[发明专利]一种基于图神经网络的多类别运动想象任务识别方法

权利要求书

1.一种基于图神经网络的多类别运动想象任务识别方法，其特征在于，包括以下步骤：

步骤S100：获取被试者根据给出的想象任务进行想象时的多个通道的脑电图数据；

步骤S200：根据所述多个通道的脑电图数据进行Pearson相关性分析得到拉普拉斯矩阵作为图结构；

步骤S700：获取任一采样时刻待检测的多个通道的数据，将所述图结构和所述待检测的多个通道的数据输入至预设的图神经网络模型进行任务识别分类，得到被试者想象的任务目标。

2.根据权利要求1所述的方法，其特征在于，步骤S200包括：

步骤S210：若通道数为n，从所述n个通道的脑电图数据中逐次选择两个通道的脑电图数据，对所述两个通道的脑电图数据进行Pearson相关性分析，计算每个通道与其他n-1个通道的值范围为0至1的相关性系数，得到形状为n*n的对角阵A，将所述对角阵A作为表达图结构的邻接矩阵；

步骤S220：对所述邻接矩阵的每一行进行加和操作，每行计算得到的和值置于该行对角线位置，该行其余位置置为0，得到图结构的度矩阵D，根据所述度矩阵D和所述邻接矩阵计算得到的矩阵作为图结构的拉普拉斯矩阵L。

3.根据权利要求2所述的方法，其特征在于，步骤S210中对所述两个通道的脑电图数据进行Pearson相关性分析，计算每个通道与其他n-1个通道的值范围为0至1的相关性系数，具体为：

其中，a_i,j表示相关性系数，i,j分别代表选择的两个通道编号，x,y分别代表通道i和通道j的数据向量，t代表采样时刻，T代表采样总长度，x_t代表通道i在第t个采样时刻的信号值，代表通道i在T个采样信号的平均值，y_t代表通道j第t个采样时刻的信号值，代表通道j在T个采样信号中的平均值。

4.根据权利要求2所述的方法，其特征在于，步骤S200之后，步骤S700之前还包括：

步骤S300：获取被试者多次实验记录的样本以及标注了样本对应的运动想象任务的标签文件，构建样本数据集，根据预设的划分比例对所述样本数据集进行划分，得到训练样本集和测试样本集；

步骤S400：搭建图神经网络模型，所述图神经网络模型包括若干图卷积层、若干批标准化层、若干ReLU非线性激活层、若干图池化层、全连接层和Softmax层；

步骤S500：根据所述训练样本集对所述图神经网络进行训练，得到训练后的图神经网络模型，根据预设的损失函数计算得到损失值，通过Adam优化器根据所述损失值进行反向传播对所述训练后的图神经网络模型的网络参数进行优化得到优化后的图神经网络模型；

S600：将所述测试样本集输入至优化后的图神经网络模型，得到分类结果并计算准确率，根据所述准确率更新优化后的图神经网络模型，作为预设的图神经网络模型。

5.根据权利要求4所述的方法，其特征在于，步骤S500中预设的损失函数具体为：

其中，C代表总类别数量，c表示类别序号，p代表softmax层的输出向量[p₁,...,p_k,...,p_c],k∈[1,C]，p_k代表属于第k类的概率值，p_c表示第c类的概率值，y代表真实类别标签，即独热编号后的C维向量，y_c表示第c类的真实类别标签。