[发明专利]一种脑电运动意图识别方法及系统

说明书

本发明提出一种脑电运动意图识别方法及系统，包括：获取基于运动意图的脑电数据集；将所述脑电数据集分别经过至少两个不同维度的特征提取后，将得到的各维度的特征拼接后进行分类，获取分类准确率最高的运动意图识别模型并输出分类结果；本发明可有效提高运动意图分类识别的准确性。

技术领域

本发明涉及脑电信号识别应用领域，尤其涉及一种脑电运动意图识别方法及系统。

背景技术

脑-机接口(BCI)是一种直接通过人脑与计算机或外部设备进行交流的人机交互方式。典型的脑-机接口系统由脑电信号提取与采集模块、脑电信号处理模块、脑电信号输出模块以及脑电信号反馈模块组成。常用的脑电信号特征提取方法主要分为三类，第一类是针对时域、频域、时频域的特征提取方法，主要包括有快速傅里叶变换，自回归模型，小波变换和经验模态分解；第二类为空间特征提取方法，主要有共空间模式法和独立分量分析法；第三类就是使用深度学习的方法提取脑电的特征。常见的脑电信号分类方法主要分两类，一类是模式分类方法，包括线性判别式分析，支持向量机和K近邻；第二类是基于深度学习的分类方法，包括深度信念网络，卷积神经网络和自编码机。由于深度学习方法可以自动提取输入信号特征，避免了人工设计特征的局限性，因此将深度学习算法应用于运动想象脑电信号分类，为脑-机接口中脑电信号的特征提取及识别提供了一种新的思路。

在深度学习中，一般使用的是卷积神经网络CNN，该网络能自动的提取特征信息并且进行分类，在计算过程中，计算量也大大减少，非常适用于存在随机性和非平稳性的脑电信号。但是基于CNN的方法仍然面临两个问题。首先，在先前的工作中大多使用单一尺度的卷积提取脑电信号特征，并且没有考虑到单个通道上的特征提取，这限制了分类的准确性。其次，CNN训练时需要大量的训练数据才能实现较高的分类准确率，但是在获取脑电数据样本的时候需要遵循严格的规则，因此很难获得较好的用于脑电想象分类的训练样本。

发明内容

鉴于以上现有技术存在的问题，本发明提出一种脑电运动意图识别方法及系统，主要解决现有脑电信号处理结构复杂且分类准确性不高的问题。

为了实现上述目的及其他目的，本发明采用的技术方案如下。

一种脑电运动意图识别方法，包括：

获取基于运动意图的脑电数据集；

将所述脑电数据集分别经过至少两个不同维度的特征提取后，将得到的各维度的特征拼接后进行分类，获取分类准确率最高的运动意图识别模型并输出分类结果。

可选地，获取基于运动意图的脑电数据集，包括：

目标对象进行运动想象过程中，采集目标对象的多通道脑电数据，并对所述多通道脑电数据进行预处理，得到所述基于运动意图的脑电数据集；其中，预处理包括通道筛选、脑电数据滤波、数据归一化、数据集构建。

可选地，所述运动想象过程包括想象执行指定动作，不执行任何指定动作。

可选地，经过通道筛选后，将筛选出的各通道数据减去不执行任何指定动作情况下预设时间段内数据幅度均值，得到各通道的脑电数据并输出。

可选地，构建多尺度混合卷积模块，通过所述多尺度混合卷积神经网络中的至少一个一维卷积子网络和一个二维卷积子网络对所述脑电数据进行特征提取。

可选地，所述一维卷积子网络至少包括三个一维卷积支路，通过所述三个一维卷积支路相互独立地获取所述脑电数据集的全局信息、局部信息以及原始数据信息，且每条支路只针对三种信息中的一种进行特征提取；

所述三个一维卷积支路通过不同大小的一维卷积核对所述脑电数据集进行特征提取后，分别输入一个最大池化层，保持各卷积支路输出维度一致。