然而，由于EEG
?
MI信號信噪比低、存在運動偽影和噪音以及信號的空間相關性等特點，使得分類變得十分具有挑戰性，且EGG
?
MI信號具有極高的特異性，在不同的對象之間具有很大差異，在同一對象的不同測試時點也可能具有很大差異，這樣的特異化任務對于傳統模型來說要耗費大量的時間和計算成本。

技術實現思路

[0004]本專利技術實施例的目的在于提供一種MI
?
EEG信號的分類系統、方法、電子設備及存儲介質，用以解決現有的傳統模型無法在具有固定超參數的同時完成特異性分類任務的問題。
[0005]為實現上述目的，本專利技術實施例提供一種MI
?
EEG信號的分類方法，所述方法具體包括：獲取MI
?
EEG信號數據集，對所述MI
?
EEG信號數據集進行預處理得到預處理后的數據集，基于所述數據集劃分訓練集和測試集；構建多分支卷積神經網絡模型，其中，所述多分支卷積神經網絡模型包括第一分支、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別包括EEGNet卷積塊和卷積注意力模塊，所述第一分支、所述第二分支和所述第三分支通過softmax層連接；通過所述訓練集對所述多分支卷積神經網絡模型進行訓練；通過所述測試集對訓練后的多分支卷積神經網絡進行性能評估，得到目標多分支卷積神經網絡模型；將待分類的MI
?
EEG信號輸入所述目標多分支卷積神經網絡模型，得到分類結果。
[0006]在上述技術方案的基礎上，本專利技術還可以做如下改進：進一步地，所述EEGNet卷積塊包括依次連接的第一卷積層、第二卷積層和第三卷積層，且所述第一卷積層、所述第二卷積層和所述第三卷積層的窗口大小不同。
[0007]進一步地，所述卷積注意力模塊包括通道注意力子模塊和空間注意力子模塊；所述通道注意力子模塊包括平均池層、最大池層和共享網絡，所述共享網絡包括多層感知器，所述多層感知器具有一個隱藏層，所述平均池層和所述最大池層接收輸入特
征后生成特征圖，所述共享網絡接收所述特征圖后輸出通道細化的特征；所述空間注意力子模塊包括平均池層、最大池層和卷積層，所述通道細化的特征經所述包括平均池層、所述最大池層和所述卷積層輸出精細化的特征映射。
[0008]進一步地，所述構建多分支卷積神經網絡模型，其中，所述多分支卷積神經網絡模型包括第一分支、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別包括EEGNet卷積塊和卷積注意力模塊，所述第一分支、所述第二分支和所述第三分支通過softmax層連接，包括：將所述第一分支、所述第二分支和所述第三分支中的EEGNet卷積塊和卷積注意力模塊分別設置不同數量的參數，以捕獲不同的特征。
[0009]一種MI
?
EEG信號的分類系統，包括：獲取模塊，用于獲取MI
?
EEG信號數據集；預處理模塊，用于對所述MI
?
EEG信號數據集進行預處理得到預處理后的數據集，基于所述數據集劃分訓練集和測試集；構建模塊，用于構建多分支卷積神經網絡模型，其中，所述多分支卷積神經網絡模型包括第一分支、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別包括EEGNet卷積塊和卷積注意力模塊，所述第一分支、所述第二分支和所述第三分支通過softmax層連接；訓練模塊，用于通過所述訓練集對所述多分支卷積神經網絡模型進行訓練；測試模塊，用于通過所述測試集對訓練后的多分支卷積神經網絡進行性能評估，得到目標多分支卷積神經網絡模型；所述多分支卷積神經網絡模型基于待分類的MI
?
EEG信號得到分類結果。
[0010]進一步地，所述EEGNet卷積塊包括依次連接的第一卷積層、第二卷積層和第三卷積層，且所述第一卷積層、所述第二卷積層和所述第三卷積層的窗口大小不同。
[0011]進一步地，所述卷積注意力模塊包括通道注意力子模塊和空間注意力子模塊；所述通道注意力子模塊包括平均池層、最大池層和共享網絡，所述共享網絡包括多層感知器，所述多層感知器具有一個隱藏層，所述平均池層和所述最大池層接收輸入特征后生成特征圖，所述共享網絡接收所述特征圖后輸出通道細化的特征；所述空間注意力子模塊包括平均池層、最大池層和卷積層，所述通道細化的特征經所述包括平均池層、所述最大池層和所述卷積層輸出精細化的特征映射。
[0012]進一步地，所述MI
?
EEG信號的分類系統還包括設置模塊，所述設置模塊用于將所述第一分支、所述第二分支和所述第三分支中的EEGNet卷積塊和卷積注意力模塊分別設置不同數量的參數，以捕獲不同的特征。
[0013]一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如所述方法的步驟。
[0014]一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現所述方法的步驟。
[0015]本專利技術實施例具有如下優點：本專利技術中MI
?
EEG信號的分類方法，獲取MI
?
EEG信號數據集，對所述MI
?
EEG信號數據集進行預處理得到預處理后的數據集，基于所述數據集劃分訓練集和測試集；構建多分
支卷積神經網絡模型，其中，所述多分支卷積神經網絡模型包括第一分支、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別包括EEGNet卷積塊和卷積注意力模塊，所述第一分支、所述第二分支和所述第三分支通過softmax層連接；通過所述訓練集對所述多分支卷積神經網絡模型進行訓練；通過所述測試集對訓練后的多分支卷積神經網絡進行性能評估，得到目標多分支卷積神經網絡模型；將待分類的MI
?
EEG信號輸入所述目標多分支卷積神經網絡模型，得到分類結果；解決了現有的傳統模型無法在具有固定超參數的同時完成特異性分類任務的問題。
附圖說明
[0016]為了更清楚地說明本專利技術的實施方式或現有技術中的技術方案，下面將對實施方式或現有技術描述中所需要使用的附圖作簡單地介紹。顯而易見地，本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種MI
?
EEG信號的分類方法，其特征在于，所述方法具體包括：獲取MI
?
EEG信號數據集，對所述MI
?
EEG信號數據集進行預處理得到預處理后的數據集，基于所述數據集劃分訓練集和測試集；構建多分支卷積神經網絡模型，其中，所述多分支卷積神經網絡模型包括第一分支、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別包括EEGNet卷積塊和卷積注意力模塊，所述第一分支、所述第二分支和所述第三分支通過softmax層連接；通過所述訓練集對所述多分支卷積神經網絡模型進行訓練；通過所述測試集對訓練后的多分支卷積神經網絡進行性能評估，得到目標多分支卷積神經網絡模型；將待分類的MI
?
EEG信號輸入所述目標多分支卷積神經網絡模型，得到分類結果。2.根據權利要求1所述MI
?
EEG信號的分類方法，其特征在于，所述EEGNet卷積塊包括依次連接的第一卷積層、第二卷積層和第三卷積層，且所述第一卷積層、所述第二卷積層和所述第三卷積層的窗口大小不同。3.根據權利要求1所述MI
?
EEG信號的分類方法，其特征在于，所述卷積注意力模塊包括通道注意力子模塊和空間注意力子模塊；所述通道注意力子模塊包括平均池層、最大池層和共享網絡，所述共享網絡包括多層感知器，所述多層感知器具有一個隱藏層，所述平均池層和所述最大池層接收輸入特征后生成特征圖，所述共享網絡接收所述特征圖后輸出通道細化的特征；所述空間注意力子模塊包括平均池層、最大池層和卷積層，所述通道細化的特征經所述包括平均池層、所述最大池層和所述卷積層輸出精細化的特征映射。4.根據權利要求1所述MI
?
EEG信號的分類方法，其特征在于，所述構建多分支卷積神經網絡模型，其中，所述多分支卷積神經網絡模型包括第一分支、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別包括EEGNet卷積塊和卷積注意力模塊，所述第一分支、所述第二分支和所述第三分支通過softmax層連接，包括：將所述第一分支、所述第二分支和所述第三分支中的EEGNet卷積塊和卷積注意力模塊分別設置不同數量的參數，以捕獲不同的特征。5.一種MI
?
EEG信號的分類系統，其特征在于，包括：獲取模塊，用于獲取MI
...

【專利技術屬性】
技術研發人員：劉偉奇，馬學升，陳金鋼，彭思源，王肖瑋，陳韻如，
申請(專利權)人：同心智醫科技北京有限公司，
類型：發明
國別省市：