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: 2024105978103
申请人: 南昌大学
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:

1.一种基于多尺度滤波与注意力机制的运动想象脑电信号解码方法,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的EEG数据截取为单次实验的数据,并对单次实验的数据进行归一化处理;

步骤2:时域数据增强:在每一轮训练时,将同一类别单次实验的训练数据在时域进行均匀分割,分割后进行随机拼接增大数据集的规模;

步骤3:并行多尺度卷积模块构建:引入了并行多尺度网络,将原始EEG信号作为四个并行网络的输入,通过一个包括时间卷积层、空间卷积层和平均池化层的卷积神经网络,其中四个分支的时间卷积核大小不同;每个分支使用二维卷积提取EEG信号的时空特征,时间卷积层捕获不同带通频率的EEG信号的特征图,空间卷积层以传递不同电极通道间的信息,沿时间维度的平均池化层用于降维;

步骤4:Transformer模块构建:将卷积模块每个分支得到的特征图进行重新排列,将每个时间点的所有特征通道作为令牌token供Transformer进行处理,Transformer由两个残留子块构成,第一个残留子块由归一化和注意力机制构成,第二个残留子块由归一化和通道多层感知机构成;

步骤5:通道注意力机制模块构建:四个并行网络输出的时空特征沿着通道维度拼接,采用ECA通道注意力机制进行通道融合;

步骤6:EEG信号分类模块:该模块包含一个卷积层,利用二维卷积进行分类,卷积核大小与输入特征图的大小相同,输出特征图通道为分类任务标签个数,再去除输入张量中结尾处的空维度,以便将结果判决为单次测试信号对应的任务标签。

2.根据权利要求1所述的一种基于多尺度滤波与注意力机制的运动想象脑电信号解码方法,其特征是所述步骤(1)包括以下步骤:(1.1)将每个受试者连续的EEG信号截取为单次实验的数据,是指按照每次实验的标记将连续EEG数据分割为单次实验的数据,即截取实验任务提示前后的一段EEG数据,用于后续的数据处理与任务分类;

(1.2)使用z-score对单次实验数据进行标准化处理,将数据缩放到具有均值μ为0和标准差σ为1的范围内,计算公式如下:

3.根据权利要求1所述的一种基于多尺度滤波与注意力机制的运动想象脑电信号解码方法,其特征是所述步骤(2)包括以下步骤:(2.1)将两个不同实验时段采集的EEG数据分别当作训练集和测试集;

(2.2)将每一轮的训练数据中属于同一类的训练样本分成M段连续不重叠的数据段,每段包含相同数量的抽样点数;

(2.3)随机组合M段数据生成新的人工数据,这些数据来自同一类随机选择的同一段实验数据;增加的训练样本是由不同实验的一段组成的,具有相同的时间结构。

4.根据权利要求1所述的一种基于多尺度滤波与注意力机制的运动想象脑电信号解码方法,其特征是所述步骤(3)包括以下步骤:(3.1)将原始EEG信号作为四个并行网络的输入,每个分支包含时间卷积层、空间卷积层和平均池化层;时间卷积层引入了多尺度卷积核,卷积核大小为(1,K),步长为(1,1);四个分支卷积核的长度K分别为64、40、26和16,输出的F个特征图中包含不同带通频率的特征信号;

(3.2)空间卷积层具有F个大小为(C,1)的卷积核,步长为(1,1),C表示脑电电极通道数,输出特征图的数目为F,这个卷积层充当空间滤波器,以便传递不同电极通道间的信息;

(3.3)在空间卷积层之后,采用批归一化方法规范化每个批次的输入数据,并使用整流线性单元(ReLU)非线性激活函数,增加神经网络的非线性表达能力;

(3.4)平均池化层降低EEG信号的采样率并保留主要特征,核大小为(1,75),步长为(1,15),通过在输入特征图的局部区域取平均值,以生成新的特征图,即将每个区域的值进行平均作为该区域的代表性特征值;

(3.5)将提取的特征图进行重新排列,即将维数为(B,N,1,T1)的特征图重排为维数为(B,T1,N)的特征图,B表示批次大小,N表示特征通道,T1表示池化后的时间点数,目的是将每个时间点的所有特征通道作为一个令牌token送入Transformer模块。

5.根据权利要求1所述的一种基于多尺度滤波与注意力机制的运动想象脑电信号解码方法,其特征是所述步骤(4)包括以下步骤:(4.1)将上一模块的输出特征图X划分为h段,形成h个头,每个头的长度为F;第一个残留子块由层归一化(LN)和多头注意力机制构成,经过下式的线性变换得到第i(i=1,2,···,h)个头的三个矩阵,即查询(Query,Q)、键(Key,K)和值(Values,V);

(4.2)根据下列公式计算第i个头的键与查询之间的点积,每个点积除以

(4.3)将所有头的注意力按照下式堆叠后形成最终的多头输出;

MultiHead(Q,K,V)=[head

head

(4.4)第二个残留子块由层归一化和通道多层感知机(Multilayer Perceptron,MLP)构成,通道MLP实现通道域的信息融合,将残留连接的输出作为输入,经过MLP块可以传递通道之间的信息,其包含两个全连接层和高斯整流线性单元GELU激活函数,生成最终的输出。

6.根据权利要求1所述的一种基于多尺度滤波与注意力机制的运动想象脑电信号解码方法,其特征是所述步骤(5)包括以下步骤:(5.1)将四条分支的输出按照通道维度进行连接:

x=concat(x

式中,x

(5.2)输入特征图大小为(N,C,H,W),其中N表示批次大小,C表示特征通道数,H表示空间特征,W表示时间特征,使用全局平均池化来汇聚输入特征的各个通道信息,经全局平均池化后输出大小为(N,C,1,1);然后通过一维卷积计算通道的权重,卷积核大小为自适应大小k,用Sigmoid映射到0-1之间;最后将缩放后的权重与输入特征图进行加权,得到不同权重下的输出特征图,其中ECA中自适应卷积核计算如下:式中,C表示特征通道,核大小k表示局部跨通道交互的范围,即有多少邻居参与了一个通道的注意力预测,且k与C成正比;γ和b为两个超参数;|t|