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: 2025103542537
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:

1.一种运动想象脑电信号分类方法,其特征在于,所述方法包括:

获取数据集,对所述数据集进行预处理,得到目标数据集;

构建通道和时间注意力机制卷积网络模型,所述通道和时间注意力机制卷积网络模型包括通道注意力卷积模块、深度特征提取模块、时间注意力模块和分类模块;其中:所述深度特征提取模块对所述通道加权卷积特征图组进行深度特征提取,得到深度卷积特征图组;具体为:划分时间窗使用M个特征窗口同时对所述通道加权卷积特征图组中的每一通道加权卷积特征图,沿时间维度进行加窗处理,将每一所述通道加权卷积特征图分割成M个宽度相等的窗口子特征图;根据方差层对每一所述特征窗口中的每一所述窗口子特征图进行方差计算,得到M个特征窗口中每一所述窗口子特征图的方差;对每一所述窗口子特征图的方差进行自然对数运算,得到每一所述窗口子特征图的方差特征;根据每一所述通道加权卷积特征图对应的M个所述方差特征,构建每一所述通道加权卷积特征图对应的每一深度卷积特征图;根据所述每一深度卷积特征图,构建所述深度卷积特征图组;

所述时间注意力模块对所述深度卷积特征图组进行时间注意力加权处理,得到时间加权卷积特征图组;具体为:将每一所述特征窗口中的所述方差特征等量划分为h个方差特征组;对每一所述特征窗口对应的h个所述方差特征组均通过一个一维卷积层进行多头注意力处理,得到每一所述方差特征对应的每一注意力特征;对M个所述特征窗口中的每一所述注意力特征沿着时间维度进行拼接,得到每一所述深度卷积特征图对应的每一所述时间加权卷积特征图;根据每一所述时间加权卷积特征图,构建所述时间加权卷积特征图组;

构建损失函数,根据所述损失函数、所述目标数据集对所述通道和时间注意力机制卷积网络模型进行训练和测试;

将待分类运动想象脑电信号输入测试后的所述通道和时间注意力机制卷积网络模型中,输出运动想象脑电信号数据分类结果。

2.根据权利要求1所述的一种运动想象脑电信号分类方法,其特征在于,所述将待分类运动想象脑电信号输入测试后的所述通道和时间注意力机制卷积网络模型中,输出运动想象脑电信号数据分类结果;具体为:将所述待分类运动想象脑电信号输入测试后的所述通道和时间注意力机制卷积网络模型的通道注意力卷积模块中,所述通道注意力卷积模块对所述待分类运动想象脑电信号进行卷积处理,输出通道加权卷积特征图组;

将所述通道加权卷积特征图组输入所述深度特征提取模块,所述深度特征提取模块对所述通道加权卷积特征图组进行深度特征提取,得到深度卷积特征图组;

将所述深度卷积特征图组输入所述时间注意力模块,所述时间注意力模块对所述深度卷积特征图组进行时间注意力加权处理,得到时间加权卷积特征图组;

将所述时间加权卷积特征图组输入所述分类模块,所述分类模块对所述时间加权卷积特征图组进行分类处理,得到所述待分类运动想象脑电信号对应的类别,完成对所述待分类运动想象脑电信号的分类。

3.根据权利要求2所述的一种运动想象脑电信号分类方法,其特征在于,所述通道注意力卷积模块对所述待分类运动想象脑电信号进行卷积处理,输出通道加权卷积特征图组;具体为:所述待分类运动想象脑电信号输入所述通道注意力卷积模块中,所述通道注意力卷积模块中的第一时间卷积层对所述待分类运动想象脑电信号进行时间卷积处理,得到初始特征图组,并根据第一批归一化层对所述初始特征图组进行标准化处理;

根据空间卷积层对进行所述标准化处理后的所述初始特征图组进行空间卷积处理,得到空间特征图组;再根据第二批归一化层和第一非线性激活层依次对所述空间特征图组进行标准化处理和非线性激活处理;

根据平均池化层对进行所述非线性激活处理后的所述空间特征图组进行平均池化处理,再根据随机失活层对进行所述平均池化处理的所述空间特征图组进行随机失活处理;

根据通道注意力层对进行随机失活处理后的所述空间特征图组进行通道注意力加权处理,得到通道加权特征图组;

根据第二时间卷积层对所述通道加权特征图组进行时间卷积处理,再根据第三批归一化层、第二非线性激活层依次对所述空间特征图组进行标准化处理和非线性激活处理,得到所述通道加权卷积特征图组。

4.一种运动想象脑电信号分类系统,实现如权利要求1-3任一项所述的一种运动想象脑电信号分类方法,其特征在于,所述系统包括:获取模块:获取数据集,对所述数据集进行预处理,得到目标数据集;

构建模块:构建通道和时间注意力机制卷积网络模型,所述通道和时间注意力机制卷积网络模型包括、通道注意力卷积模块、深度特征提取模块、时间注意力模块和分类模块;其中:所述深度特征提取模块对所述通道加权卷积特征图组进行深度特征提取,得到深度卷积特征图组;具体为:划分时间窗使用M个特征窗口同时对所述通道加权卷积特征图组中的每一通道加权卷积特征图,沿时间维度进行加窗处理,将每一所述通道加权卷积特征图分割成M个宽度相等的窗口子特征图;根据方差层对每一所述特征窗口中的每一所述窗口子特征图进行方差计算,得到M个特征窗口中每一所述窗口子特征图的方差;对每一所述窗口子特征图的方差进行自然对数运算,得到每一所述窗口子特征图的方差特征;根据每一所述通道加权卷积特征图对应的M个所述方差特征,构建每一所述通道加权卷积特征图对应的每一深度卷积特征图;根据所述每一深度卷积特征图,构建所述深度卷积特征图组;

所述时间注意力模块对所述深度卷积特征图组进行时间注意力加权处理,得到时间加权卷积特征图组;具体为:将每一所述特征窗口中的所述方差特征等量划分为h个方差特征组;对每一所述特征窗口对应的h个所述方差特征组均通过一个一维卷积层进行多头注意力处理,得到每一所述方差特征对应的每一注意力特征;对M个所述特征窗口中的每一所述注意力特征沿着时间维度进行拼接,得到每一所述深度卷积特征图对应的每一所述时间加权卷积特征图;根据每一所述时间加权卷积特征图,构建所述时间加权卷积特征图组;

训练模块:构建损失函数,根据所述损失函数、目标数据集对所述通道和时间注意力机制卷积网络模型进行训练和测试;

分类模块:将待分类运动想象脑电信号输入测试后的所述通道和时间注意力机制卷积网络模型中,输出运动想象脑电信号数据分类结果。

5.一种电子设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-3任一项所述的一种运动想象脑电信号分类方法的步骤。

6.一种可读存储介质,其特征在于,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如权利要求1-3任一项所述的一种运动想象脑电信号分类方法的步骤。