申请/专利权人：长春工业大学

申请日：2024-05-22

公开（公告）日：2024-06-21

公开（公告）号：CN118228129A

主分类号：G06F18/2413

分类号：G06F18/2413;G06N3/045;G06N3/0464;G06N3/096;G06F18/213;G06F18/2431;G06F18/25

优先权：

专利状态码：在审-公开

法律状态：2024.06.21#公开

摘要：本发明提供了一种基于深度迁移学习的运动想象脑电信号分类方法，涉及神经网络、机器学习进行脑机接口数据分类处理领域，包括以下步骤：S1、采集脑电信号，并对脑电信号数据进行预处理；S2、构建基于EEGNet‑Attention‑Resnet分类模型；S3、使用欧式对齐实现源域与目标域浅层网络的参数共享，以及使用最大均值差异MMD度量差异实现不同受试者的深层网络的域适应。与现有技术相比，本发明从浅层网络的微调、共享参数以及深层网络的域适应进行迁移，能够解决因数据量不足而导致的分类精度低的问题，提高跨受试者脑电信号的分类准确率，并完成不同受试者良好的分类任务，可广泛应用于医疗健康等领域。

主权项：1.一种基于深度迁移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S1：采集脑电信号，并对脑电信号数据进行预处理；根据上述步骤S1所述的采集脑电信号，并对脑电信号数据进行预处理，其特征在于，包括以下步骤：步骤S11：获取运动想象脑电信号数据集，并将不同受试者的脑电数据分为源域和目标域；步骤S12：将步骤S11中的脑电源域数据集使用带通滤波器对脑电信号进行预处理，去除脑电信号的伪迹，得到预处理后的脑电数据；步骤S13：将步骤S12中预处理后的脑电数据集划分为训练集和测试集；步骤S2：以EEGNet网络为基础框架，在此基础上增加一个双通道Attention机制，即空间、通道注意力模型和ResNet残差网络，构建运动想象脑电信号分类网络，用于对源域数据的特征提取，并通过全连接层分类，通过Adam优化算法更新权重，得到并输出分类结果的模型；步骤S21：在EEGNet神经网络的基础上，串行添加一个通道、空间注意力机制即ECA模块和CBAM模块，增强网络模型提取脑电信号的相关重要通道、空间的性能；步骤S22：在步骤S21的基础上，串行添加ResNet残差网络，建立EEGNet-Attention-ResNet模型；步骤S23：通过EEGNet-Attention-ResNet模型，对预处理后的源域脑电数据进行特征提取；步骤S24：通过全连接层对步骤S23中所提取的脑电特征进行分类；步骤S25：通过Adam优化算法进行权重的更新；步骤S3：构建模型适配的深度迁移学习模型；步骤S31：构建浅层模型适配模块，基于欧式对齐，实现不同受试者脑电信号通用特征的对齐；步骤S32：构建深层模型适配模块，基于MMD均值差异度量，源域数据和目标域数据输出特征之间差异进行度量，实现不同受试者深层特征的领域自适应。

全文数据：

权利要求：

百度查询： 长春工业大学 一种基于深度迁移学习的运动想象脑电信号分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD