基于脑电信号和深度学习的运动想象任务分类方法及系统

1.本发明涉及脑-机接口技术领域，尤其涉及基于脑电信号和深度学习的运动想象任务分类方法及系统。


背景技术：

2.在运动想象任务中，患者通常被要求想象执行某些特定的运动，例如手臂的屈伸或腿部的运动。这些想象运动会产生特定的脑电信号，可用于控制外部设备，例如假肢或轮椅。然而，由于每个人的大脑结构和运动想象能力都不同，如何对这些运动想象任务进行准确分类，进而对外部设备进行准确控制是目前一项具有挑战性的任务。


技术实现要素：

3.本发明通过提供一种基于脑电信号和深度学习的运动想象任务分类方法及系统，能够对运动想象任务进行准确分类，从而将控制指令输出到外部设备，实现对外部设备的准确控制。
4.本发明提供了一种基于脑电信号和深度学习的运动想象任务分类方法，包括：
5.采集脑电信号；
6.对所述脑电信号进行归一化处理，得到归一化后的数据值；
7.通过公式对所述归一化后的数据值进行极坐标转换；其中，θ表示极坐标角度，表示第i时刻时间数列归一化后的数据值，表示归一化后的时间序列，r表示极坐标半径，ti表示时间戳，n是一个常数；
8.通过公式将所述极坐标角度转换为格拉姆矩阵，并将所述格拉姆矩阵保存为沿对角线对称的特征图；其中，i表示单位向量，θ1和θn分别表示第1时刻和第n时刻极坐标的角度，表示的转置向量；
9.将所述沿对角线对称的特征图输入到双注意力混合神经网络模型中，得到运动想象任务分类结果。
10.具体来说，在所述采集脑电信号之后，还包括：
11.对所述脑电信号进行滤波和数据扩充。
12.具体来说，所述对所述脑电信号进行滤波，包括：
13.通过公式计算所述脑电信号的平均值，得到参考信号其中，xi(t)表示每个电极的脑电信号，n是总电极数，i表示电极编号，t表示时间；
14.通过公式计算得到修正后的信号值yi(t)。
15.具体来说，所述对所述脑电信号进行滤波，包括：
16.根据归一化的截止频率计算出五阶零相位巴特沃斯滤波器的各项参数，通过这些参数构造出所述五阶零相位巴特沃斯滤波器的传递函数；
17.根据所述传递函数对所述脑电信号进行滤波处理。
18.具体来说，所述对所述脑电信号进行数据扩充，包括：
19.将c
×
t的原始脑电信号沿时间轴以s的步长水平滑动，数据被分为两段，即0-(t-s)和(t-s)-t；
20.交换两段数据的序列并将(t-s)-t段数据滑动到起点，重复k次直到ks≥t；
21.使用预定长度的窗口将每个数据裁剪成预定个片段，该窗口在数据上滑动，每一个片段都与最初的数据具有相同的标签。
22.本发明还提供了一种基于脑电信号和深度学习的运动想象任务分类系统，包括：
23.脑电信号采集模块，用于采集脑电信号；
24.归一化模块，用于对所述脑电信号进行归一化处理，得到归一化后的数据值；
25.极坐标转换模块，用于通过公式对所述归一化后的数据值进行极坐标转换；其中，θ表示极坐标角度，表示第i时刻时间数列归一化后的数据值，表示归一化后的时间序列，r表示极坐标半径，ti表示时间戳，n是一个常数；
26.格拉姆矩阵转换模块，用于通过公式将所述极坐标角度转换为格拉姆矩阵，并将所述格拉姆矩阵保存为沿对角线对称的特征图；其中，i表示单位向量，θ1和θn分别表示第1时刻和第n时刻极坐标的角度，表示的转置向量；
27.运动想象任务分类模块，用于将所述沿对角线对称的特征图输入到双注意力混合神经网络模型中，得到运动想象任务分类结果。
28.具体来说，还包括：
29.脑电信号滤波模块，用于对所述脑电信号进行滤波；
30.脑电信号数据扩充模块，用于对所述脑电信号进行数据扩充。
31.具体来说，所述脑电信号滤波模块，至少包括：
32.空间滤波单元，用于通过公式计算所述脑电信号的平均值，得到参考信号其中，xi(t)表示每个电极的脑电信号，n是总电极数，i表示电极编号，t表示时间；
33.信号修正单元，用于通过公式计算得到修正后的信号值yi(t)。
34.具体来说，所述脑电信号滤波模块，至少包括：
35.频率滤波单元，用于根据归一化的截止频率计算出五阶零相位巴特沃斯滤波器的各项参数，通过这些参数构造出所述五阶零相位巴特沃斯滤波器的传递函数；根据所述传递函数对所述脑电信号进行滤波处理。
36.具体来说，所述脑电信号数据扩充模块，包括：
37.循环滑动重组单元，用于将c
×
t的原始脑电信号沿时间轴以s的步长水平滑动，数据被分为两段，即0-(t-s)和(t-s)-t；交换两段数据的序列并将(t-s)-t段数据滑动到起点，重复k次直到ks≥t；
38.数据裁剪单元，用于使用预定长度的窗口将每个数据裁剪成预定个片段，该窗口在数据上滑动，每一个片段都与最初的数据具有相同的标签。
39.本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
40.先采集脑电信号，再对脑电信号进行归一化处理，得到归一化后的数据值，并对归一化后的数据值进行极坐标转换；接着将极坐标角度转换为格拉姆矩阵，并将格拉姆矩阵保存为沿对角线对称的特征图；最后将沿对角线对称的特征图输入到双注意力混合神经网络模型中，得到运动想象任务分类结果。本发明通过将运动想象脑电信号转换为保持时间依赖性并反映时域波形特征的格拉姆角场图，并构建混合神经网络深度来挖掘重要区域的信息，解决了个体差异性大且难以学习有效特征的问题，能够对运动想象任务进行准确分类。
41.此外，本发明还具有以下优点：
42.1、通过公共平均参考滤波器和五阶零相位巴特沃斯滤波器在不影响原始数据特征的前提下对数据进行空间滤波和频率滤波，去除局部异常数据，提高了信号质量，从而提高了数据信噪比。
43.2、采用新的数据增强方式，即将时间序列沿时间轴划分为两部分并交换位置，然后循环操作得到重构的时间序列，并按固定大小进行裁剪，增加了数据量，提高了深度学习模型的鲁棒性。
附图说明
44.图1为本发明实施例提供的基于脑电信号和深度学习的运动想象任务分类方法的流程图；
45.图2为本发明实施例提供的基于脑电信号和深度学习的运动想象任务分类方法的原理图；
46.图3为本发明实施例提供的基于脑电信号和深度学习的运动想象任务分类方法中数据扩充原理图；
47.图4为本发明实施例提供的基于脑电信号和深度学习的运动想象任务分类方法中格拉姆角场处理效果图；
48.图5为本发明实施例提供的基于脑电信号和深度学习的运动想象任务分类系统的模块图。
具体实施方式
49.本发明实施例通过提供一种基于脑电信号和深度学习的运动想象任务分类方法及系统，能够对运动想象任务进行准确分类，从而将控制指令输出到外部设备，实现对外部设备的准确控制。
50.本发明实施例中的技术方案为实现上述技术效果，总体思路如下：
51.本发明实施例需要先对原始的运动想象脑电信号进行处理。信号处理主要由两个部分组成：信号预处理和格拉姆角场图生成；
52.具体地，信号预处理，基于脑电图数据在时域、空域的特点，设计公共平均参考滤波器和五阶零相位巴特沃斯滤波器用于对运动想象脑电图数据进行空间和频率滤波，以获得目标频带；
53.1)空间滤波，应用公共平均参考滤波器，去除内部噪声和外部噪声源，只留下每个通道中每个脑电图信号的唯一活动；
54.2)频率滤波，使用五阶零相位巴特沃斯滤波器提取mu波段和beta波段；
55.3)数据扩充，通过滑动、重组、剪切得到新的数据。
56.格拉姆角场图生成，使用时间序列编码方法格拉姆角差场，将时间序列映射到极坐标系中的单位圆上，以保持时间相关性。然后，根据格拉姆角场公式对脑电图信号进行处理，并计算出其对应的gadf图像；
57.格拉姆角场图生成的主要处理流程如下：
58.1)序列归一化，将时间序列x＝{x1，x2，
…
，xn}通过缩放器缩放到[-1,1]；
[0059]
2)极坐标转换，将上步计算的结果转换为极坐标时间序列；其中，半径表示该像素点到图像中心点的距离，角度表示该像素点与竖直方向的夹角；
[0060]
3)格拉姆角度域获取，转换为极坐标系后，使用格拉姆角差场编码技术将其转换为沿对角线对称的特征图。
[0061]
本发明实施例构建了一种融合两层注意力机制的混合神经网络模型，可以从格拉姆角场图像中提取局部特征信息，并建立特征的全局空间相关性。同时，利用注意力机制来挖掘重要区域的信息；该模型结合了卷积神经网络和长短期记忆网络，并采用了两层注意力机制。模型分为五个部分，包括cnn局部特征提取层、局部特征关注层、lstm全局特征学习层、全局特征关注层和分类层；该网络首先通过cnn挖掘局部特征，然后通过注意力机制增强基本局部特征的表达能力，随后使用rnn的长期存储能力来建立局部特征的空间全局相关性。接着，通过注意力机制计算长短期记忆网络(lstm，long short-term memory)的隐藏状态的注意力分布，最后对隐藏状态执行加权求和。最终，将其作为优化的运动想象特征发送给分类器，得到最终的分类结果。
[0062]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0063]
参见图1和图2，本发明实施例提供的基于脑电信号和深度学习的运动想象任务分类方法，包括：
[0064]
步骤s110：采集脑电信号；
[0065]
为了提高脑电信号的质量和深度学习模型的鲁棒性，在采集脑电信号之后，还包括：
[0066]
对脑电信号进行滤波和数据扩充。
[0067]
在本发明实施例中，提供了两种对脑电信号进行滤波的方式，即空间滤波和频率滤波。具体地，对脑电信号进行滤波，包括：
[0068]
选择一个电极或几个电极作为参考电极。在本实施例中，选择位于头部中央位置的电极作为参考电极；通过公式计算脑电信号的平均值，得到参考信号其中，xi(t)表示每个电极的脑电信号，n是总电极数，i表示电极编号，t表示时间；
[0069]
通过公式计算得到修正后的信号值yi(t)，也就是说，将每个电极的信号减去参考信号的值，得到修正后的信号；其中，yi(t)为第i个电极在时间点t的修正后的信号值。去除掉参考信号对信号的影响，得到修正后的信号，从而实现对脑电信号的空间滤波。
[0070]
对脑电信号进行滤波，还包括：
[0071]
定义滤波器的截止频率，即要保留的信号频率范围；根据归一化的截止频率计算出五阶零相位巴特沃斯滤波器的各项参数，包括极点位置、零点位置等。通过这些参数构造出五阶零相位巴特沃斯滤波器的传递函数，即将滤波器表示为输入信号和输出信号之间的比例关系。
[0072]
根据传递函数对脑电信号进行滤波处理，经过滤波器的输出信号就是经过滤波器处理后得到的新信号，其中只有在指定频率以下或以上的信号得到保留，而其他频率的信号被削弱或去除，从而实现对脑电信号的频率滤波。
[0073]
具体地，参见图3，对脑电信号进行数据扩充，包括：
[0074]
将c
×
t的原始脑电信号沿时间轴以s的步长水平滑动，数据被分为两段，即0-(t-s)和(t-s)-t；
[0075]
交换两段数据的序列并将(t-s)-t段数据滑动到起点，重复k次直到ks≥t；
[0076]
使用预定长度的窗口将每个数据裁剪成预定个片段，该窗口在数据上滑动，每一个片段都与最初的数据具有相同的标签。
[0077]
这里需要说明的是，本发明实施例对空间滤波、频率滤波和数据扩充的顺序不做限制，即它们之间的顺序可以互换。
[0078]
步骤s120：对脑电信号进行归一化处理，得到归一化后的数据值；
[0079]
对本步骤进行具体说明：
[0080]
通过公式将时间序列x通过缩放器缩放到[-1,1]的范围内；其中，表示第i时刻时间数列归一化后的数据值，x表示时间序列，xi表示第i时刻的数据值，max(x)表示时间序列中的最大值，min(x)表示时间序列中的最小值。
[0081]
步骤s130：通过公式对归一化后的数据值进行极坐标转换；其中，θ表示极坐标角度，表示第i时刻时间数列归一化后的数据值，表示归
一化后的时间序列，r表示极坐标半径，ti表示时间戳，n是一个常数；其中，半径表示该像素点到图像中心点的距离，角度表示该像素点与竖直方向的夹角。
[0082]
步骤s140：通过公式将极坐标角度转换为格拉姆矩阵，并将格拉姆矩阵保存为沿对角线对称的特征图，如图4所示；其中，i表示单位向量[1，1，
…
，1]，θ1和θn分别表示第1时刻和第n时刻极坐标的角度，表示的转置向量；
[0083]
步骤s150：将沿对角线对称的特征图输入到双注意力混合神经网络模型中，得到运动想象任务分类结果，从而将控制指令输出到外部设备，实现对外部设备的准确控制。
[0084]
在本实施例中，双注意力混合神经网络包括五个层级，构建的主要处理流程如下：
[0085]
s1：cnn局部特征提取层，由卷积层和下采样层组成，首先通过卷积操作对输入图像进行特征提取。接着，通过下采样操作对特征图进行降维处理。最后，将序列化生成的特征向量传入lstm网络作为输入特征；
[0086]
s2：局部特征关注层，该层分为两个主要步骤，第一步是通过引入可学习的参数计算局部特征映射的通道注意力权重。第二步是计算全局空间位置的向量加权和；
[0087]
s3：lstm全局特征学习层，该层分为两个主要步骤，第一步是将cnn局部特征提取层和局部特征关注层的输出序列传入lstm网络中。第二步是生成全局特征向量；
[0088]
s4：全局特征关注层，该层通过将lstm输出的隐藏状态作为输入，定义查询向量并根据其与输入的内积计算出每个位置的关注权重向量。然后，利用关注权重向量和lstm输出特征计算一个加权和来生成最终的全局特征向量；
[0089]
s5：分类层，使用交叉熵损失函数计算整个模型在训练集上的损失。
[0090]
具体地，将沿对角线对称的特征图输入到双注意力混合神经网络模型中，得到运动想象任务分类结果，具体包括：
[0091]
将得到的特征图像输入到双注意力混合神经网络模型中，特征图首先经过cnn局部特征提取层提取多维输入的空间特征，以卷积核为单位纵向依次与数据进行卷积操作，得到简化数据，并进行最大值池化操作，取特征域的最大值作为序列化特征向量传入局部特征关注层。其次，局部特征关注层对传入的特征映通过计算映射的通道注意力权重和全局空间位置的向量加权和，得到每个局部特征和查询向量之间的相关性，加强基本局部特征的表达能力。然后，lstm全局特征学习层利用门控单元和强大的记忆能力来建立格拉姆图像信息的全局空间相关性。接着，全局特征关注层对全局特征学习层的输出特征进行加权融合，增加与识别任务最相关的特征的权重。最后分类层负责对全局特征注意力层融合的加权特征进行分类。为了将特征的维数降低到类别的数量，使用全连接进行分类，并获得4维向量，再结合softmax函数进行归一化，得到对运动想象特征图的分类结果。
[0092]
参见图5，本发明实施例提供的基于脑电信号和深度学习的运动想象任务分类系统，包括：
[0093]
脑电信号采集模块100，用于采集脑电信号；
[0094]
为了提高脑电信号的质量和深度学习模型的鲁棒性，还包括：
[0095]
脑电信号滤波模块，用于对脑电信号进行滤波；
[0096]
脑电信号数据扩充模块，用于对脑电信号进行数据扩充。
[0097]
在本发明实施例中，提供了两种对脑电信号进行滤波的方式，即空间滤波和频率滤波。具体地，脑电信号滤波模块，至少包括：
[0098]
空间滤波单元，用于选择一个电极或几个电极作为参考电极。通过公式计算脑电信号的平均值，得到参考信号其中，xi(t)表示每个电极的脑电信号，n是总电极数，i表示电极编号，t表示时间；
[0099]
信号修正单元，用于通过公式计算得到修正后的信号值yi(t)，也就是说，将每个电极的信号减去参考信号的值，得到修正后的信号；其中，yi(t)为第i个电极在时间点t的修正后的信号值。去除掉参考信号对信号的影响，得到修正后的信号，从而实现对脑电信号的空间滤波。在本实施例中，选择位于头部中央位置的电极作为参考电极。
[0100]
脑电信号滤波模块，至少包括：
[0101]
频率滤波单元，用于定义滤波器的截止频率，即要保留的信号频率范围；根据归一化的截止频率计算出五阶零相位巴特沃斯滤波器的各项参数，包括极点位置、零点位置等。通过这些参数构造出五阶零相位巴特沃斯滤波器的传递函数，即将滤波器表示为输入信号和输出信号之间的比例关系。根据传递函数对脑电信号进行滤波处理，经过滤波器的输出信号就是经过滤波器处理后得到的新信号，其中只有在指定频率以下或以上的信号得到保留，而其他频率的信号被削弱或去除，从而实现对脑电信号的频率滤波。
[0102]
脑电信号数据扩充模块，包括：
[0103]
循环滑动重组单元，用于将c
×
t的原始脑电信号沿时间轴以s的步长水平滑动，数据被分为两段，即0-(t-s)和(t-s)-t；交换两段数据的序列并将(t-s)-t段数据滑动到起点，重复k次直到ks≥t；
[0104]
数据裁剪单元，用于使用预定长度的窗口将每个数据裁剪成预定个片段，该窗口在数据上滑动，每一个片段都与最初的数据具有相同的标签。
[0105]
归一化模块200，用于对脑电信号进行归一化处理，得到归一化后的数据值；
[0106]
具体地，归一化模块200，具体用于通过公式将时间序列x通过缩放器缩放到[-1,1]的范围内；其中，表示第i时刻时间数列归一化后的数据值，x表示时间序列，xi表示第i时刻的数据值，max(x)表示时间序列中的最大值，min(x)表示时间序列中的最小值。
[0107]
极坐标转换模块300，用于通过公式对归一化后的数据值进行极坐标转换；其中，θ表示极坐标角度，表示第i时刻时间数列归一化后的数据值，表示归一化后的时间序列，r表示极坐标半径，ti表示时间戳，n是一个常数；其中，半径
表示该像素点到图像中心点的距离，角度表示该像素点与竖直方向的夹角。
[0108]
格拉姆矩阵转换模块400，用于通过公式将极坐标角度转换为格拉姆矩阵，并将格拉姆矩阵保存为沿对角线对称的特征图；其中，i表示单位向量[1，1，
…
，1]，θ1和θn分别表示第1时刻和第n时刻极坐标的角度，表示的转置向量；
[0109]
运动想象任务分类模块500，用于将沿对角线对称的特征图输入到双注意力混合神经网络模型中，得到运动想象任务分类结果。
[0110]
在本实施例中，双注意力混合神经网络包括五个层级，构建的主要处理流程如下：
[0111]
s1：cnn局部特征提取层，由卷积层和下采样层组成，首先通过卷积操作对输入图像进行特征提取。接着，通过下采样操作对特征图进行降维处理。最后，将序列化生成的特征向量传入lstm网络作为输入特征；
[0112]
s2：局部特征关注层，该层分为两个主要步骤，第一步是通过引入可学习的参数计算局部特征映射的通道注意力权重。第二步是计算全局空间位置的向量加权和；
[0113]
s3：lstm全局特征学习层，该层分为两个主要步骤，第一步是将cnn局部特征提取层和局部特征关注层的输出序列传入lstm网络中。第二步是生成全局特征向量；
[0114]
s4：全局特征关注层，该层通过将lstm输出的隐藏状态作为输入，定义查询向量并根据其与输入的内积计算出每个位置的关注权重向量。然后，利用关注权重向量和lstm输出特征计算一个加权和来生成最终的全局特征向量；
[0115]
s5：分类层，使用交叉熵损失函数计算整个模型在训练集上的损失。
[0116]
具体地，运动想象任务分类模块500，具体用于将沿对角线对称的特征图像输入到双注意力混合神经网络模型中，特征图首先经过cnn局部特征提取层提取多维输入的空间特征，以卷积核为单位纵向依次与数据进行卷积操作，得到简化数据，并进行最大值池化操作，取特征域的最大值作为序列化特征向量传入局部特征关注层。其次，局部特征关注层对传入的特征映通过计算映射的通道注意力权重和全局空间位置的向量加权和，得到每个局部特征和查询向量之间的相关性，加强基本局部特征的表达能力。然后，lstm全局特征学习层利用门控单元和强大的记忆能力来建立格拉姆图像信息的全局空间相关性。接着，全局特征关注层对全局特征学习层的输出特征进行加权融合，增加与识别任务最相关的特征的权重。最后分类层负责对全局特征注意力层融合的加权特征进行分类。为了将特征的维数降低到类别的数量，使用全连接进行分类，并获得4维向量，再结合softmax函数进行归一化，得到对运动想象特征图的分类结果。
[0117]
本发明实施例通过提供一种基于脑电信号和深度学习的运动想象任务分类方法及系统，能够对运动想象任务进行准确分类，从而将控制指令输出到外部设备，实现对外部设备的准确控制。
[0118]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机
可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0119]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0120]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0121]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0122]
本发明实施例未详述之处，均为本技术领域技术人员的公知技术。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于脑电信号和深度学习的运动想象任务分类方法，其特征在于，包括：采集脑电信号；对所述脑电信号进行归一化处理，得到归一化后的数据值；通过公式对所述归一化后的数据值进行极坐标转换；其中，θ表示极坐标角度，表示第i时刻时间数列归一化后的数据值，表示归一化后的时间序列，r表示极坐标半径，t
i
表示时间戳，n是一个常数；通过公式将所述极坐标角度转换为格拉姆矩阵，并将所述格拉姆矩阵保存为沿对角线对称的特征图；其中，i表示单位向量，θ1和θ
n
分别表示第1时刻和第n时刻极坐标的角度，表示的转置向量；将所述沿对角线对称的特征图输入到双注意力混合神经网络模型中，得到运动想象任务分类结果。2.如权利要求1所述的基于脑电信号和深度学习的运动想象任务分类方法，其特征在于，在所述采集脑电信号之后，还包括：对所述脑电信号进行滤波和数据扩充。3.如权利要求2所述的基于脑电信号和深度学习的运动想象任务分类方法，其特征在于，所述对所述脑电信号进行滤波，包括：通过公式计算所述脑电信号的平均值，得到参考信号其中，x
i
(t)表示每个电极的脑电信号，n是总电极数，i表示电极编号，t表示时间；通过公式计算得到修正后的信号值y
i
(t)。4.如权利要求2所述的基于脑电信号和深度学习的运动想象任务分类方法，其特征在于，所述对所述脑电信号进行滤波，包括：根据归一化的截止频率计算出五阶零相位巴特沃斯滤波器的各项参数，通过这些参数构造出所述五阶零相位巴特沃斯滤波器的传递函数；根据所述传递函数对所述脑电信号进行滤波处理。5.如权利要求2所述的基于脑电信号和深度学习的运动想象任务分类方法，其特征在于，所述对所述脑电信号进行数据扩充，包括：将c
×
t的原始脑电信号沿时间轴以s的步长水平滑动，数据被分为两段，即0-(t-s)和(t-s)-t；交换两段数据的序列并将(t-s)-t段数据滑动到起点，重复k次直到ks≥t；使用预定长度的窗口将每个数据裁剪成预定个片段，该窗口在数据上滑动，每一个片段都与最初的数据具有相同的标签。6.一种基于脑电信号和深度学习的运动想象任务分类系统，其特征在于，包括：
脑电信号采集模块，用于采集脑电信号；归一化模块，用于对所述脑电信号进行归一化处理，得到归一化后的数据值；极坐标转换模块，用于通过公式对所述归一化后的数据值进行极坐标转换；其中，θ表示极坐标角度，表示第i时刻时间数列归一化后的数据值，表示归一化后的时间序列，r表示极坐标半径，t
i
表示时间戳，n是一个常数；格拉姆矩阵转换模块，用于通过公式将所述极坐标角度转换为格拉姆矩阵，并将所述格拉姆矩阵保存为沿对角线对称的特征图；其中，i表示单位向量，θ1和θ
n
分别表示第1时刻和第n时刻极坐标的角度，表示的转置向量；运动想象任务分类模块，用于将所述沿对角线对称的特征图输入到双注意力混合神经网络模型中，得到运动想象任务分类结果。7.如权利要求6所述的基于脑电信号和深度学习的运动想象任务分类系统，其特征在于，还包括：脑电信号滤波模块，用于对所述脑电信号进行滤波；脑电信号数据扩充模块，用于对所述脑电信号进行数据扩充。8.如权利要求7所述的基于脑电信号和深度学习的运动想象任务分类系统，其特征在于，所述脑电信号滤波模块，至少包括：空间滤波单元，用于通过公式计算所述脑电信号的平均值，得到参考信号其中，x
i
(t)表示每个电极的脑电信号，n是总电极数，i表示电极编号，t表示时间；信号修正单元，用于通过公式计算得到修正后的信号值y
i
(t)。9.如权利要求7所述的基于脑电信号和深度学习的运动想象任务分类系统，其特征在于，所述脑电信号滤波模块，至少包括：频率滤波单元，用于根据归一化的截止频率计算出五阶零相位巴特沃斯滤波器的各项参数，通过这些参数构造出所述五阶零相位巴特沃斯滤波器的传递函数；根据所述传递函数对所述脑电信号进行滤波处理。10.如权利要求7所述的基于脑电信号和深度学习的运动想象任务分类系统，其特征在于，所述脑电信号数据扩充模块，包括：循环滑动重组单元，用于将c
×
t的原始脑电信号沿时间轴以s的步长水平滑动，数据被分为两段，即0-(t-s)和(t-s)-t；交换两段数据的序列并将(t-s)-t段数据滑动到起点，重复k次直到ks≥t；数据裁剪单元，用于使用预定长度的窗口将每个数据裁剪成预定个片段，该窗口在数
据上滑动，每一个片段都与最初的数据具有相同的标签。

技术总结
本发明公开了一种基于脑电信号和深度学习的运动想象任务分类方法及系统。先采集脑电信号，再对脑电信号进行归一化处理，得到归一化后的数据值，并对归一化后的数据值进行极坐标转换；接着将极坐标角度转换为格拉姆矩阵，并将格拉姆矩阵保存为沿对角线对称的特征图；最后将沿对角线对称的特征图输入到双注意力混合神经网络模型中，得到运动想象任务分类结果。本发明通过将运动想象脑电信号转换为保持时间依赖性并反映时域波形特征的格拉姆角场图，并构建混合神经网络深度来挖掘重要区域的信息，解决了个体差异性大且难以学习有效特征的问题，能够对运动想象任务进行准确分类。能够对运动想象任务进行准确分类。能够对运动想象任务进行准确分类。


技术研发人员：黄辰 王时绘 张龑 张丽 刘小雨 宋建华 吴伟
受保护的技术使用者：湖北大学
技术研发日：2023.07.10
技术公布日：2023/10/7