[發(fā)明專利]腦機接口信號分類方法、系統(tǒng)、設(shè)備和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110421884.8
• 申請日: 2021-04-20
• 公開（公告）號: CN113180695A
• 公開（公告）日: 2021-07-30
• 發(fā)明（設(shè)計）人: 呂娜;劉星辰
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 主分類號: A61B5/369
• 分類號: A61B5/369;A61B5/372;G06F3/01;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 李紅霖

1.腦機接口信號分類方法，其特征在于，包括如下過程：

利用預(yù)訓(xùn)練的深層注意力樣本相似度遷移計算網(wǎng)絡(luò)對采集的待分類運動想象信號進(jìn)行處理，得到所述待分類運動想象信號的類別；

預(yù)訓(xùn)練的深層注意力樣本相似度遷移計算網(wǎng)絡(luò)對采集的待分類運動想象信號進(jìn)行處理的過程包括：

對采集的待分類運動想象信號進(jìn)行處理，得到所述待分類運動想象信號的表示特征；

將表示特征進(jìn)行特征拼接，得到拼接特征；

對拼接特征進(jìn)行細(xì)節(jié)特征提取，得到特定特征；

利用特定特征計算所述拼接特征與已知拼接特征之間的相似度分?jǐn)?shù)，將所述拼接特征分類為與之相似度分?jǐn)?shù)最高的已知拼接特征，將所述待分類運動想象信號分類為該已知拼接特征對應(yīng)的運動想象信號；

將待分類運動想象信號的類別輸出。

2.根據(jù)權(quán)利要求1所述的腦機接口信號分類方法，其特征在于，深層注意力樣本相似度遷移計算網(wǎng)絡(luò)的訓(xùn)練過程包括如下步驟：

S1，利用采集的運動想象信號構(gòu)建深層注意力樣本相似度遷移計算網(wǎng)絡(luò)的訓(xùn)練集，訓(xùn)練集中包括源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)；其中，源域數(shù)據(jù)帶標(biāo)簽，目標(biāo)域數(shù)據(jù)不帶標(biāo)簽；

S2，包括：

第一數(shù)據(jù)處理過程：將源域數(shù)據(jù)進(jìn)行處理，得到所述待分類運動想象信號的表示特征；將表示特征進(jìn)行特征拼接，得到拼接特征；對拼接特征進(jìn)行細(xì)節(jié)特征提取，得到特定特征；利用特定特征計算所述拼接特征與已知拼接特征之間的相似度分?jǐn)?shù)，將所述拼接特征分類為與之相似度分?jǐn)?shù)最高的已知拼接特征，將所述待分類運動想象信號分類為該已知拼接特征對應(yīng)的運動想象信號；

第二數(shù)據(jù)處理過程：將目標(biāo)域數(shù)據(jù)進(jìn)行處理，得到所述待分類運動想象信號的表示特征；將表示特征進(jìn)行特征拼接，得到拼接特征；對拼接特征進(jìn)行細(xì)節(jié)特征提取，得到特定特征；利用特定特征計算所述拼接特征與已知拼接特征之間的相似度分?jǐn)?shù)，將所述拼接特征分類為與之相似度分?jǐn)?shù)最高的已知拼接特征，將所述待分類運動想象信號分類為該已知拼接特征對應(yīng)的運動想象信號；

S3，根據(jù)第一數(shù)據(jù)處理過程的結(jié)果和第二數(shù)據(jù)處理的結(jié)果更新深層注意力樣本相似度遷移計算網(wǎng)絡(luò)的損失函數(shù)，深層注意力樣本相似度遷移計算網(wǎng)絡(luò)的損失函數(shù)包括源域數(shù)據(jù)分類損失函數(shù)和Wasserstein Distance損失函數(shù)，Wasserstein Distance損失函數(shù)為源域和目標(biāo)域之間分布轉(zhuǎn)換的損失函數(shù)；

S4，重復(fù)S2-S3，直至深層注意力樣本相似度遷移計算網(wǎng)絡(luò)的損失函數(shù)收斂，訓(xùn)練結(jié)束。

3.根據(jù)權(quán)利要求2所述的腦機接口信號分類方法，其特征在于，深層注意力樣本相似度遷移計算網(wǎng)絡(luò)的損失函數(shù)如下：

其中，為源域訓(xùn)練時的分類損失函數(shù)，為取損失函數(shù)的最小值，為Wasserstein Distance損失函數(shù)，n^b為每個batch中的樣本數(shù)量，n為樣本數(shù)量，b為batch，i為樣本次序，J為交叉熵，為第i個樣本，為第i個樣本的預(yù)測為真實標(biāo)簽的概率，D為預(yù)測predict，θ為網(wǎng)絡(luò)參數(shù)，λ為分布轉(zhuǎn)換損失函數(shù)的權(quán)值，W為Wasserstein Distance度量，x^s為源域樣本空間中的樣本，x^t為目標(biāo)域樣本空間中的樣本，s為源域，t為目標(biāo)域，l為Wasserstein Distance模塊次序；

源域訓(xùn)練時的分類損失函數(shù)如下：

其中，為相應(yīng)的真實標(biāo)簽，為真實true。

4.根據(jù)權(quán)利要求2所述的腦機接口信號分類方法，其特征在于，為源域和目標(biāo)域之間所有分布轉(zhuǎn)換損失函數(shù)的加權(quán)之和。

5.根據(jù)權(quán)利要求2所述的腦機接口信號分類方法，其特征在于，所述運動想象信號包括靜息狀態(tài)時的運動想象信號、想象左手運動時的運動想象信號、想象右手運動時的運動想象信號、想象雙手運動時的運動想象信號和想象雙腳運動時的運動想象信號。

6.根據(jù)權(quán)利要求2所述的腦機接口信號分類方法，其特征在于，S3中，使用鏈?zhǔn)角髮?dǎo)法則計算第一數(shù)據(jù)處理過程的結(jié)果和第二數(shù)據(jù)處理的結(jié)果相對于損失函數(shù)的梯度，更新深層注意力樣本相似度遷移計算網(wǎng)絡(luò)的損失函數(shù)。