[發明專利]基于4D數據表達和3DCNN的運動想象任務解碼方法

有效

• 申請號: 202110058756.1
• 申請日: 2021-01-16
• 公開（公告）號: CN112932503B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 李明愛;阮秭威;劉有軍;楊金福;孫炎珺
• 申請（專利權）人: 北京工業大學
• 主分類號: A61B5/372
• 分類號: A61B5/372;G06F18/241;G06N3/0464;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了基于4D數據表達和3DCNN的運動想象任務解碼方法，對原始運動想象腦電信號MI?EEG進行基線校正和帶通濾波處理；將預處理后的MI?EEG信號從低維頭皮空間映射到高維腦皮層空間，獲得偶極子源估計；結合偶極子坐標系轉換、插值和體積下采樣等操作，構建3D偶極子幅值矩陣；在TOI內設置滑窗，將窗內采樣時刻對應的3D偶極子幅值矩陣按照采樣順序堆疊為4D偶極子特征矩陣；設計三模塊級聯結構的三維卷積神經網絡3M3DCNN，對4DDFM含有的三維空間位置信息以及一維時間信息的復合特征進行提取和識別，實現運動想象任務解碼；本發明避免了ROI的選擇帶來的大量信息丟失，并省去了時頻分析等復雜操作步驟，有效提高了腦電信號的識別效果。

技術領域

本發明涉及腦源成像(ESI)和三維卷積神經網絡(3DCNN)，用于運動想象腦電信號(MI-EEG)識別技術領域。具體涉及：基于sLORETA算法解決腦電逆問題，結合偶極子坐標系轉換、插值、體積下采樣與時間段的優選(TOI)生成四維偶極子特征矩陣(4DDFM)，該矩陣包含了在真實的空間位置中偶極子幅值隨時間的變化信息。最后，基于4DDFM特性設計了三模塊級聯結構的3DCNN(3M3DCNN)，對4DDFM進行特征提取與識別，實現運動想象腦電信號的分類。

背景技術

腦機接口(BCI)可以為大腦和計算機或其他外部設備之間建立連接，不依賴于外周神經和肌肉組織等常規大腦信息輸出通路。EEG信號由于具有高時間分辨率、采集成本較低等特點，在康復系統中得到了廣泛的應用。但因其空間分辨率低，使得很難從傳感器域收集更多信息。利用ESI技術，將頭皮層的電極轉換為大腦皮層中具有高空間分辨率的偶極子，可以有效改善MI-EEG的不足。

CNN作為深度學習中最具有代表性算法之一，已被廣泛應用于解碼運動想象任務，在BCI研究中取得了重大進展。近些年，不少研究人員將ESI技術與CNN結合用于識別腦電信號，具有良好效果。能否成功識別運動意圖的關鍵取決于該數據特征是否可以如實地反映由運動想象引起的頭皮層活動。由于腦源域的偶極子信息龐大，現有研究均對偶極子進行感興趣區域的選擇(ROI)后進行時頻分析，造成大量信息丟失。盡管現有研究中用到了最先進的3DCNN技術，其數據特征卻為二維圖沿時間維度或偶極子個數堆疊而構成的三維數據，與3DCNN的物理意義不匹配，識別效果并沒有得到明顯提升。

發明內容

針對上述不足之處，本發明提供一種基于4D數據表達和3D3MCNN在腦源域的MI-EEG識別方法。

(1)通過求解腦電逆問題，將傳感器域的電極轉換為源域中具有高空間分辨率的偶極子，改善由MI-EEG的低空間分辨率以及體積傳導效應帶來的不利影響。

(2)計算每類運動想象任務的偶極子平均成像圖，根據平均成像圖差異最大的采樣時刻進行個性化TOI的選擇。

(3)通過偶極子坐標變換、插值與體積下采樣等操作，對TOI內每一采樣時刻構建帶有準確偶極子空間位置的3D偶極子幅值矩陣，并按照采樣順序堆疊為4DDFM，該特征矩陣包含了在真實的空間位置中偶極子幅值隨時間的變化信息。

(4)利用滑動窗口技術將得到的4DDFM進行數據擴充，其數據量擴大為原來的三倍。并輸入到設計的3M3DCNN中，對其復合特征進行提取與分類。

本發明的具體步驟如下：

Step1?EEG信號的預處理。

Step1.1假設為頭皮層的運動想象腦電信號，其中m∈{1，2，3，4}代表運動想象類別標簽，N_c和T分別代表電極數量和采樣時刻，R代表實數據集。

Step1.2選取運動想象靜息態時段作為基準參考線，對每導聯進行基線校正。并根據神經生理學理論，對校正后的腦電信號進行8-32Hz帶通濾波，得到運動想象特征明顯的腦電信號，記為

Step2基于sLORETA求解腦電逆問題。