【技術實現步驟摘要】
本專利技術屬于生物醫學工程領域，特別具體涉及一種基于輕量級注意力網絡的運動想象動作識別系統。
技術介紹
1、腦機接口(brain?computer?interface，bci)可通過提取腦電信號并將其轉化為外部設備能夠理解的控制指令，實現大腦與外部設備之間的信息交互，對提高殘疾人士的生活質量、推動人機交互的發展具有重大意義。運動想象是驅動bci的一種重要范式，其中魯棒的特征提取算法對于運動想象bci系統性能的提升及應用起著關鍵性的作用。但是，由于腦電信號高維多變的時空特性和錯綜復雜的拓撲分布，研究人員通常需要運用高度專業化的數據處理技術來提取與特定動作緊密關聯的分類特征。而后的特征篩選環節，更是依賴于研究人員的專業經驗和判斷力，缺乏客觀性的同時需要耗費大量的人力和時間成本。近年來，深度神經網絡憑借其端到端的特性以及出色的自動特征提取性能得到了廣泛的應用，大大減少了研究人員的重復勞動以便于其能夠更加專注于機制和模型的研究。但是需要注意的是，由于腦電信號的非平穩性和非線性，傳統的神經網絡方法可能在運動想象動作識別中表現欠佳。此外，現有研究普遍認為腦電信號內部結構相對簡單，過深或者過復雜的結構反而會使其分類性能下降。基于此，本專利技術提出了一種基于輕量級注意力網絡的運動想象動作識別系統。該系統在eegnet神經網絡的前向傳播過程中巧妙地融入了通道注意力模塊以及深度注意力模塊，繼而通過使用深度卷積(depthwiseconv2d)、可分離卷積(separableconv2d)和逐點卷積(pointwiseconv2d)以高效的計算性能整
技術實現思路
1、為應對腦電信號信噪比低、信息整合困難以及深度神經網絡運算成本高、模型復雜度高等問題，本專利技術提出了一種基于輕量級注意力網絡的運動想象動作識別系統。
2、本專利技術提出了一種基于輕量級注意力網絡的運動想象動作識別系統，包括以下步驟：
3、步驟s1：對原始腦電信號進行如下預處理步驟：
4、對采集到的腦電信號應用4-38hz的帶通濾波提取感興趣頻段、將濾波后數據歸一化放縮至[-1,1]范圍、使用歐幾里得對齊方法對原始信號進行白化處理；
5、步驟s2：基準網絡eegnet的實現與模型初始化：
6、基準網絡eegnet依次包括：block1，block2，block3；block1包括：二維卷積層、深度卷積層；block2包括：深度卷積層、點式卷積層；block3包括：含有線性層的分類模塊；基準網絡eegnet在pytorch環境下實現，同時對模型應用xavier網絡初始化操作；
7、步驟s3：通道注意力模塊的構建：
8、構建通道注意力模塊，并將其嵌入至eegnet的block2與block3之間；
9、步驟s4：深度注意力模塊的構建：
10、構建深度注意力模塊，并將其嵌入至通道注意力模塊與block3之間；
11、步驟s5：模型訓練以及分類系統輸出：
12、將s1步驟處理后的數據進行劃分得到訓練集、驗證集以及測試集，使用adam優化器同時采用交叉熵損失函數訓練模型，并保存模型參數；將保存好的最優模型應用在測試集中，輸出模型各類別分類準確率、總準確率以及kappa值。
13、進一步地，所述步驟s1數據預處理步驟如下：
14、步驟s11：采用4-38hz有限脈沖響應濾波器提取運動想象任務的感興趣頻段數據；
15、步驟s12：為了便于后續神經網絡的訓練，采用最大歸一化將濾波后的數據放縮至[-1,1]范圍：其中xi,j表示濾波后第i行第j列的數據值，xi,j'表示歸一化后第i行第j列的數據，max(x1,1|,x1,2|,…xi,j|)表示濾波后樣本數據絕對值的最大值；
16、步驟s13：使用歐幾里得對齊方法對步驟s12歸一化所得數據進行白化處理：其中為白化后的數據，表示歸一化數據的平均協方差，xi表示第i個數據樣本，表示xi的轉置，n為樣本數量。
17、進一步地，所述步驟s2基準網絡eegnet的實現與模型初始化步驟如下：
18、步驟s21：eegnet網絡分為三個block，在block1中順序執行兩個深度卷積層，首先為f1個時序濾波器，之后送入深度卷積層學習空間濾波器；由于深度卷積層并未利用所有的特征圖，所以在一定程度上減少了可訓練的參數；在block2中，使用深度卷積以及f2個卷積核大小為(1,1)的逐點卷積，進一步減少了模型參數，更綜合了特征圖內與特征圖之間的信息；在block3中將得出的特征送入線性層以及n類的softmax函數輸出得最終結果；
19、步驟s22：模型在深度卷積層和線性層應用了xavier初始化，通過將初始權重設置在一個合理的范圍內，可以確保神經網絡模型訓練開始時的激活值保持在一個適當的尺度；如果卷積層和線性層包含偏置項，那么將其初始值設置為零，有助于神經網絡模型在訓練初期保持較小的輸出值；
20、步驟s23：設置block1中二維卷積層輸入通道和輸出通道分別為1和8，其中卷積核大小為(1,64)、步長為1、填充大小為32，之后對卷積結果進行歸一化后輸出；
21、步驟s24：設置block1中深度卷積層輸入通道和輸出通道分別為8和16，其中卷積核大小為(輸入數據通道數,1)、分組數為8；在此之后歸一化輸出并使用elu激活函數：其中x為輸入數據；以及大小為(1,4)的平均池化層，隨機失活率為0.5；
22、步驟s25：設置block2中深度卷積層輸入和輸出通道均為16，其中卷積核大小為(1,16)，步長為1，分組數為16，填充大小為8；
23、步驟s26：設置block2中點式卷積輸入和輸出通道均為16，其中卷積核大小為(1,1)，步長為1。在此之后歸一化輸出并使用elu激活函數：(其中x為輸入數據)以及大小為(1,8)的平均池化層，隨機失活率為0.5；
24、步驟s27：將block2中得到的結果送入block3分類模塊，得出最終分類結果。
25、進一步地，所述步驟s3通道注意力模塊的構建步驟如下：
26、步驟s31：在腦電數據中每個通道的時間序列都可能包含重要的信息，而通道注意力模塊能夠捕捉到時間序列中的主要趨勢。通道注意力模塊采用自適應的全局最大池化層和平均池化層，從輸入數據中提取每個通道的最大值和平均值，本文檔來自技高網...
【技術保護點】
1.一種基于輕量級注意力網絡的運動想象動作識別系統，包括以下步驟：
2.如權利要求1所述的一種基于輕量級注意力網絡的運動想象動作識別系統，其特征在于，所述步驟S1數據預處理步驟如下：
3.如權利要求1所述的一種基于輕量級注意力網絡的運動想象動作識別系統，其特征在于，所述步驟S2基準網絡EEGNet的實現與模型初始化步驟如下：
4.如權利要求1所述的一種基于輕量級注意力網絡的運動想象動作識別系統，其特征在于，所述步驟S3通道注意力模塊的構建步驟如下：
5.如權利要求1所述的一種基于輕量級注意力網絡的運動想象動作識別系統，其特征在于，所述步驟S4深度注意力模塊的構建步驟如下：
6.如權利要求1所述的一種基于輕量級注意力網絡的運動想象動作識別系統，其特征在于，所述步驟S5模型訓練以及分類系統輸出的步驟如下：
【技術特征摘要】
1.一種基于輕量級注意力網絡的運動想象動作識別系統，包括以下步驟：
2.如權利要求1所述的一種基于輕量級注意力網絡的運動想象動作識別系統，其特征在于，所述步驟s1數據預處理步驟如下：
3.如權利要求1所述的一種基于輕量級注意力網絡的運動想象動作識別系統，其特征在于，所述步驟s2基準網絡eegnet的實現與模型初始化步驟如下：
4.如權利要求1所述的...
【專利技術屬性】
技術研發人員：李發禮，宋熙鵬，姜林，王廣英，盧競，堯德中，徐鵬，
申請(專利權)人：電子科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。