CN113158949A - 一种基于自监督学习的运动想象脑电信号分类方法 - Google Patents

Abstract

本发明公开一种基于自监督学习的运动想象脑电信号分类方法，包括辅助任务和目标任务学习；在辅助任务学习中，对每条运动想象脑电信号样本分割成多个块，并随机排列组合得到乱序的脑电信号样本，采用卷积神经网络对正序和乱序脑电信号样本分类，得到辅助任务最优模型；在目标任务学习中，将辅助任务最优模型迁移至目标任务网络初始化权重，并采用少量标记样本，更新目标任务网络，得到运动想象脑电信号分类模型；使用该模型对测试样本进行分类，得到分类结果。本发明提出的自监督学习方法，可有效提高目标任务网络的收敛效率，提升运动想象脑电信号分类的准确率。

Description

一种基于自监督学习的运动想象脑电信号分类方法

技术领域

本发明属于机器学习技术领域，尤其涉及一种基于自监督学习的运动想象脑电信号分类方法。

背景技术

有监督学习方法已经在机器学习的各种领域中广泛应用，在支持向量机、卷积神经网络等模型上使用有监督学习方法，可以大大提高结果的准确率，获得一个性能优异的模型。但有监督学习方法具有样本的依赖性，需要依赖大量的标记数据才能得到很好地效果，在少量样本的情况下，有监督学习方法并不能有效学习特征，通过训练所得的模型性能较差且不稳定。而在实际任务中，获得大量的标记数据十分困难且要花费大量人力物力。因此，存在小样本如何训练一个有效模型的问题。

在脑电信号领域中，普遍存在如何使用小样本训练一个有效模型的问题。自监督学习方法是近年来一种新的解决方案。主要是利用辅助任务从数据自身的结构或特征中挖掘监督信息，再通过所挖掘的监督信息对模型进行监督训练，从而学习到对目标任务有价值的表征。因此，如何构造一个有效的辅助任务是自监督学习方法的主要问题。

发明内容

针对如何构造一个有效的辅助任务，本发明提供一种基于自监督学习的运动想象脑电信号分类方法，在有少量数据的情况下，实现分类性能相比于有监督学习方法更加优异。

为解决上述技术问题，本发明采用技术方案为一种基于自监督学习的运动想象脑电信号分类方法，包括以下步骤：

步骤1：引入运动想象脑电信号数据集，通过预处理方法得到预处理后运动想象脑电信号的数据集，其中运动脑电信号数据集中包含少量标记样本，由这些标记样本构成标签集；

步骤2：将经过预处理后每条运动想象脑电信号样本中每个通道的脑电信号分割成多个块得到运动想象脑电信号样本块，将预处理后每条运动想象脑电信号样本中每个通道的脑电信号对应的多个运动想象脑电信号样本块随机排列组合得到乱序的脑电信号样本，进一步构建扩充数据集和对应的标签集；

步骤3：以扩充数据集作为训练样本，输入EfficientNet网络进行训练得到运动想象脑电信号是否为正序的结果，进一步结合扩充数据集对应的标签集构建EfficientNet网络的损失函数，优化EfficientNet网络权重参数通过优化训练得到优化后的EfficientNet网络；

步骤4：将辅助任务优化后的EfficientNet网络模型迁移至目标任务的EfficientNet网络模型初始化权重。将预处理后运动想象脑电信号数据集中的少量标记样本输入目标任务的EfficientNet网络进行训练得到运动想象是向左还是向右的结果，进一步结合运动想象脑电信号数据集的标签集构建目标任务EfficientNet网络的损失函数，通过优化训练得到二次优化后的EfficientNet网络。使用二次优化后的EfficientNet网络对测试样本进行分类，得到分类结果；

作为优选，步骤1所述运动想象脑电信号数据集为：

X＝[x₁，...，x_l，...，x_n]

x_i＝{x_i，1，x_i，2，...，x_i，C}

x_i，c＝{x_i，c，1，x_i，c，2，...，x_i，c，T}

i∈[1，n]，c∈[1，C]，t∈[1，T]

其中，X表示运动想象脑电信号数据集，前l个为标记样本，后n-l个为无标记样本，x_i表示第i条运动想象脑电信号样本，x_i，c表示第i条运动想象脑电信号样本中第c个通道的脑电信号，x_i，c，t表示第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，n表示样本的数量，l表示标记样本的数量，C表示脑电图通道的数量，T表示总的采样点数；

步骤1所述运动想象脑电信号的标签集为：

Y＝[y₁，...，y_l]

y_i∈{1，-1}

i∈[1，l]，l＜n

其中Y表示运动想象脑电信号标签集，y_i表示第i条运动想象脑电信号样本的标签，y_i＝1表示运动想象脑电信号样本对应运动想象向左，y_i＝-1表示运动想象脑电信号样本对应运动想象向右，l表示标签的数量，n表示样本的数量。

步骤1所述预处理方法为：通道选择、带通滤波、独立成分分析；

步骤1所述预处理后运动想象脑电信号的数据集为：

X′＝[x′₁，...，x′_n]

x′_i＝{x′_i，1，x′_i，2，...，x′_i，C′}

x′_i，c＝{x′_i，c，1，x′_i，c，2，...，x′_i，c，T′}

i∈[1，n]，c∈[1，C′]，t∈[1，T′]

其中，X′表示经过预处理后运动想象脑电信号数据集，x′_i表示经过预处理后第i条运动想象脑电信号样本，x′_i，c表示经过预处理后第i条运动想象脑电信号样本中第c个通道的脑电信号，x′_i，c，t表示经过预处理后第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，n表示样本的数量，C′表示经过通道选择后脑电图通道的数量，T′表示经过预处理后总的采样点数；

作为优选，步骤2所述第r块运动想象脑电信号样本块表示为：

r∈{1，...，m}，i∈[1，n]，c∈[1，C′]

其中，m表示分块的数量，n表示样本的数量，C′表示经过通道选择后脑电图通道的数量，

第r块运动想象脑电信号样本快中第p个采集的脑电信号，p∈[1，T′/m]，T′/m表示第r块运动想象脑电信号样本块采集的脑电信号的数量；

x′_i，c＝{z₁，z₂，...，z_m}

其中，x′_i，c表示经过预处理后第i条运动想象脑电信号样本中第c个通道的脑电信号；

步骤2所述排列后每条运动想象脑电信号样本中每个通道的脑电信号为：

a′_i，c，i∈[1，n]，c∈[1，C′]

其中，a′_i，c表示排列后第i条运动想象脑电信号样本中第c个通道的脑电信号；

由x′_i，c和a′_i，c构成新的扩充数据集：

X″＝[x′₁，...，x′_n，a′₁，...，a′_n]

x′_i＝{x′_i，1，x′_i，2，...，x′_i，C′}，i∈[1，n]

a′_i＝{a′_i，1，a′_i，2，...，a′_i，C′}，i∈[1，n]

x′_i，c＝{x′_i，c，1，x′_i，c，2，...，x′_i，c，T′}，i∈[1，n]

a′_i，c＝{a′_i，c，1，a′_i，c，2，...，a′_i，c，T′}，i∈[1，n]

c∈[1，C′]，t∈[1，T′]

其中，X″表示构成的扩充数据集，x′_i表示扩充数据集中正序的第i条运动想象脑电信号样本，a′_i表示扩充数据集中乱序的第i条运动想象脑电信号样本。x′_i，c表示扩充数据集中正序的第i条运动想象脑电信号样本中第c个通道的脑电信号，a′_i，c表示扩充数据集中乱序的第i条运动想象脑电信号样本中第c个通道的脑电信号，x′_i，c，t表示扩充数据集中正序的第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，a′_i，c，t表示扩充数据集中正序的第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号。

将预处理后的运动想象脑电信号样本的标签设置为1，将排列后生成的运动想象脑电信号样本的标签设置为-1，构成扩充数据集对应的标签集：

其中，Y″表示扩充数据集的标签集，y″_i表示通过辅助任务设定的样本标签。

作为优选，步骤3所述EfficientNet网络的损失函数模型采用交叉熵作为损失函数，具体如下：

其中，g_Θ表示卷积函数，Θ表示卷积函数中需要学习的参数，w表示最后一层全连接层的系数，w0表示最后一层全连接层的偏置，

表示预处理后的运动想象脑电信号样本的标签，x′_i表示扩充数据集中正序的第i条运动想象脑电信号样本，

表示排列后生成的运动想象脑电信号样本的标签，a′_i扩充数据集中乱序的第i条运动想象脑电信号样本；

步骤3所述EfficientNet网络权重参数定义为W＝[Θ，w，w₀]；

步骤3所述通过优化训练得到优化后的EfficientNet为：

所述EfficientNet网络的损失函数模型的损失值最低作为优选目标，通过Adam算法优化训练得到最优的网络权重参数；

通过最优的网络权重参数构建优化后的EfficientNet网络；

所述最优的网络权重参数定义为

作为优选，步骤4所述预处理后运动想象脑电信号数据集中少量标记样本构建的数据集为：

X^*＝[x′₁，...，x′_l]

x′_i＝{x′_i，1，x′_i，2，...，x′_i，C′}，i∈[1，l]

x′_i，c＝{x′_i，c，1，x′_i，c，2，...，x′_i，c，T′}，i∈[1，l]

c∈[1，C′]，t∈[1，T′]

其中，X^*表示预处理后少量标记样本数据集，x′_i表示预处理后少量标记样本数据集中的第i条运动想象脑电信号样本，x′_i，c表示预处理后少量标记样本数据集中的第i条运动想象脑电信号样本中第c个通道的脑电信号，x′_i，c，t表示预处理后少量标记样本中正序的第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，l表示标记样本的数量；

将X^*作为训练集，输入至初始化后的EfficientNet，这个网络预测可以得到运动想象是向左还是向右的结果，结合Y得到损失函数；

步骤4所述优化后的EfficientNet损失函数模型采用交叉熵作为损失函数，具体如下：

其中，

表示卷积函数，Θ^*表示卷积函数中需要微调的参数，w^*表示最后一层全连接层的系数，

表示最后一层全连接层的偏置，y_i表示运动想象脑电信号标签集中第i条运动想象脑电信号样本的标签，x′_i表示预处理后少量标记样本集中第i条运动想象脑电信号样本，1表示标记样本的数量；

通过优化训练得到二次优化后的EfficientNet网络。使用二次优化后的EfficientNet网络对测试样本进行分类，得到分类结果。

与现有技术相比，本发明提出的自监督学习方法，可有效提高目标任务网络的收敛效率，提升运动想象脑电信号分类的准确率。

附图说明

图1：为本发明具体实施流程图。

图2：为本发明的结果图。

具体实施方式

下面结合附图所示的实施例对本发明作进一步说明。

步骤l：引入运动想象脑电信号数据集，通过预处理方法得到预处理后运动想象脑电信号的数据集，其中运动脑电信号数据集中包含少量标记样本，由这些标记样本构成标签集；

步骤1所述运动想象脑电信号数据集为：

X＝[x₁，...，x_l，...，x_n]

x_i＝{x_i，1，x_i，2，...，x_i，C}

x_i，c＝{x_i，c，1，x_i，c，2，...，x_i，c，T}

i∈[1，n]，c∈[1，C]，t∈[1，T]

其中，X表示运动想象脑电信号数据集，前l个为标记样本，后n-l个为无标记样本，x_i表示第i条运动想象脑电信号样本，x_i，c表示第i条运动想象脑电信号样本中第c个通道的脑电信号，x_i，c，t表示第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，n＝200表示样本的数量，l表示标记样本的数量，C＝59表示脑电图通道的数量，T＝800表示总的采样点数；

步骤1所述运动想象脑电信号的标签集为：

Y＝[y₁，...，y_l]

y_i∈{1，-1}

i∈[1，l]，l＜n

其中Y表示运动想象脑电信号标签集，y_i表示第i条运动想象脑电信号样本的标签，y_i＝1表示运动想象脑电信号样本对应运动想象向左，y_i＝-1表示运动想象脑电信号样本对应运动想象向右，l＝50表示标签的数量，n＝200表示样本的数量。

步骤1所述预处理方法为：通道选择、带通滤波、独立成分分析

依据已有研究选择与运动想象脑电信号有关的脑电图通道C3、Cz、C4。又因为脑电信号的频率各不相同，为保留与运动想象相关的脑电信号，故采用带通滤波进行过滤，保留8-30hz的脑电信号。对运动想象脑电信号进行独立成分分析获得分离后的运动想象脑电信号。由于每名受试者实验次数200次，采样频率为100Hz，每次采集的时间为8s，8s中又分为2s提示时间，4s运动想象时间，2s休息时间，故从原始脑电信号数据中截取对应运动想象时间部分的数据，得到处理后的脑电信号数据集X′；

步骤1所述预处理后运动想象脑电信号的数据集为：

X′＝[x′₁，...，x′_n]

x′_i＝{x′_i，1，x′_i，2，...，x′_i，C′}

x′_i，c＝{x′_i，c，1，x′_i，c，2，...，x′_i，c，T′}

i∈[1，n]，c∈[1，C′]，t∈[1，T′]

其中，X′表示经过预处理后运动想象脑电信号数据集，x′_i表示经过预处理后第i条运动想象脑电信号样本，x′_i，c表示经过预处理后第i条运动想象脑电信号样本中第c个通道的脑电信号，x′_i，c，t表示经过预处理后第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，n＝200表示样本的数量，C′＝3表示经过通道选择后脑电图通道的数量，T′＝400表示经过截取后总的采样点数；

步骤2：将经过预处理后每条运动想象脑电信号样本中每个通道的脑电信号分割成多个块得到运动想象脑电信号样本块，将预处理后每条运动想象脑电信号样本中每个通道的脑电信号对应的多个运动想象脑电信号样本块随机排列组合得到乱序的脑电信号样本，进一步构建扩充数据集和对应的标签集；

步骤2所述第r块运动想象脑电信号样本块表示为：

r∈{1，...，m}，i∈[1，n]，c∈[1，C′]

其中，m＝4表示分块的数量，n＝200表示样本的数量，C′＝3表示经过通道选择后脑电图通道的数量，

第r块运动想象脑电信号样本快中第p个采集的脑电信号，p∈[1，T′/m]，T′/m＝100表示第r块运动想象脑电信号样本块采集的脑电信号的数量；

x′_i，c＝{z₁，z₂，...，z_m}

其中，x′_i，c表示经过预处理后第i条运动想象脑电信号样本中第c个通道的脑电信号；

步骤2所述排列后每条运动想象脑电信号样本中每个通道的脑电信号为：

a′_i，c，i∈[1，n]，c∈[1，C′]

其中，a′_i，c表示排列后第i条运动想象脑电信号样本中第c个通道的脑电信号；

由x′_i，c和a′_i，c构成新的扩充数据集：

X″＝[x′₁，...，x′_n，a′₁，...，a′_n]

x′_i＝{x′_i，1，x′_i，2，...，x′_i，C′}，i∈[1，n]

a′_i＝{a′_i，1，a′_i，2，...，a′_i，C′}，i∈[1，n]

x′_i，c＝{x′_i，c，1，x′_i，c，2，...，x′_i，c，T′}，i∈[1，n]

a′_i，c＝{a′_i，c，1，a′_i，c，2，...，a′_i，c，T′}，i∈[1，n]

c∈[1，C′]，t∈[1，T′]

其中，X″表示构成的扩充数据集，x′_i表示扩充数据集中正序的第i条运动想象脑电信号样本，a′_i表示扩充数据集中乱序的第i条运动想象脑电信号样本。x′_i，c表示扩充数据集中正序的第i条运动想象脑电信号样本中第c个通道的脑电信号，a′_i，c表示扩充数据集中乱序的第i条运动想象脑电信号样本中第c个通道的脑电信号，x′_i，c，t表示扩充数据集中正序的第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，a′_i，c，t表示扩充数据集中正序的第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，n＝200表示预处理后的运动想象脑电信号样本数量和新生成的运动想象脑电信号样本数量，C′＝3表示经过通道选择后脑电图通道的数量，T′＝400表示经过截取后总的采样点数；

将预处理后的运动想象脑电信号样本的标签设置为1，将排列后生成的运动想象脑电信号样本的标签设置为-1，构成扩充数据集对应的标签集：

其中，Y″表示扩充数据集的标签集，y″_i表示通过辅助任务设定的样本标签。

步骤3：以扩充数据集作为训练样本，输入EfficientNet网络进行训练得到运动想象脑电信号是否为正序的结果，进一步结合扩充数据集对应的标签集构建EfficientNet网络的损失函数，优化EfficientNet网络权重参数通过优化训练得到优化后的EfficientNet网络；

所述EfficientNet的网络权重参数定义为W＝[Θ，w，w₀]

步骤3所述EfficientNet网络的损失函数模型采用交叉熵作为损失函数，具体如下：

其中，g_Θ表示卷积函数，Θ表示卷积函数中需要学习的参数，w表示最后一层全连接层的系数，w₀表示最后一层全连接层的偏置，

表示预处理后的运动想象脑电信号样本的标签，x′_i表示扩充数据集中正序的第i条运动想象脑电信号样本，

表示随机排列组合后生成的运动想象脑电信号样本的标签，a′_i表示扩充数据集中乱序的第i条运动想象脑电信号样本；

步骤3所述通过优化训练得到优化后的EfficientNet为：

所述EfficientNet网络的损失函数模型的损失值最低作为优选目标，通过Adam算法优化训练得到最优的网络权重参数；

通过最优的网络权重参数构建优化后的EfficientNet网络；

所述最优的网络权重参数定义为

步骤4：将辅助任务优化后的EfficientNet网络模型迁移至目标任务的EfficientNet网络模型初始化权重。将预处理后运动想象脑电信号数据集中的少量标记样本输入目标任务的EfficientNet网络进行训练得到运动想象是向左还是向右的结果，进一步结合运动想象脑电信号数据集的标签集构建目标任务EfficientNet网络的损失函数，通过优化训练得到二次优化后的EfficientNet网络。使用二次优化后的EfficientNet网络对测试样本进行分类，得到分类结果；

步骤4所述预处理后运动想象脑电信号数据集中少量标记样本构建的数据集为：

X^*＝[x′₁，...，x′_l]

x′_i＝{x′_i，1，x′_i，2，...，x′_i，C′}，i∈[1，l]

x′_i，c＝{x′_i，c，1，x′_i，c，2，...，x′_i，c，T′}，i∈[1，l]

c∈[1，C′]，t∈[1，T′]

其中，X^*表示预处理后少量标记样本数据集，x′_i表示预处理后少量标记样本数据集中的第i条运动想象脑电信号样本，x′_i，c表示预处理后少量标记样本数据集中的第i条运动想象脑电信号样本中第c个通道的脑电信号，x′_i，c，t表示预处理后少量标记样本中正序的第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，l＝50表示标记样本的数量，C′＝3表示经过通道选择后脑电图通道的数量，T′＝400表示经过截取后总的采样点数；

将X^*作为训练集，输入至初始化后的EfficientNet，这个网络预测可以得到运动想象是向左还是向右的结果，结合Y得到损失函数。

步骤4所述优化后的EfficientNet损失函数模型采用交叉熵作为损失函数，具体如下：

其中，

表示卷积函数，Θ^*表示卷积函数中需要微调的参数，w^*表示最后一层全连接层的系数，

表示最后一层全连接层的偏置，y_i表示运动想象脑电信号标签集中第i条运动想象脑电信号样本的标签，x′_i表示预处理后少量标记样本集中第i条运动想象脑电信号样本，l＝50表示标记样本的数量；

通过优化训练得到二次优化后的EfficientNet网络。使用二次优化后的EfficientNet网络对测试样本进行分类，得到分类结果。

本发明的保护范围不限于上述的实施例，显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围，则本发明的意图也包含这些改动和变形在内。

Claims (5)

1.一种基于自监督学习的运动想象脑电信号分类方法，其特征在于，包括以下步骤：

步骤1：引入运动想象脑电信号数据集，通过预处理方法得到预处理后运动想象脑电信号的数据集，其中运动脑电信号数据集中包含少量标记样本，由这些标记样本构成标签集；

步骤2：将经过预处理后每条运动想象脑电信号样本中每个通道的脑电信号分割成多个块得到运动想象脑电信号样本块，将预处理后每条运动想象脑电信号样本中每个通道的脑电信号对应的多个运动想象脑电信号样本块随机排列组合得到乱序的脑电信号样本，进一步构建扩充数据集和对应的标签集；

步骤3：以扩充数据集作为训练样本，输入EfficientNet网络进行训练得到运动想象脑电信号是否为正序的结果，进一步结合扩充数据集对应的标签集构建EfficientNet网络的损失函数，优化EfficientNet网络权重参数通过优化训练得到优化后的EfficientNet网络；

步骤4：将辅助任务优化后的EfficientNet网络模型迁移至目标任务的EfficientNet网络模型初始化权重。将预处理后运动想象脑电信号数据集中的少量标记样本输入目标任务的EfficientNet网络进行训练得到运动想象是向左还是向右的结果，进一步结合运动想象脑电信号数据集的标签集构建目标任务EfficientNet网络的损失函数，通过优化训练得到二次优化后的EfficientNet网络。使用二次优化后的EfficientNet网络对测试样本进行分类，得到分类结果。

2.根据权利要求1所述的基于自监督学习的运动想象脑电信号分类方法，其特征在于，步骤1所述运动想象脑电信号数据集为：

X＝[x₁，...，x_l，...，x_n]

x_i＝{x_i，1，x_i，2，...，x_i，C}

x_i，c＝{x_i，c，1，x_i，c，2，...，x_i，c，T}

i∈[1，n]，c∈[1，C]，t∈[1，T]

其中，X表示运动想象脑电信号数据集，前l个为标记样本，后n-l个为无标记样本，x_i表示第i条运动想象脑电信号样本，x_i，c表示第i条运动想象脑电信号样本中第c个通道的脑电信号，x_i，c，t表示第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，n表示样本的数量，C表示脑电图通道的数量，T表示总的采样点数；、

步骤1所述运动想象脑电信号的标签集为：

Y＝[y₁，...，y_l]

y_i∈{1，-1}

i∈[1，l]，l＜n

其中Y表示运动想象脑电信号标签集，y_i表示第i条运动想象脑电信号样本的标签，y_i＝1表示运动想象脑电信号样本对应运动想象向左，y_i＝-1表示运动想象脑电信号样本对应运动想象向右，l表示标签的数量，n表示样本的数量。

步骤1所述预处理方法为：通道选择、带通滤波、独立成分分析；

步骤1所述预处理后运动想象脑电信号的数据集为：

X′＝[x′₁，...，x′_n]

x′_i＝{x′_i，1，x′_i，2，...，x′_i，C′}

x′_i，c＝{x′_i，c，1，x′_i，c，2，...，x′_i，c，T′}

i∈[1，n]，c∈[1，C′]，t∈[1，T′]

其中，X′表示经过预处理后运动想象脑电信号数据集，x′_i表示经过预处理后第i条运动想象脑电信号样本，x′_i，c表示经过预处理后第i条运动想象脑电信号样本中第c个通道的脑电信号，x′_i，c，t表示经过预处理后第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，n表示样本的数量，C′表示经过通道选择后脑电图通道的数量，T′表示经过预处理后总的采样点数。

3.根据权利要求1所述的基于自监督学习的运动想象脑电信号分类方法，其特征在于，步骤2所述第r块运动想象脑电信号样本块表示为：

其中，m表示分块的数量，n表示样本的数量，C′表示经过通道选择后脑电图通道的数量，

第r块运动想象脑电信号样本快中第p个采集的脑电信号，p∈[1，T′/m]，T′/m表示第r块运动想象脑电信号样本块采集的脑电信号的数量；

x′_i，c＝{z₁，z₂，...，z_m}

其中，x′_i，c表示经过预处理后第i条运动想象脑电信号样本中第c个通道的脑电信号；

步骤2所述排列后每条运动想象脑电信号样本中每个通道的脑电信号为：

a′_i，c，i∈[1，n]，c∈[1，C′]

其中，a′_i，c表示排列后第i条运动想象脑电信号样本中第c个通道的脑电信号；

由x′_i，c和a′_i，c构成新的扩充数据集：

X″＝[x′₁，...，x′_n，a′₁，...，a′_n]

x′_i＝{x′_i，1，x′_i，2，...，x′_i，C′}，i∈[1，n]

a′_i＝{a′_i，1，a′_i，2，...，a′_i，C′}，i∈[1，n]

x′_i，c＝{x′_i，c，1，x′_i，c，2，...，x′_i，c，T′}，i∈[1，n]

a′_i，c＝{a′_i，c，1，a′_i，c，2，...，a′_i，c，T′}，i∈[1，n]

c∈[1，C′]，t∈[1，T′]

其中，X″表示构成的扩充数据集，x′_i表示扩充数据集中正序的第i条运动想象脑电信号样本，a′_i表示扩充数据集中乱序的第i条运动想象脑电信号样本；x′_i，c表示扩充数据集中正序的第i条运动想象脑电信号样本中第c个通道的脑电信号，a′_i，c表示扩充数据集中乱序的第i条运动想象脑电信号样本中第c个通道的脑电信号，x′_i，c，t表示扩充数据集中正序的第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，a′_i，c，t表示扩充数据集中正序的第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号；

将预处理后的运动想象脑电信号样本的标签设置为1，将排列后生成的运动想象脑电信号样本的标签设置为-1，构成扩充数据集对应的标签集：

其中，Y″表示扩充数据集的标签集，y″_i表示通过辅助任务设定的样本标签。

4.根据权利要求1所述的基于自监督学习的运动想象脑电信号分类方法，其特征在于，步骤3所述EfficientNet网络的损失函数模型采用交叉熵作为损失函数，具体如下：

其中，g_Θ表示卷积函数，Θ表示卷积函数中需要学习的参数，w表示最后一层全连接层的系数，w₀表示最后一层全连接层的偏置，

表示预处理后的运动想象脑电信号样本的标签，x′_i表示扩充数据集中正序的第i条运动想象脑电信号样本，

表示排列后生成的运动想象脑电信号样本的标签，a′_i扩充数据集中乱序的第i条运动想象脑电信号样本；

步骤3所述EfficientNet网络权重参数定义为W＝[Θ，w，W₀]；

步骤3所述通过优化训练得到优化后的EfficientNet为：

所述EfficientNet网络的损失函数模型的损失值最低作为优选目标，通过Adam算法优化训练得到最优的网络权重参数；

通过最优的网络权重参数构建优化后的EfficientNet网络；

所述最优的网络权重参数定义为

5.根据权利要求1所述的基于自监督学习的运动想象脑电信号分类方法，其特征在于，步骤4所述预处理后运动想象脑电信号数据集中少量标记样本构建的数据集为：

X^*＝[x′₁，...，x′_l]

x′_i＝{x′_i，1，x′_i，2，...，x′_i，C′}，i∈[1，l]

x′_i，c＝{x′_i，c，1，x′_i，c，2，...，x′_i，c，T′}，i∈[1，l]

c∈[1，C′]，t∈[1，T′]

其中，X^*表示预处理后少量标记样本数据集，x′_i表示预处理后少量标记样本数据集中的第i条运动想象脑电信号样本，x′_i，c表示预处理后少量标记样本数据集中的第i条运动想象脑电信号样本中第c个通道的脑电信号，x′_i，c，t表示预处理后少量标记样本中正序的第i条运动想象脑电信号样本中第c个通道的脑电信号中第t个采集的脑电信号，1表示标记样本的数量；

将X^*作为训练集，输入至初始化后的EfficientNet，这个网络预测可以得到运动想象是向左还是向右的结果，结合Y得到损失函数；

步骤4所述优化后的EfficientNet损失函数模型采用交叉熵作为损失函数，具体如下：

其中，

表示卷积函数，Θ^*表示卷积函数中需要微调的参数，w^*表示最后一层全连接层的系数，

表示最后一层全连接层的偏置，y_i表示运动想象脑电信号标签集中第i条运动想象脑电信号样本的标签，x′_i表示预处理后少量标记样本集中第i条运动想象脑电信号样本，l表示标记样本的数量；

通过优化训练得到二次优化后的EfficientNet网络。使用二次优化后的EfficientNet网络对测试样本进行分类，得到分类结果。

Images