CN117390543B - 一种基于fa-cnn的运动想象脑电信号处理方法 - Google Patents

一种基于fa-cnn的运动想象脑电信号处理方法 Download PDF

Info

Publication number
CN117390543B
CN117390543B CN202311327839.1A CN202311327839A CN117390543B CN 117390543 B CN117390543 B CN 117390543B CN 202311327839 A CN202311327839 A CN 202311327839A CN 117390543 B CN117390543 B CN 117390543B
Authority
CN
China
Prior art keywords
data
convolution
cnn
electroencephalogram
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311327839.1A
Other languages
English (en)
Other versions
CN117390543A (zh
Inventor
杨帮华
李东泽
秦溢阳
柯思雄
张佳杨
张永怀
夏新星
高守玮
梁晋涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Shaonao Sensor Technology Co ltd
Original Assignee
Shanghai Shaonao Sensor Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Shaonao Sensor Technology Co ltd filed Critical Shanghai Shaonao Sensor Technology Co ltd
Priority to CN202311327839.1A priority Critical patent/CN117390543B/zh
Publication of CN117390543A publication Critical patent/CN117390543A/zh
Application granted granted Critical
Publication of CN117390543B publication Critical patent/CN117390543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Dermatology (AREA)
  • Human Computer Interaction (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开一种基于FA‑CNN的运动想象脑电信号处理方法，包括以下步骤：对脑电数据进行预处理，包括去除噪声、滤波处理、去除伪迹和基线漂移；通过FA‑CNN模型的深度卷积和可分离卷积的组合提取预处理后的脑电信号的时空特征，并通过全连通层进行分类；由Softmax函数激活后输出运动想象任务；反向训练FA‑CNN模型。本发明的技术方案通过对脑电数据进行预处理，以得到纯净的脑电数据；对通道维度上的数据进行深度卷积，用深度卷积层融合不同频率的时空特征，可分离卷积将深度卷积和点卷积结合起来，学习每个特征序列在不同时间尺度上的特征，并优化混合特征，批量归一化减少过拟合，提高模型训练速度；以高效准确地处理脑电数据信号，得到准确的运动想象任务。

Description

一种基于FA-CNN的运动想象脑电信号处理方法
技术领域
本发明涉及脑电信号处理技术领域，尤其涉及一种基于FA-CNN的运动想象脑电信号处理方法。
背景技术
脑机接口(Brain-Computer Interface,BCI)作为一门新兴的多领域融合的交叉学科，融合了脑科学、神经科学、认知科学、信息科学、控制科学与康复医学等多种领域的研究成果。基于心理作业的运动想象脑机接口(MI-BCI)作为BCI三大范式之一，因为其主动性在脑卒中康复领域获得了典型的应用。MI-BCI作为近年来脑卒中康复领域的新型康复疗法，在患者进行MI任务时，通过大脑的主动想象激活运动皮层的特定区域，在受损的区域建立新的神经回路，重塑大脑与肢体之间神经的连接，实现运动功能的改善与恢复，相较传统训练的被动参与更为有效。
然而目前在脑卒中康复应用领域，运动想象脑电信号的研究主要集中在上肢左右手的二分类，识别种类较少，难以满足脑卒中患者上下肢的康复需求。同时，现有的运动想象脑电识别算法仍然面临一些挑战，包括低准确率、复杂特征提取和计算复杂度高等问题。例如，传统算法通常需要手动设计和提取与运动想象相关的特征，这需要领域专家的知识和经验进行手工特征提取，过程繁琐且耗时，并且存在主观性和限制性。
综上所述，如何解决传统脑电信号处理方法存在着信号噪声干扰、特征提取困难、分类精度低等问题；是目前本领域技术人员亟待解决的问题。
发明内容
本发明实施例的主要目的在于提出一种基于FA-CNN的运动想象脑电信号处理方法，旨在高效准确地处理脑电信号。
本发明解决上述技术问题的技术方案是，提供一种基于FA-CNN的运动想象脑电信号处理方法，包括以下步骤：
对脑电数据进行预处理，包括去除噪声、滤波处理、去除伪迹和基线漂移；
通过FA-CNN模型的深度卷积和可分离卷积的组合提取预处理后的脑电信号的时空特征，并通过全连通层进行分类；
由Softmax函数激活后输出运动想象任务；
反向训练FA-CNN模型，用于优化FA-CNN模型的参数。
进一步地，所述通过FA-CNN模型的深度卷积和可分离卷积的组合提取预处理后的脑电信号的时空特征，并通过全连通层进行分类的步骤包括：
对预处理后的脑电信号沿时间维度进行二维卷积滤波；
通过深度卷积提取空间特征；
通过可分离卷积提取时空特征；
通过点卷积层融合时-频-空所有特征；
通过全连通层进行分类。
进一步地，所述通过深度卷积提取空间特征的步骤之后还包括：
通过SELU激活函数提升计算效率；
通过平均池化层1降低输入的维数。
进一步地，所述通过可分离卷积提取时空特征的步骤之后还包括：
通过SELU激活函数提升计算效率；
通过平均池化层2进行降采样；
其中，所述SELU激活函数为：
进一步地，所述反向训练FA-CNN模型的步骤包括：使用ALR策略训练FA-CNN模型；
所述ALR策略包括：
初始化累积梯度平方的变量；
网络前向传播；
计算梯度；
更新累积梯度平方变量；
计算参数的更新量；
更新参数。
进一步地，所述FA-CNN模型的网络采用FL作为损失函数，所述FL的表达式为：
其中，pi＝[p0,...,pc-1]是一个概率分布，每个pi元素代表样本属于第i类的概率；yi＝[y0,...,yc-1]是样本标签，onehot表示当样本属于第i类时，yi＝1，否则yi＝0；pt反映与类别yi的接近程度，yi越大，越接近类别yi，分类越准确；C为任务类型，γ＞0为调节因子，γ的增大可以增强调节因子的影响，当γ＝0时，FL变为传统的交叉熵损失(Cross EntropyLoss,CE Loss)：
进一步地，所述反向训练FA-CNN模型的步骤还包括：采用十倍交叉验证进行训练、验证和测试FA-CNN模型；所述采用十倍交叉验证进行训练、验证和测试FA-CNN模型的步骤包括：
对于单个被试，将其数据随机分为10份，轮流将其中9份作为训练和验证集，1份作为测试集进行测试；
在9份的训练和验证集中，轮流将其中的8份作为训练数据，1份作为验证数据，用FL来评估其损失，并保存验证准确率最好的模型权重；
在训练和验证过程中，当模型即将过拟合或训练效果比较差时，使用早停策略来停止训练；
测试时，加载具有最佳验证准确率的模型权重，并在测试数据集上评估FA-CNN模型。
进一步地，所述对脑电数据进行预处理的步骤包括：
通道选择，选择EOG、HEOR、HEOL、VEOU和VEOL五个通道数据；
重参考，以Pz电极为参考电极进行重参考(消除参考电极对脑电数据的影响)；
带通滤波，进行0.5-40Hz的带通滤波(既保留与运动想象有关的频带信号，又去除了工频干扰)；
去坏道，以±200μv为阈值剔除明显的非脑电数据成分；
去基线漂移，运动想象任务之前200ms的数据均值作为基线进行校正(消除数据漂移)；
去眼肌心电伪迹，利用工具箱内置算法ICA去除脑电数据中的去眼肌心电伪迹；
数据截取，根据三类任务的对应标签“1”、“2”和“3”进行数据截取，从标签开始时间点截取后4s运动想象的数据，和对应标签一起进行存储；
采用滑窗的数据增强方法，在时间维度上，以固定步长(可选0.25s、0.5s等)和窗口长度(可选2s、3s等)对脑电数据进行滑动窗口分割，生成多个子样本(增加数据的样本数量的同时，引入更多时序信息。对于每个滑窗子样本，可以作为独立的样本进行特征提取和分类，从而增加模型对不同时间段的敏感性)。
进一步地，所述采用滑窗的数据增强方法的步骤之后还包括：
加入高斯噪声，向子样本中随机加入服从高斯分布的噪声(提升模型的泛化能力跟鲁棒性)。
为解决上述技术问题，本申请还提出一种FA-CNN模型，包括：
输入层，每次训练的批处理大小为16，输入为C和T分别是脑电数据的通道和时间点；对于单个trial：即输入为C＝58(通道数)，T＝1000(每个trial的数据点)的二维数据；
二维卷积层：输入I首先由8个核大小为(1,125)的二维卷积滤波器进行拟合，滤波器长度为数据采样率(降采后为250Hz)的一半，可获得2Hz及以上频率的特征信息；输出为包含不同带通频率的脑电信号特征图：则其中C1＝58,T1＝1000可由以下公式计算：
其中，Wnew为输出维数，W为输入维数，F为卷积核大小，S为步长(Stride),P为填补(Padding)；
深度卷积层：对于输入M1，使用16个核大小为(58,1)的深度卷积提取每个频带的空间特征，可以有效学习特定频率的空间滤波器，输出为的EEG特征序列，其中C2＝1,T2＝1000可由式(1)计算；深度卷积层后面有一个δ＝SELU激活函数：
然后通过大小为(1,4)的平均池化层1降低输入的维数，对输入进行降采样，每个池化层增加一个Dropout(p＝0.5)；最后的输出是可分离卷积层的输入，其中CD＝1,TD＝250；则D和Ii的关系如下：
D＝Dropout(AvgPool1(δ(Conv2(Conv1(Ii))))) (3)
其中，Conv1＝Conv2D,Conv2＝DepthwiseConv2D；
可分离卷积层：可分离卷积将深度卷积和点卷积结合，分别对序列D使用核大小为(1,22)和(1,1)的滤波器学习每个特征序列在不同时间尺度上的特征，并优化混合特征，输出为的EEG特征序列，其中C3＝1,T3＝250可由式(1)计算；
可分离卷积层之后是δ激活函数，然后通过大小为(1,8)的平均池化层2进行降采样，并添加Dropout(p＝0.5)；最后的输出是输出层的输入，其中CS＝1,TS＝31；则S和D的关系如下：
S＝Dropout(AvgPool2(δ(Conv3(D)))) (4)
其中Conv3＝SeparableConv2D；
输出层：对输出的S进行核大小为(1,31)的普通卷积，并将三个输出值作为Softmax分类层的输入，最后得到三类MI任务中每个类的概率；
其中，所述FA-CNN模型的网络结构中采用ALR的策略和采用FL作为损失函数。
本发明的技术方案，通过对脑电数据进行预处理，去除噪声、滤波处理、去除伪迹和基线漂移等其他噪声干扰成分，以得到较为纯净的脑电数据；对通道维度上的数据进行深度卷积，得到一组空间滤波器，每个空间滤波器代表一个线性变换，它将所有通道映射到一个特征；然后用深度卷积层融合不同频率的时空特征，可分离卷积将深度卷积和点卷积结合起来，学习每个特征序列在不同时间尺度上的特征，并优化混合特征，批量归一化减少了过拟合，提高了模型训练速度；以高效准确地处理脑电数据信号，得到准确的运动想象任务；在执行一次流程之后，反向训练FA-CNN模型，优化调整模型的参数，以最小化分类误差，通过迭代训练过程，采用自适应学习率，不断优化FA-CNN模型的参数，使得FA-CNN模型能够更好地适应脑电信号的特征并提高分类性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明所述基于FA-CNN的运动想象脑电信号处理方法的步骤流程图；
图2为本发明所述对脑电数据进行预处理的步骤流程图；
图3为本发明所述FA-CNN模型处理预处理后的脑电数据的步骤流程图；
图4为本发明所述FA-CNN模型的算法结构框图；
图5为本发明所述深度卷积层结构图；
图6为本发明所述可分离卷积层结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“若干”、“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提出一种基于FA-CNN的运动想象脑电信号处理方法，旨在高效准确地处理脑电信号。
下面将在具体实施例中对本发明提出的基于FA-CNN的运动想象脑电信号处理方法的具体结构进行说明：
在本实施例的技术方案中，如图1所示，一种基于FA-CNN的运动想象脑电信号处理方法，包括以下步骤：
S10：对脑电数据进行预处理，包括去除噪声、滤波处理、去除伪迹和基线漂移；
S20：通过FA-CNN模型的深度卷积和可分离卷积的组合提取预处理后的脑电信号的时空特征，并通过全连通层进行分类；
S30：由Softmax函数激活后输出运动想象任务；
S40：反向训练FA-CNN模型，用于优化FA-CNN模型的参数。
可以理解地，通过对脑电数据进行预处理，去除噪声、滤波处理、去除伪迹和基线漂移等其他噪声干扰成分，以得到较为纯净的脑电数据；对通道维度上的数据进行深度卷积，得到一组空间滤波器，每个空间滤波器代表一个线性变换，它将所有通道映射到一个特征；然后用深度卷积层融合不同频率的时空特征，可分离卷积将深度卷积和点卷积结合起来，学习每个特征序列在不同时间尺度上的特征，并优化混合特征，批量归一化减少了过拟合，提高了模型训练速度；以高效准确地处理脑电数据信号，得到准确的运动想象任务；在执行一次流程之后，反向训练FA-CNN模型，优化调整模型的参数，以最小化分类误差，通过迭代训练过程，采用自适应学习率，不断优化FA-CNN模型的参数，使得FA-CNN模型能够更好地适应脑电信号的特征并提高分类性能。
具体地，深度卷积用于在每个特征通道上提取局部特征；可分离卷积用于将特征通道间的特征整合和降维；全连通层进行分类预测，将根据提取的特征对运动想象意图进行分类，例如左手握拳，右手握拳，屈双脚踝的三类任务；Softmax函数激活后输出三类运动想象任务的概率，脑电数据依次经过步骤S10、步骤S20、步骤S30后，则直接输出运动想象任务及三类运动想象任务的概率，并反向训练FA-CNN模型，以使得FA-CNN模型能够更加准确。
在一种可行的实施方式中，如果FA-CNN模型处于训练阶段，当脑电数据依次经过步骤S10、步骤S20、步骤S30后，首先反向训练FA-CNN模型，再将数据经过训练后的FA-CNN模型(也即步骤S20)，可循环多次，以使FA-CNN模型完成训练，训练完成后输出运动想象任务及三类运动想象任务的概率。
进一步地，如图3所示，所述通过FA-CNN模型的深度卷积和可分离卷积的组合提取预处理后的脑电信号的时空特征，并通过全连通层进行分类的步骤包括：
S21：对预处理后的脑电信号沿时间维度进行二维卷积滤波；
可以理解地，FA-CNN模型的算法结构框图如图4所示，在步骤S21之前还包括输入层，FA-CNN模型每次训练的批处理大小(Batchsize)为16，输入为C和T分别是EEG(脑电)数据的通道和时间点；对于单个trial：即输入为C＝58(通道数)，T＝1000(每个trial的数据点)的二维数据。二维卷积对于输入I，首先由8个核大小为(1,125)的二维卷积滤波器进行拟合，滤波器长度为数据采样率(降采后为250Hz)的一半，可获得2Hz及以上频率的特征信息，输出为包含不同带通频率的脑电信号特征图(FeatureMap)：则其中C1＝58,T1＝1000可由以下公式计算：
其中Wnew为输出维数，W为输入维数，F为卷积核大小，S为步长(Stride),P为填补(Padding)。
S22：通过深度卷积提取空间特征；
可以理解地，如图5所示(深度卷积层结构图)，深度卷积对于输入M1，使用16个核大小为(58,1)的深度卷积提取每个频带的空间特征，可以有效学习特定频率的空间滤波器，如图2所示。输出为的EEG特征序列，其中，C2＝1,T2＝1000可由式(1)计算，深度卷积层后面有一个δ＝SELU激活函数：
δ的输出均值不仅更接近于0，而且方差更接近于1，可以进一步达到正则化效果，提高收敛速度，提升计算效率。
然后通过大小为(1,4)的平均池化层1 AvgPool1降低输入的维数，对输入进行降采样，可以减少学习参数的数量和减小计算复杂度；同时，为了减少过拟合，每个池化层增加一个Dropout(p＝0.5)；最后的输出是可分离卷积层的输入，其中CD＝1,TD＝250。则D和Ii的关系如下：
D＝Dropout(AvgPool1(δ(Conv2(Conv1(Ii))))) (3)
其中，Conv1＝Conv2D,Conv2＝DepthwiseConv2D。
S23：通过可分离卷积提取时空特征；
S24：通过点卷积层融合时-频-空所有特征；
可以理解地，可分离卷积将深度卷积和点卷积结合起来，分别对EEG特征序列D使用核大小为(1,22)和(1,1)的滤波器学习每个特征序列在不同时间尺度上的特征，并优化混合特征，如图2所示。每个卷积层的批量归一化减少了过拟合，提高了模型训练速度。输出为的EEG特征序列，其中，C3＝1,T3＝250可由式(1)计算。
可分离卷积层之后是δ激活函数，然后通过大小为(1,8)的平均池化层2AvgPool2进行降采样，并添加Dropout(p＝0.5)。最后的输出是输出层的输入，其中CS＝1,TS＝31。则S和D的关系如下：
S＝Dropout(AvgPool2(δ(Conv3(D)))) (4)
其中，Conv3＝SeparableConv2D。
S25：通过全连通层进行分类。
可以理解地，全连通层对平均池化层2 AvgPool2的输出S进行核大小为(1,31)的普通卷积，并将三个输出值作为Softmax激活函数的输入，最后得到三类MI任务中每个类的概率。
进一步地，所述通过深度卷积提取空间特征的步骤之后还包括：
通过SELU激活函数提升计算效率；
通过平均池化层1降低输入的维数。
进一步地，所述通过可分离卷积提取时空特征的步骤之后还包括：
通过SELU激活函数提升计算效率；
通过平均池化层2进行降采样；
其中，所述SELU激活函数为：
进一步地，所述反向训练FA-CNN模型的步骤包括：
S41：使用ALR策略训练FA-CNN模型；
所述ALR策略包括：
初始化累积梯度平方的变量；
网络前向传播；
计算梯度；
更新累积梯度平方变量；
计算参数的更新量；
更新参数。
可以理解地，ALR策略可以自适应地调整学习率，可以更有效地更新FA-CNN模型的参数，加速FA-CNN模型的训练过程，其基本思想是根据历史梯度的平方来调整每个参数的学习率，让FA-CNN模型网络的训练过程在早期仍然能够具有较大的学习率，同时在训练建模的后期能够适应参数的变化而自适应地动态调整学习率，使网络尽快实现正则化，提高收敛速度，缩短分类时长。
进一步地，所述FA-CNN模型的网络采用FL作为损失函数，所述FL的表达式为：
其中，pi＝[p0,...,pc-1]是一个概率分布，每个pi元素代表样本属于第i类的概率；yi＝[y0,...,yc-1]是样本标签，onehot表示当样本属于第i类时，yi＝1，否则yi＝0；pt反映与类别yi的接近程度，yi越大，越接近类别yi，分类越准确；C为任务类型，γ＞0为调节因子，γ的增大可以增强调节因子的影响，当γ＝0时，FL变为传统的交叉熵损失：
进一步地，所述反向训练FA-CNN模型的步骤还包括：
S42：采用十倍交叉验证进行训练、验证和测试FA-CNN模型；
所述采用十倍交叉验证进行训练、验证和测试FA-CNN模型的步骤包括：
对于单个被试，将其数据随机分为10份，轮流将其中9份作为训练和验证集，1份作为测试集进行测试；
在9份的训练和验证集中，轮流将其中的8份作为训练数据，1份作为验证数据，用FL来评估其损失，并保存验证准确率最好的模型权重；
在训练和验证过程中，当模型即将过拟合或训练效果比较差时，使用早停策略来停止训练；
测试时，加载具有最佳验证准确率的模型权重，并在测试数据集上评估FA-CNN模型。
可以理解地，在FA-CNN模型的网络结构中采用ALR的策略，学习率初始大小设为1e-3，最小值设为1e-4；监测验证集的准确率连续20个epoch不增加时，降低学习率，保持当前学习率训练20个epoch，使FA-CNN模型收敛到最优值。
在三类运动想象脑电数据的识别中，想象上肢手部运动的数据特征比想象下肢双脚运动的数据特征更为明显，可以称为简单分类任务，会加重网络的分类负担，导致识别准确率下降。采用FL使FA-CNN模型网络结构更聚焦于难分类的屈双脚想象任务，获取更优的特征参数，从而提高分类准确率。对于多分类任务，在对三类运动想象脑电数据进行识别时，对识别错误的单个任务，此时pt很小，调制系数(1-pt)接近于1，此时不影响损失。对于分类正确的单个任务，pt趋于1，则调制系数(1-pt)接近于0，此时对总损失的贡献不大。因此，与传统的CELoss相比，FL在分类不准确的任务中不会改变损失，而在分类准确的任务中损失会变小，总的来说，这相当于在损失函数中增加了分类不准确任务的权重，从而提升分类的准确性。
进一步地，如图2所示，所述对脑电数据进行预处理的步骤包括：
S11：通道选择，选择EOG、HEOR、HEOL、VEOU和VEOL五个通道数据；
可以理解地，通过选择EOG、HEOR、HEOL、VEOU和VEOL五个通道数据，用于去除脑电数据中的眼电和心电数据；
S12：重参考，以Pz电极为参考电极进行重参考；
可以理解地，通过Pz电极消除参考电极对脑电数据的影响；
S13：带通滤波，进行0.5-40Hz的带通滤波；
可以理解地，选择0.5-40Hz的带通滤波，既保留与运动想象有关的频带信号，又去除了工频干扰；
S14：去坏道，以±200μv为阈值剔除明显的非脑电数据成分；
S15：去基线漂移，运动想象任务之前200ms的数据均值作为基线进行校正；
可以理解地，用于消除数据漂移；
S16：去眼肌心电伪迹，利用工具箱内置算法ICA去除脑电数据中的去眼肌心电伪迹；
S17：数据截取，根据三类任务的对应标签“1”、“2”和“3”进行数据截取，从标签开始时间点截取后4s运动想象的数据，和对应标签一起进行存储；
S18：采用滑窗的数据增强方法，在时间维度上，以固定步长(可选0.25s、0.5s等)和窗口长度(可选2s、3s等)对脑电数据进行滑动窗口分割，生成多个子样本；
可以理解地，滑窗在增加数据的样本数量的同时，引入更多时序信息。对于每个滑窗子样本，可以作为独立的样本进行特征提取和分类，从而增加模型对不同时间段的敏感性。
具体地，确定滑窗的窗口大小和滑动步长，然后将初始窗口定位在数据的起始位置，并从初始窗口位置开始，提取窗口大小的数据；不断将窗口在时间维度上滑动，移动步长的距离；在每个滑动位置提取窗口数据，形成一个子样本；重复滑动窗口的操作，直到窗口无法再滑动为止；滑窗可以帮助捕捉到时间维度上的时序特征，有助于提高FA-CNN模型对动态信号的感知能力。
进一步地，所述采用滑窗的数据增强方法的步骤之后还包括：
S19：加入高斯噪声，向子样本中随机加入服从高斯分布的噪声。
可以理解地，加入高斯噪声，以提升模型的泛化能力跟鲁棒性。高斯噪声是一种随机噪声，其数值服从高斯分布(也称为正态分布)。加入高斯噪声的原理是通过为原始数据添加服从高斯分布的随机值，引入随机扰动，从而模拟实际噪声的影响。首先设置噪声的均值为0，方差为1，然后根据高斯分布的概率密度函数，生成服从高斯分布的随机噪声序列。最后将生成的随机噪声序列与原始数据进行逐元素相加，得到加入高斯噪声后的数据。
为解决上述技术问题，本申请还提出一种FA-CNN模型，如图3所示，包括：
输入层，每次训练的批处理大小为16，输入为C和T分别是脑电数据的通道和时间点；对于单个trial：即输入为C＝58(通道数)，T＝1000(每个trial的数据点)的二维数据；
二维卷积层：输入I首先由8个核大小为(1,125)的二维卷积滤波器进行拟合，滤波器长度为数据采样率(降采后为250Hz)的一半，可获得2Hz及以上频率的特征信息；输出为包含不同带通频率的脑电信号特征图：则其中C1＝58,T1＝1000可由以下公式计算：
其中，Wnew为输出维数，W为输入维数，F为卷积核大小，S为步长(Stride),P为填补(Padding)；
深度卷积层：如图4所示，对于输入M1，使用16个核大小为(58,1)的深度卷积提取每个频带的空间特征，可以有效学习特定频率的空间滤波器，如图2所示。输出为的EEG特征序列，其中C2＝1,T2＝1000可由式(1)计算；深度卷积层后面有一个δ＝SELU激活函数：
然后通过大小为(1,4)的平均池化层1降低输入的维数，对输入进行降采样，可以减少学习参数的数量和减小计算复杂度；同时，为了减少过拟合，每个池化层增加一个Dropout(p＝0.5)；最后的输出是可分离卷积层的输入，其中CD＝1,TD＝250；则D和Ii的关系如下：
D＝Dropout(AvgPool1(δ(Conv2(Conv1(Ii))))) (3)
其中，Conv1＝Conv2D,Conv2＝DepthwiseConv2D；
可分离卷积层：如图5所示，可分离卷积将深度卷积和点卷积结合，分别对序列D使用核大小为(1,22)和(1,1)的滤波器学习每个特征序列在不同时间尺度上的特征，并优化混合特征，每个卷积层的批量归一化减少了过拟合，提高了模型训练速度。输出为的EEG特征序列，其中C3＝1,T3＝250可由式(1)计算；
可分离卷积层之后是δ激活函数，然后通过大小为(1,8)的平均池化层2进行降采样，并添加Dropout(p＝0.5)；最后的输出是输出层的输入，其中CS＝1,TS＝31；则S和D的关系如下：
S＝Dropout(AvgPool2(δ(Conv3(D)))) (4)
其中Conv3＝SeparableConv2D；
输出层：对输出的S进行核大小为(1,31)的普通卷积，并将三个输出值作为Softmax分类层的输入，最后得到三类MI任务中每个类的概率；
其中，所述FA-CNN模型的网络结构中采用ALR的策略和FL的策略。
实施例1
(1)脑电数据的预处理：
脑电数据经过EOG、HEOR、HEOL、VEOU和VEOL五个通道；
以Pz电极为参考电极进行重参考；
进行0.5-40Hz的带通滤波；
以±200μv为阈值剔除明显的非脑电数据成分；
运动想象任务之前200ms的数据均值作为基线进行校正；
利用工具箱内置算法ICA去除脑电数据中的去眼肌心电伪迹；
根据三类任务的对应标签“1”、“2”和“3”进行数据截取，从标签开始时间点截取后4s运动想象的数据，和对应标签一起进行存储；
得到预处理后的脑电信号；
(2)预处理后的脑电信号的特征提取：
对预处理后的脑电信号沿时间维度进行二维卷积滤波；
通过深度卷积提取空间特征；
通过可分离卷积提取时空特征；
通过点卷积层融合时-频-空所有特征；
(3)提取后的脑电信号的分类识别：
通过全连通层进行分类；例如左手握拳，右手握拳，屈双脚踝的三类任务；
由Softmax函数激活后输出运动想象任务。
(4)反向训练FA-CNN模型：
在执行一次上述流程(1)、流程(2)、流程(3)后，使用反向传播算法和Adam优化器来调整模型的参数，以最小化分类误差，通过迭代训练过程，采用自适应学习率，不断优化模型的参数，使得FA-CNN模型能够更好地适应脑电信号的特征并提高分类性能，输出三类运动想象任务的概率；其中，FA-CNN模型的网络采用FL作为损失函数。
实施例2
(1)脑电数据的预处理：
脑电数据经过EOG、HEOR、HEOL、VEOU和VEOL五个通道；
以Pz电极为参考电极进行重参考；
进行0.5-40Hz的带通滤波；
以±200μv为阈值剔除明显的非脑电数据成分；
运动想象任务之前200ms的数据均值作为基线进行校正；
利用工具箱内置算法ICA去除脑电数据中的去眼肌心电伪迹；
根据三类任务的对应标签“1”、“2”和“3”进行数据截取，从标签开始时间点截取后4s运动想象的数据，和对应标签一起进行存储；
得到预处理后的脑电信号；
(2)预处理后的脑电信号的特征提取：
对预处理后的脑电信号沿时间维度进行二维卷积滤波；
通过深度卷积提取空间特征；
通过SELU激活函数提升计算效率；
通过平均池化层1降低输入的维数；
通过可分离卷积提取时空特征；
通过SELU激活函数提升计算效率；
通过平均池化层2进行降采样；
通过点卷积层融合时-频-空所有特征；
(3)提取后的脑电信号的分类识别：
通过全连通层进行分类；例如左手握拳，右手握拳，屈双脚踝的三类任务；
由Softmax函数激活后输出运动想象任务。
(4)反向训练FA-CNN模型：
在执行一次上述流程(1)、流程(2)、流程(3)后，使用反向传播算法和Adam优化器来调整模型的参数，以最小化分类误差，通过迭代训练过程，采用自适应学习率，不断优化模型的参数，使得FA-CNN模型能够更好地适应脑电信号的特征并提高分类性能，输出三类运动想象任务的概率；其中，FA-CNN模型的网络采用FL作为损失函数。
实施例3
(1)脑电数据的预处理：
脑电数据经过EOG、HEOR、HEOL、VEOU和VEOL五个通道；
以Pz电极为参考电极进行重参考；
进行0.5-40Hz的带通滤波；
以±200μv为阈值剔除明显的非脑电数据成分；
运动想象任务之前200ms的数据均值作为基线进行校正；
利用工具箱内置算法ICA去除脑电数据中的去眼肌心电伪迹；
根据三类任务的对应标签“1”、“2”和“3”进行数据截取，从标签开始时间点截取后4s运动想象的数据，和对应标签一起进行存储；
得到预处理后的脑电信号；
(2)预处理后的脑电信号的特征提取：
对预处理后的脑电信号沿时间维度进行二维卷积滤波；
通过深度卷积提取空间特征；
通过可分离卷积提取时空特征；
通过点卷积层融合时-频-空所有特征；
(3)提取后的脑电信号的分类识别：
通过全连通层进行分类；例如左手握拳，右手握拳，屈双脚踝的三类任务；
由Softmax函数激活后输出运动想象任务。
(4)反向训练FA-CNN模型：
在执行一次上述流程(1)、流程(2)、流程(3)后，使用反向传播算法和Adam优化器来调整模型的参数，以最小化分类误差，通过迭代训练过程，采用自适应学习率，不断优化模型的参数，使得FA-CNN模型能够更好地适应脑电信号的特征并提高分类性能，输出三类运动想象任务的概率；
FA-CNN模型采用ALR策略训练模型，ALR策略可以自适应地调整学习率，可以更有效地更新模型的参数，加速模型的训练过程，其基本思想是根据历史梯度的平方来调整每个参数的学习率。让网络的训练过程在早期仍然能够具有较大的学习率，同时在训练建模的后期能够适应参数的变化而自适应地动态调整学习率；其中，FA-CNN模型的网络采用FL作为损失函数。
实施例4
(1)脑电数据的预处理：
脑电数据经过EOG、HEOR、HEOL、VEOU和VEOL五个通道；
以Pz电极为参考电极进行重参考；
进行0.5-40Hz的带通滤波；
以±200μv为阈值剔除明显的非脑电数据成分；
运动想象任务之前200ms的数据均值作为基线进行校正；
利用工具箱内置算法ICA去除脑电数据中的去眼肌心电伪迹；
根据三类任务的对应标签“1”、“2”和“3”进行数据截取，从标签开始时间点截取后4s运动想象的数据，和对应标签一起进行存储；
采用滑窗的数据增强方法，在时间维度上，以固定步长(可选0.25s、0.5s等)和窗口长度(可选2s、3s等)对脑电数据进行滑动窗口分割，生成多个子样本；
得到预处理后的脑电信号；
(2)预处理后的脑电信号的特征提取：
对预处理后的脑电信号沿时间维度进行二维卷积滤波；
通过深度卷积提取空间特征；
通过可分离卷积提取时空特征；
通过点卷积层融合时-频-空所有特征；
(3)提取后的脑电信号的分类识别：
通过全连通层进行分类；例如左手握拳，右手握拳，屈双脚踝的三类任务；
由Softmax函数激活后输出运动想象任务。
(4)反向训练FA-CNN模型：
在执行一次上述流程(1)、流程(2)、流程(3)后，使用反向传播算法和Adam优化器来调整模型的参数，以最小化分类误差，通过迭代训练过程，采用自适应学习率，不断优化模型的参数，使得FA-CNN模型能够更好地适应脑电信号的特征并提高分类性能，输出三类运动想象任务的概率；其中，FA-CNN模型的网络采用FL作为损失函数。
实施例5
(1)脑电数据的预处理：
脑电数据经过EOG、HEOR、HEOL、VEOU和VEOL五个通道；
以Pz电极为参考电极进行重参考；
进行0.5-40Hz的带通滤波；
以±200μv为阈值剔除明显的非脑电数据成分；
运动想象任务之前200ms的数据均值作为基线进行校正；
利用工具箱内置算法ICA去除脑电数据中的去眼肌心电伪迹；
根据三类任务的对应标签“1”、“2”和“3”进行数据截取，从标签开始时间点截取后4s运动想象的数据，和对应标签一起进行存储；
采用滑窗的数据增强方法，在时间维度上，以固定步长(可选0.25s、0.5s等)和窗口长度(可选2s、3s等)对脑电数据进行滑动窗口分割，生成多个子样本；
加入高斯噪声，向子样本中随机加入服从高斯分布的噪声；
得到预处理后的脑电信号；
(2)预处理后的脑电信号的特征提取：
对预处理后的脑电信号沿时间维度进行二维卷积滤波；
通过深度卷积提取空间特征；
通过可分离卷积提取时空特征；
通过点卷积层融合时-频-空所有特征；
(3)提取后的脑电信号的分类识别：
通过全连通层进行分类；例如左手握拳，右手握拳，屈双脚踝的三类任务；
由Softmax函数激活后输出运动想象任务。
(4)反向训练FA-CNN模型：
在执行一次上述流程(1)、流程(2)、流程(3)后，使用反向传播算法和Adam优化器来调整模型的参数，以最小化分类误差，通过迭代训练过程，采用自适应学习率，不断优化模型的参数，使得FA-CNN模型能够更好地适应脑电信号的特征并提高分类性能，输出三类运动想象任务的概率；其中，FA-CNN模型的网络采用FL作为损失函数。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种基于FA-CNN的运动想象脑电信号处理方法，其特征在于，包括以下步骤：
对脑电数据进行预处理，包括去除噪声、滤波处理、去除伪迹和基线漂移；
通过FA-CNN模型的深度卷积和可分离卷积的组合提取预处理后的脑电信号的时空特征，并通过全连通层进行分类；
由Softmax函数激活后输出运动想象任务；
反向训练FA-CNN模型，用于优化FA-CNN模型的参数；
所述FA-CNN模型包括：
输入层，每次训练的批处理大小为16，输入为C和T分别是脑电数据的通道和时间点；对于单个trial：即输入为C＝58，T＝1000的二维数据；
二维卷积层：输入I首先由8个核大小为(1,125)的二维卷积滤波器进行拟合，滤波器长度为数据采样率的一半，可获得2Hz及以上频率的特征信息；输出为包含不同带通频率的脑电信号特征图：则其中C1＝58,T1＝1000可由以下公式计算：
其中，Wnew为输出维数，W为输入维数，F为卷积核大小，S为步长(Stride),P为填补(Padding)；
深度卷积层：对于输入M1，使用16个核大小为(58,1)的深度卷积提取每个频带的空间特征，可以有效学习特定频率的空间滤波器，输出为的EEG特征序列，其中C2＝1,T2＝1000可由式(1)计算；深度卷积层后面有一个δ＝SELU激活函数：
然后通过大小为(1,4)的平均池化层1降低输入的维数，对输入进行降采样；每个池化层增加一个Dropout(p＝0.5)；最后的输出是可分离卷积层的输入，其中，CD＝1,TD＝250；则D和Ii的关系如下：
D＝Dropout(AvgPool1(δ(Conv2(Conv1(Ii))))) (3)
其中，Conv1＝Conv2D,Conv2＝DepthwiseConv2D；
可分离卷积层：可分离卷积将深度卷积和点卷积结合，分别对序列D使用核大小为(1,22)和(1,1)的滤波器学习每个特征序列在不同时间尺度上的特征，并优化混合特征，输出为的脑电数据特征序列，其中C3＝1,T3＝250可由式(1)计算；
可分离卷积层之后是δ激活函数，然后通过大小为(1,8)的平均池化层2进行降采样，并添加Dropout(p＝0.5)；最后的输出是输出层的输入，其中CS＝1,TS＝31；则S和D的关系如下：
S＝Dropout(AvgPool2(δ(Conv3(D)))) (4)
其中Conv3＝SeparableConv2D；
输出层：对输出的S进行核大小为(1,31)的普通卷积，并将三个输出值作为Softmax分类层的输入，最后得到三类MI任务中每个类的概率；
其中，所述FA-CNN模型的网络结构中采用ALR策略和采用FL作为损失函数。
2.根据权利要求1所述的基于FA-CNN的运动想象脑电信号处理方法，其特征在于，所述通过FA-CNN模型的深度卷积和可分离卷积的组合提取预处理后的脑电信号的时空特征，并通过全连通层进行分类的步骤包括：
对预处理后的脑电信号沿时间维度进行二维卷积滤波；
通过深度卷积提取空间特征；
通过可分离卷积提取时空特征；
通过点卷积层融合时-频-空所有特征；
通过全连通层进行分类。
3.根据权利要求2所述的基于FA-CNN的运动想象脑电信号处理方法，其特征在于，所述通过深度卷积提取空间特征的步骤之后还包括：
通过SELU激活函数提升计算效率；
通过平均池化层1降低输入的维数。
4.根据权利要求3所述的基于FA-CNN的运动想象脑电信号处理方法，其特征在于，所述通过可分离卷积提取时空特征的步骤之后还包括：
通过SELU激活函数提升计算效率；
通过平均池化层2进行降采样；
其中，所述SELU激活函数为：
5.根据权利要求1所述的基于FA-CNN的运动想象脑电信号处理方法，其特征在于，所述反向训练FA-CNN模型的步骤包括：使用ALR策略训练FA-CNN模型；所述ALR策略包括：
初始化累积梯度平方的变量；
网络前向传播；
计算梯度；
更新累积梯度平方变量；
计算参数的更新量；
更新参数。
6.根据权利要求5所述的基于FA-CNN的运动想象脑电信号处理方法，其特征在于，所述FA-CNN模型的网络采用FL作为损失函数，所述FL的表达式为：
其中，pi＝[p0,...,pc-1]是一个概率分布，每个pi元素代表样本属于第i类的概率；yi＝[y0,...,yc-1]是样本标签，onehot表示当样本属于第i类时，yi＝1，否则yi＝0；pt反映与类别yi的接近程度，yi越大，越接近类别yi，分类越准确；C为任务类型，γ＞0为调节因子，γ的增大可以增强调节因子的影响，当γ＝0时，FL变为传统的交叉熵损失：
7.根据权利要求6所述的基于FA-CNN的运动想象脑电信号处理方法，其特征在于，所述反向训练FA-CNN模型的步骤还包括：采用十倍交叉验证进行训练、验证和测试FA-CNN模型；所述采用十倍交叉验证进行训练、验证和测试FA-CNN模型的步骤包括：
对于单个被试，将其数据随机分为10份，轮流将其中9份作为训练和验证集，1份作为测试集进行测试；
在9份的训练和验证集中，轮流将其中的8份作为训练数据，1份作为验证数据，用FL来评估其损失，并保存验证准确率最好的模型权重；
在训练和验证过程中，当模型即将过拟合或训练效果比较差时，使用早停策略来停止训练；
测试时，加载具有最佳验证准确率的模型权重，并在测试数据集上评估FA-CNN模型。
8.根据权利要求1所述的基于FA-CNN的运动想象脑电信号处理方法，其特征在于，所述对脑电数据进行预处理的步骤包括：
通道选择，选择EOG、HEOR、HEOL、VEOU和VEOL五个通道数据；
重参考，以Pz电极为参考电极进行重参考；
带通滤波，进行0.5-40Hz的带通滤波；
去坏道，以±200μv为阈值剔除明显的非脑电数据成分；
去基线漂移，运动想象任务之前200ms的数据均值作为基线进行校正；
去眼肌心电伪迹，利用工具箱内置算法ICA去除脑电数据中的去眼肌心电伪迹；
数据截取，根据三类任务的对应标签“1”、“2”和“3”进行数据截取，从标签开始时间点截取后4s运动想象的数据，和对应标签一起进行存储；
采用滑窗的数据增强方法，在时间维度上，以固定步长和窗口长度对脑电数据进行滑动窗口分割，生成多个子样本。
9.根据权利要求8所述的基于FA-CNN的运动想象脑电信号处理方法，其特征在于，所述采用滑窗的数据增强方法的步骤之后还包括：
加入高斯噪声，向子样本中随机加入服从高斯分布的噪声。
CN202311327839.1A 2023-10-13 2023-10-13 一种基于fa-cnn的运动想象脑电信号处理方法 Active CN117390543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311327839.1A CN117390543B (zh) 2023-10-13 2023-10-13 一种基于fa-cnn的运动想象脑电信号处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311327839.1A CN117390543B (zh) 2023-10-13 2023-10-13 一种基于fa-cnn的运动想象脑电信号处理方法

Publications (2)

Publication Number Publication Date
CN117390543A CN117390543A (zh) 2024-01-12
CN117390543B true CN117390543B (zh) 2024-07-16

Family

ID=89440337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311327839.1A Active CN117390543B (zh) 2023-10-13 2023-10-13 一种基于fa-cnn的运动想象脑电信号处理方法

Country Status (1)

Country Link
CN (1) CN117390543B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723557A (zh) * 2021-09-08 2021-11-30 山东大学 一种基于多频带时空卷积网络的抑郁脑电分类系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11696714B2 (en) * 2019-04-24 2023-07-11 Interaxon Inc. System and method for brain modelling
CN113627518B (zh) * 2021-08-07 2023-08-08 福州大学 利用迁移学习实现神经网络脑电情感识别模型的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723557A (zh) * 2021-09-08 2021-11-30 山东大学 一种基于多频带时空卷积网络的抑郁脑电分类系统

Also Published As

Publication number Publication date
CN117390543A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
CN113693613B (zh) 脑电信号分类方法、装置、计算机设备及存储介质
CN110555468A (zh) 一种联合递归图和cnn的脑电信号识别方法及系统
Pan et al. MAtt: A manifold attention network for EEG decoding
CN111797674B (zh) 基于特征融合和粒子群优化算法的mi脑电信号识别方法
CN113143261B (zh) 基于肌电信号的身份识别系统、方法及设备
CN111461206B (zh) 一种方向盘嵌入脑电传感器的基于脑电的疲劳检测方法
CN113951900A (zh) 一种基于多模态信号的运动想象意图识别方法
CN113208593A (zh) 基于相关性动态融合的多模态生理信号情绪分类方法
CN117520826B (zh) 一种基于可穿戴设备的多模态情绪识别方法及系统
CN114082169B (zh) 基于脑电信号的伤残手软体康复机器人运动想象识别方法
CN116522106A (zh) 一种基于迁移学习并行多尺度滤波器组时域卷积的运动想象脑电信号分类方法
Ghonchi et al. Spatio-temporal deep learning for EEG-fNIRS brain computer interface
Liu et al. Identification of anisomerous motor imagery EEG signals based on complex algorithms
CN113935380B (zh) 一种基于模板匹配的自适应运动想象脑机接口方法与系统
CN113749656B (zh) 基于多维生理信号的情感识别方法和装置
CN117390543B (zh) 一种基于fa-cnn的运动想象脑电信号处理方法
Dang et al. Motor imagery EEG recognition based on generative and discriminative adversarial learning framework and hybrid scale convolutional neural network
CN116603229A (zh) 基于脑电信号的电子游戏难度动态调整方法
CN116035577A (zh) 一种结合注意力机制与crnn的脑电情感识别方法
CN115813409A (zh) 一种超低延迟的运动图像脑电图解码方法
CN115721323A (zh) 一种脑机接口信号识别方法、系统及电子设备
CN110585591B (zh) 一种基于神经反馈的大脑视觉检测分析设备和方法
Cano-Izquierdo et al. Applying deep learning in brain computer interface to classify motor imagery
CN114533083B (zh) 基于多融合式卷积神经网络的运动想象状态识别方法
CN116269437B (zh) 一种神经内科用护理监控系统和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant