[发明专利]一种基于自监督学习的运动想象脑电信号分类方法

权利要求书

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。