欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023104272678
申请人: 苏州大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于双尺度脑区特征的运动想象分类方法,其特征在于,包括:

获取脑电信号数据分为训练集和测试集,根据脑电电极与脑区的对应关系,从全局与局部两个尺度得到所述训练集和测试集中大脑的整个采集区域与特定脑区的信息表示;

构建分类模型,使用训练集训练所述分类模型,将测试集输入训练完成的分类模型进行运动想象任务的分类预测;

训练和预测的过程包括:

从全局尺度的信息中提取大脑的整个采集区域的时间和空间特征作为全局尺度特征,建立LSTM-MHSA模块,所述LSTM-MHSA模块包括长短期记忆网络、2D卷积和多头自注意力机制;基于时间循环神经网络自适应增强全局尺度特征的时间表达得到全局特征,具体为将全局尺度特征输入所述LSTM-MHSA模块得到所述全局特征;从局部尺度的信息中分别提取特定脑区的时间和空间特征并进行特征融合作为局部尺度特征,基于时间循环神经网络自适应增强特征融合后的局部尺度特征的时间表达得到局部特征,具体为将特征融合后的局部尺度特征输入所述LSTM-MHSA模块得到所述局部特征;

基于多头注意力机制提取所述全局特征与局部特征的差异和联系得到双尺度融合特征,使用全连接层进行运动想象任务的分类,包括:将所述全局特征作为多头自注意力机制的Q值,将所述局部特征作为多头自注意力机制的K值和V值,使用多头自注意力机制进行计算;将所述全局特征作为残差与多头自注意力机制的计算结果相加得到双尺度融合特征,将所述双尺度融合特征输入全连接层进行运动想象任务的分类。

2.根据权利要求1所述的基于双尺度脑区特征的运动想象分类方法,其特征在于:根据脑电电极与脑区的对应关系,从全局与局部两个尺度得到所述训练集和测试集中大脑的整个采集区域与特定脑区的信息表示,包括:预处理所述脑电信号数据,选取所有运动想象任务的序列进行归一化处理;

划分出与特定脑区相对应的脑区电极以及大脑的整个区域的电极,结合样本的时间窗长度构建大脑的整个采集区域与特定脑区的信息表示。

3.根据权利要求2所述的基于双尺度脑区特征的运动想象分类方法,其特征在于:所述结合样本的时间窗长度构建大脑的整个采集区域与特定脑区的信息表示,具体为:将特定脑区的脑区电极建立为Ci×T的矩阵,Ci为该脑区的脑区电极个数,T为该脑区电极对应的样本的时间窗长度,i为脑区的序号;

i∈[1,N]时,为特定脑区的信息表示,N为脑区的总数量;i=0时,为大脑的整个采集区域的信息表示。

4.根据权利要求1所述的基于双尺度脑区特征的运动想象分类方法,其特征在于:提取所述全局尺度特征与局部尺度特征时,通过时间-空间特征提取模块提取,具体为:建立时间-空间特征提取模块,所述时间-空间特征提取模块包括2D卷积、深度卷积和可分离卷积,深度卷积和可分离卷积后设有激活函数和批归一化层,2D卷积后设有批归一化层;

调整大脑的整个采集区域的信息表示与特定脑区的信息表示的向量尺寸并分别输入所述时间-空间特征提取模块,得到所述全局尺度特征、局部尺度特征。

5.根据权利要求1所述的基于双尺度脑区特征的运动想象分类方法,其特征在于:所述多头自注意力机制结合残差连接和层归一化丰富特征。

6.根据权利要求1所述的基于双尺度脑区特征的运动想象分类方法,其特征在于:将所述多头自注意力机制的计算结果作为第一部分,将所述全局特征作为第二部分残差连接到所述第一部分后,将残差连接后的所述第一部分和第二部分进行层归一化处理得到所述双尺度融合特征。

7.根据权利要求1-6任一项所述的基于双尺度脑区特征的运动想象分类方法,其特征在于:训练所述分类模型时,使用交叉熵损失函数最小化分类结果与对应真实标签之间的差异,使用Adam优化器优化损失函数并更新学习率。

8.一种基于双尺度脑区特征的运动想象分类系统,其特征在于,包括:

数据获取模块,用于获取脑电信号数据分为训练集和测试集,根据脑电电极与脑区的对应关系,从全局与局部两个尺度得到所述训练集和测试集中大脑的整个采集区域与特定脑区的信息表示;

模型构建模块,用于构建分类模型;

训练模块,用于使用训练集训练所述分类模型;

测试模块,用于将测试集输入训练完成的分类模型进行运动想象任务的分类预测;

训练和预测的过程包括:

从全局尺度的信息中提取大脑的整个采集区域的时间和空间特征作为全局尺度特征,建立LSTM-MHSA模块,所述LSTM-MHSA模块包括长短期记忆网络、2D卷积和多头自注意力机制;基于时间循环神经网络自适应增强全局尺度特征的时间表达得到全局特征,具体为将全局尺度特征输入所述LSTM-MHSA模块得到所述全局特征;从局部尺度的信息中分别提取特定脑区的时间和空间特征并进行特征融合作为局部尺度特征,基于时间循环神经网络自适应增强特征融合后的局部尺度特征的时间表达得到局部特征,具体为将特征融合后的局部尺度特征输入所述LSTM-MHSA模块得到所述局部特征;

基于多头注意力机制提取所述全局特征与局部特征的差异和联系得到双尺度融合特征,使用全连接层进行运动想象任务的分类,包括:将所述全局特征作为多头自注意力机制的Q值,将所述局部特征作为多头自注意力机制的K值和V值,使用多头自注意力机制进行计算;将所述全局特征作为残差与多头自注意力机制的计算结果相加得到双尺度融合特征,将所述双尺度融合特征输入全连接层进行运动想象任务的分类。