1.一种基于ShuffleNetV2网络的运动想象脑电解码方法,其特征在于,包括如下步骤:Step1对原始脑电信号进行预处理:将原始MI‑EEG数据过滤到ERS/ERD目标μ和β波段,对预处理后的时序脑电信号通过CWT转换为二维时频能量图;
Step2对二维时频能量图进行特征提取:利用ShuffleNetV2网络提取Step1中转换后的时频能量的时频特征信息;
Step3用提取出的特征信息进行ShuffleNetV2网络模型的训练,利用训练好的ShuffleNetV2网络模型对脑电信息进行解码。
2.根据权利要求1所述的基于ShuffleNetV2网络的运动想象脑电解码方法,其特征在于,所述Step1的具体步骤为:
利用公式(1)‑(2)对预处理后的时序脑电信号进行二维时频能量转换:其中,ψ(*)为傅里叶变换,t为时间,α为尺度因子,β为平移因子,Φ为小波函数族,f(t)为给定的时域信号,CWT(α,β)为连续小波变换后最终得到的二维时频能量图。
3.根据权利要求1所述的基于ShuffleNetV2网络的运动想象脑电解码方法,其特征在于,所述Step2‑Step3的具体过程为:首先利用Group Convolution对输入的二维时频能量图进行分组,然后每组分别卷积,在每一组的卷积中,使用Depthwise Convolution的一个卷积核负责一个通道,一个通道只被一个卷积核卷积,共生成3个特征图,然后将3个特征图输入为卷积核1*1*M的Pointwise Convolution中生成新的M个特征图,其中利用公式(3)对ShuffleNetV2网络进行卷积操作:ai,j=f((Wk*x)ij+bk) (3)ai,j表示二维时频能量图,x表示输入值,Wk表示权重,bk表示偏置,f(*)表示ReLu激活函数;
然后利用channelShuffle的机制将不同组内通道间的信息流动起来,使得提取到的特征信息具有代表性和泛化的能力,最后利用公式(4)进行多分类预测:其中Softmax表示多分类预测函数,χ表示特征信息,χn表示提取到的第n个特征信息;
最后将分类预测的误差反向传播到ShuffleNetV2网络,从而对整个网络参数进行更新迭代,以得到最优化的参数,得到训练好的ShuffleNetV2网络模型。