1.一种结合EEGNet与FBCSP的多类运动想象脑机接口解码方法,其特征是包括以下步骤:步骤1:数据预处理:将每个受试者的连续EEG信号分割成单次实验的EEG信号,使用滤波器组对单次实验的EEG信号进行子带滤波;
步骤2:EEG信号分类策略:将每个受试者的实验数据分为训练集和测试集,并使用留一法将每个受试者作为测试受试者一次;
步骤3:EEGNet模型训练和分类:使用迁移学习方法对EEGNet模型进行训练;使用训练好的模型对测试数据进行分类,获得单次测试实验对所有运动想象任务所有类的特征得分矢量;
步骤4:FBCSP模型训练和分类:使用一对一策略对FBCSP算法进行训练,获得每个子带每对任务的空域滤波器;对训练和测试数据进行空域滤波,分别获得每个子带每对任务的训练和测试特征信号;分别将每对任务所有子带的训练和测试特征信号连接在一起,使用前者训练一个两类支持向量机SVM对后者进行分类,获得每对任务的两个分类得分;将每个任务的所有分类得分相加,作为单次测试实验对每个任务类别的分类得分;
步骤5:EEG信号分类:分别将EEGNet和FBCSP模型获得的分类得分矢量标准化,然后将这两个归一化的分类得分矢量相加,最后将得分最大值对应的运动想象任务判决为单次测试信号对应的任务标签。
2.根据权利要求1所述的一种结合EEGNet与FBCSP的多类运动想象脑机接口解码方法,其特征是步骤(1)中:所述对连续的EEG信号进行截取,是指将连续的EEG数据分割为单次实验的数据,即截取每次实验任务提示后一段数据,用于后续的数据处理;
所述使用滤波器组对单次实验的EEG信号进行子带滤波,是指将单次实验的EEG数据在滤波器组包括各个子带进行带通滤波;
所述的带通滤波采用四阶巴特沃斯无限冲激响应(IIR)数字滤波器。
3.根据权利要求1所述的一种结合EEGNet与FBCSP的多类运动想象脑机接口解码方法,其特征是步骤(2)中:所述将每个受试者的实验数据分为训练集和测试集,是指如果原始数据集没有划分为训练和测试两个部分,则使用交叉验证等方法将每个受试者的实验数据分为训练集和测试集;
所述使用留一法将每个受试者作为测试受试者一次,是指依次将每个受试者作为测试受试者,其训练数据用于训练分类模型,而其测试数据用于评价BCI的分类性能;将所有受试者平均分类精度用于BCI性能的衡量标准。
4.根据权利要求1所述的一种结合EEGNet与FBCSP的多类运动想象脑机接口解码方法,其特征是所述步骤(3)中:所述EEGNet,是指基于EEG数据的卷积神经网络(EEG-based convolutional neuralnetwork,EEGNet),可以对运动想象等诱发的EEG信号进行深度学习;EEGNet分为三个模块:模块1包括1个大小为(1,64)的时间卷积、1个大小为(C,1)的深度方向的卷积,C为通道数、2个批归一化层、1个指数线性单元激活层、1个平均池化层与1个随机失活层;模块2包括1个可分的卷积、1个批归一化层、1个指数线性单元激活层、1个平均池化层、1个随机失活层与1个展平层;模块3是一个分类模块,特征直接输入到一个具有N个单元的softmax分类层,N为类数;EEGNet使用具有缺省参数的Adam优化器进行模型拟合,最小化类互熵损失函数;
所述使用迁移学习方法对EEGNet模型进行训练,是指训练分两个阶段进行:第一阶段使用所有受试者的训练数据对EEGNet进行全局训练,获得所有受试者通用的卷积层和全连接层的权和偏置;第二阶段使用测试受试者的训练数据对EEGNet进行局部训练,并将第一阶段训练得到的权和偏置迁移到第二阶段训练,作为EEGNet权和偏置的初始值;经过两阶段的训练后,得到每个受试者特定的EEGNet模型net;
所述使用训练好的模型对测试数据进行分类,是指根据每个受试者特定的EEGNet模型,使用神经网络分类函数classify()对该受试者的测试数据进行分类,获得第i次测试实验
5.根据权利要求1所述的一种结合EEGNet与FBCSP的多类运动想象脑机接口解码方法,其特征是步骤(4)中:所述FBCSP算法是指基于滤波器组的CSP算法,即对滤波器组每个子带滤波的EEG信号施加用于两类信号的CSP算法;
所述使用一对一策略对FBCSP模型进行训练,是指如果EEG数据包括N所述使用测试受试者的训练数据训练FBCSP算法模型的过程如下:假设单次实验的EEG信号在子带k滤波后表示为式中,上标T表示转置运算,而trace(A)表示矩阵A的迹运算;N
FBCSP算法旨在通过最小化下面的目标函数来估计一个空域滤波矩阵
式中,
所述获得每个子带每对任务的训练和测试特征信号的过程如下:假设子带k单次实验的训练和测试信号分别为所述获得每对任务的两个测试特征得分的过程如下:分别连接所有子带的训练和测试特征信号,获得每对任务的训练特征向量f式中,
式中,predict()为SVM预测函数;
所述将每个任务的所有测试得分相加的过程如下:对于包含N
6.根据权利要求1所述的一种结合EEGNet与FBCSP的多类运动想象脑机接口解码方法,其特征是步骤(5)包括以下步骤:(5.1)分别将EEGNet模型和FBCSP模型的分类得分标准化,将它们分别除以EEGNet模型和FBCSP模型的训练集平均得分,然后将两者相加可得第i次测试实验总的分类得分如下:式中,nornalize表示归一化函数;
(5.2)测试信号
式中,N