1.一种基于空域特征时频变换的运动想象脑电解码方法,其特征在于:使用巴特沃斯带通滤波器获得脑电信号的目标频段,然后使用CSP算法对目标频段进行空域滤波,并将数据做标准化处理,再通过连续小波变换得到信号的时频能量图,时频图作为卷积神经网络的输入,最终得到该段信号的分类结果。
2.根据权利要求1所述的基于空域特征时频变换的运动想象脑电解码方法,其特征在于,具体步骤为:Step1:设计一个巴特沃斯带通滤波器,带通频带8‑30Hz,阶数5阶,获取到α,β段的运动想象脑电信号;
Step2:对Step1中滤波后的8‑30Hz频段信号使用共空间模式算法(CSP),将脑电信号进行空间滤波,然后作标准化处理;
Step3:对Step2处理好的脑电数据使用连续小波变换(CWT),获得相应的时频能量图;
Step4:设计一个卷积神经网络(CNN),该网络由卷积‑池化层和全连接层组成,将Step3获得的时频能量图作为卷积神经网络的输入,CNN能够自动提取时频图中的特征,通过反向传播更新各层参数,完成网络的学习训练;
Step5:使用测试集数据对Step4中训练好的卷积神经网络模型进行性能测试,以此验证空间滤波和时频变换在运动想象脑电信号特征提取上的有效性。
3.根据权利要求2所述的基于空域特征时频变换的运动想象脑电解码方法,其特征在于,所述Step2具体为:设X1,X2为MI‑EEG数据中的两个不同类信号,两类信号X1和X2归一化后的协方差矩阵如下:式(1),(2)中, 表示矩阵X1的转置, 表示矩阵X2的转置, 表示矩阵对角线上元素之和, 表示矩阵 对角线上元素之和;
求取混合空间的协方差矩阵:
为X1的平均协方差矩阵, 为X2的平均协方差矩阵;
根据式(3)得到的混合空间协方差矩阵进行特征值分解:T
R=UλU (4)
其中,U是矩阵λ的特征向量矩阵,λ是矩阵R特征值构成的对角阵,特征值按降序排序,计算白化值矩阵:由式(5)求得的白化矩阵和式(1),式(2)的归一化协方差矩阵求出公共特征向量矩阵:T
S1=PR1P (6)
T
S2=PR2P (7)
然后对S1,S2进行主分量分解:
式(8),(9)中,矩阵S1,S2的特征向量矩阵相等,即:B1=B2=B (10)
与此同时,特征值对应的对角矩阵λ1和λ2之和为单位矩阵I:λ1+λ2=I (11)
投影矩阵由式(5)计算出的白化矩阵和式(10)的公共特征向量矩阵决定,得到投影矩阵:T
W=BP (12)
投影矩阵W即为所求的空间滤波器,最终,空域滤波后的信号通过(13)式获得:T
S=X*W (13)
T
其中,信号X的维度为T×N,T代表采样点数,N代表通道数,W的维度为N×N,空域滤波信号S的维度为T×N。
4.根据权利要求2所述的基于空域特征时频变换的运动想象脑电解码方法,其特征在于,所述Step3具体为:选择morlet小波作为连续小波变换的基波,其表达式如下:(14)式中,ω表示频率,t表示时间;
连续小波变换通过选择一个中心频率,然后进行尺度变换得到一系列中心频率,又通过时间平移在不同的时间区间得到一系列基函数:式(15)中,α是尺度变换因子,β是时间平移因子;
这一系列基函数分别和原始信号的某一段区间作乘积积分运算,产生的极值对应的频率就是原始信号这一区间含有的频率:式(16)中,f(t)为给定的时域信号,Φα,β(t)为morlet小波函数族。
5.根据权利要求2所述的基于空域特征时频变换的运动想象脑电解码方法,其特征在于,所述Step4具体为:设Xi,i=(1,...,n)为n个训练集样本,卷积层接收输入数据,提取样本特征,得到一系列特征图:featuremap=conv(Xi,KS,KN) (17)式(17)中,Xi为训练样本,KS表示卷积核的大小,KN表示卷积核的数量,conv(*)为定义的卷积层;
激活函数采用ReLU,具体为:
f(x)=max(0,x) (18)数据经过卷积‑激活‑池化后,特征图输入到由全连接层组成的分类器中识别分类,全连接层由多个神经元构成,层与层之间全连接,各层的神经元独立,式(19)是单个神经元表达式:其中,Wi表示权值,b表示偏差;
同样,全连接层中每个神经元也需要激活函数,但是在最后一层将不使用ReLU激活,而是需要softmax函数激活,具体为:式(20)中,pi表示第i类的概率,zi表示计算出类别i的网络输出;
‑4
使用交叉熵作为损失函数,优化器选择Adam,优化器学习率设置为3×10 ,交叉熵损失函数定义如下:式(21)中,yi表示类别i的真实标签,pi表示第i类的概率,N是训练样本总数,k是类别数。