[發明專利]一種輕量快速的運動想象腦電信號解碼方法

在審

• 申請號: 202211087807.4
• 申請日: 2022-09-07
• 公開（公告）號: CN115316955A
• 公開（公告）日: 2022-11-11
• 發明（設計）人: 馬偉鋒;薛浩杰;孫曉勇;王雨晨
• 申請（專利權）人: 浙江科技學院
• 主分類號: A61B5/00
• 分類號: A61B5/00;A61B5/372;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州萬合知識產權代理事務所(特殊普通合伙) 33294
• 代理人: 萬珠明;丁海華

本發明公開了一種輕量快速的運動想象腦電信號解碼方法，按如下步驟進行：S1、構建深度學習模型，所述深度學習模型包括時空卷積模塊、池化模塊和全連接模塊；所述時空卷積模塊由用于減少可訓練參數量的時間卷積層和用于減少通道連接的空間深度卷積層構成；所述池化模塊是堆疊池化層以降低模型的維度并減少復雜度；所述全連接模塊用于最終的分類；S2、對原始腦電信號進行預處理，然后利用深度學習模型對預處理后的腦電信號進行分類解碼。本發明可以以較少的可訓練參數量獲得更好地解碼性能，在分類精度與模型復雜度之間保持了相對的平衡。

技術領域

本發明涉及腦電信號分析技術領域，特別涉及一種輕量快速的運動想象腦電信號解碼方法。

背景技術

在運動想象腦電解碼任務中，傳統的手動提取特征的機器學習算法最典型的是共同空間模式、濾波器組共同空間模式、短時傅立葉變換以及主成分分析等。CSP算法的基本思想是找到一個空間濾波器，在運動想象腦電四分類任務中最大化此距離。相似地，FBCSP方法是CSP技術的拓展，也經常使用于腦電解碼任務中。該算法通過一組帶通濾波器提取最優的空間特征，從而選擇及分類特征。同時，在過去的運動想象腦電研究中，經常會采用例如線性分類器、支持向量機、多層感知器以及隨機森林這樣的分類方法。盡管這些方法在運動想象腦電解碼任務中已經獲得了良好的結果，但是其將特征提取和分類分成了兩個階段。

然而，傳統機器學習算法因需要手動提取特征導致的偏差有其在分類精度方面的缺陷。隨著深度學習方法在各個領域的廣泛應用并且可以高效地提取更加有意義的特征而獲得較好的效果，卷積神經網絡在腦電分類方面也應運而生。與此相反地，深度學習將特征提取和分類合并成一個步驟。根據腦電信號的時間序列性的特點，長短時期記憶網絡有著提取時間特征的能力，尤其是在處理時間序列方面占據獨到的優勢并且已經在語音識別以及自然語言處理領域有著廣泛的理解。通過在單元結構中引進門函數，LSTM可以解決普通RNN由于相關的輸入信息過大而不能學習到的數據的麻煩。 LSTM結構包含存儲單元和非線性門控單元兩個重要的分支。目前，已經有研究嘗試采用BLSTM記憶兩個通道在特定時間內的關系變化來提取時域特征并獲得了良好的分類結果。驚奇地是，實驗表明卷積神經網絡可以更好地從運動想象腦電中提取時空域以及頻域特征。值得注意地是，在已經出現的研究貢獻中，大多數學者們使用CNNs或者融合模型來提取運動想象腦電信號，但是并未考慮到資源的消耗以及模型計算復雜度，尤其在復雜度較高的融合模型中占用了較多的可訓練參數，并且他們的方案中未對提取到的特征以及卷積核輸出進行可視化。

發明內容

本發明的目的在于，提供一種輕量快速的運動想象腦電信號解碼方法。本發明可以以較少的可訓練參數量獲得更好地解碼性能，在分類精度與模型復雜度之間保持了相對的平衡。

本發明的技術方案：一種輕量快速的運動想象腦電信號解碼方法，按如下步驟進行：

S1、構建深度學習模型，所述深度學習模型包括時空卷積模塊、池化模塊和全連接模塊；所述時空卷積模塊由用于減少可訓練參數量的時間卷積層和用于減少通道連接的空間深度卷積層構成；所述池化模塊是堆疊池化層以降低模型的維度并減少復雜度；所述全連接模塊用于最終的分類；

S2、對原始腦電信號進行預處理，然后利用深度學習模型對預處理后的腦電信號進行分類解碼。

上述的輕量快速的運動想象腦電信號解碼方法，所述時空卷積模塊用于提取腦電輸入的空間和光譜特征；所述時間卷積層通過一個參數化函數定義時間卷積核的內核值，使得時間卷積層的內核值描述屬于時間濾波器的子集，以減少可訓練參數量，降低資源消耗，其中腦電信號與第個時間卷積核之間的一維卷積公式如下：

；

式中，是第個電極信號與第個時間卷積核之間的一維卷積；是總數；表示第個電極信號，代表一維卷積沿著時間維度的過濾器的長度，對應著時間卷積核的數量；是中間量；

通過參數化函數定義時間卷積核的內核值，頻域范圍內帶通濾波的振幅表達為：

；