[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

说明书

本发明公开了一种基于图神经网络的多类别运动想象任务识别方法，包括以下步骤：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；根据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；获取任一采样时刻待检测的多个通道的数据，将图结构和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。通过将脑电图信号抽象成图结构的数据，充分利用了脑网络的功能连接特性，只要一个采样时刻的数据，使用原始的图数据输入，不需要对数据有任何预处理操作，不会丢失原始数据中所含的有效信息，结合图神经网络模型提取特征并对特征进行有效分类，显著提升分类精度和效率。

技术领域

本发明属于脑科学与认知科学技术领域，特别涉及一种基于图神经网络的多类别运动想象任务识别方法。

背景技术

近年来，脑机接口(brain-computer interface,BCI)技术为人类了解脑和开发脑提供了新的技术研究手段。脑电图(Electroence-phalogram，EEG)通过头皮上的电极记录大脑神经元集群的电位变化，以非侵入性、较高的实时性、良好的便携性、易于操作性以及相对便宜的成本等特点，成为当下脑机接口领域的一种重要信号采集方式。根据脑电图信号是否由外界刺激引起，将脑机接口技术划分成诱发式与自发式，诱发式技术通常需要采用闪烁刺激的范式，容易造成视觉疲劳。本专利采用了典型的自发式脑机接口技术，即运动想象(motor imagery，MI)范式。

运动想象技术是通过被试人员自主想象特定的任务，而无需实际执行，其所触发的神经信号与对应真实运动的神经信号相似。MI划分为肌肉知觉想象和视觉运动想象。在肌肉运动知觉想象过程中，被试感觉自己实际完成动作而具有相应的脑功能反应，在视觉运动想象中，被试在相距一段距离处看到自己完成动作，肌肉运动知觉的运动想象在运动学习上要比视觉运动想象更有效。目前，可分性较强的肌肉运动知觉想象任务主要有手部、脚部运动，以及舌头伸缩。当被试人员想象对应的肢体运动时，引起对应的大脑感觉运动皮层节律，此时采集相应的EEG信号，对EEG进行解码得到被试想象的类别，将结果映射到对外部设备的控制指令上来实现对外部设备的操控。因此，对MI任务的分类任务是基于MI的脑机接口系统的关键问题。

目前，集中在MI分类任务的算法主要是先通过共空间模式(Common SpatialPattern，CSP)提取特征，再使用分类器对特征进行分类。近来，虽然深度学习迅速发展，但是运动想象任务中的主流方法仍然是在特征提取层基于CSP进行各种改进，分类器采用一些深度神经网络模型。手工提取脑电特征存在依靠经验和先验知识的问题，同时多阶段的处理方法会降低分类的处理速度。因此，减少原始信号中关键信息丢失和提高推理速度是非常必要的。有些学者将特征提取和分类统一到一个深度学习框架下，目前采用的架构主要包括卷积神经网络(Convolutional Neural Networks，CNN)和循环神经网络(RecurrentNeural Network，RNN)。对应地，需要将脑电输入构建成规则排列的图像或序列。CNN和RNN将脑电信号视为欧几里得类型的数据，完全没有考虑电极之间实际的功能拓扑关系，导致了分类的精度和效率低。

发明内容

针对以上技术问题，本发明提供一种有效提高分类精度和分类效率的基于图神经网络的多类别运动想象任务识别方法。

本发明解决其技术问题采用的技术方案是：

一种基于图神经网络的多类别运动想象任务识别方法，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，将图结构和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。