面向运动想象脑电分类的多阈值脉冲计数解码方法及系统
本发明属于脑机接口和脉冲神经网络领域,尤其涉及面向运动想象脑电分类的多阈值脉冲计数解码方法及系统。
背景技术:
1、随着脑机接口技术的发展,运动想象脑电解码已成为神经康复、辅助控制、人机交互和可穿戴智能设备中的重要研究方向。现有运动想象脑电分类方法主要包括基于共空间模式等手工特征构建的传统机器学习方法,以及基于卷积神经网络、时空特征提取网络的深度学习方法。其中,传统方法依赖人工设计特征,适应脑电信号非平稳性和个体差异的能力有限;深度学习方法能够直接从多通道脑电数据中提取时域特征和空间特征,已在多类公开数据集上取得较好的分类性能,因此逐渐成为当前运动想象脑电解码的主流技术路线。
2、但是,现有技术仍存在以下问题:一方面,现有连续值神经网络在推理过程中通常依赖大量连续值乘加运算,计算开销较高,不利于低功耗、边缘侧和可穿戴场景部署;另一方面,现有脉冲神经网络方案多采用单阈值二值脉冲输出,神经元表达能力有限,且部分方案通过增加网络宽度或延长时间步数弥补表达不足,进一步带来参数量、时延和计算量上升;此外,不同脑电通道之间在幅值、信噪比和频率成分上存在明显差异,采用统一阈值或统一膜时间常数的方式难以兼顾各通道特征,从而限制了运动想象脑电分类性能和部署效率的进一步提升。
技术实现思路
1、为解决上述技术问题,本发明提供了面向运动想象脑电分类的多阈值脉冲计数解码方法,包括:
2、获取多通道运动想象脑电trial,并将所述多通道运动想象脑电trial整理为标准化输入张量;根据所述标准化输入张量,构建四维网络输入张量;
3、根据所述四维网络输入张量,通过低秩分解时域前端提取初始时域特征;
4、根据所述初始时域特征,通过空间深度卷积提取空间特征;根据所述空间特征,沿时间维度重排得到短时序片段;
5、根据所述短时序片段,通过第一级多阈值脉冲计数lif神经元得到脉冲计数特征;
6、根据所述脉冲计数特征,通过后续时序卷积、逐点卷积和第二级多阈值脉冲计数lif神经元得到高级脉冲特征;
7、根据所述高级脉冲特征,输出运动想象类别。
8、可选地,根据所述四维网络输入张量提取所述初始时域特征的过程包括:
9、根据所述四维网络输入张量,执行第一时间卷积,得到低秩时间特征;
10、根据所述低秩时间特征,执行第二逐点投影卷积,得到所述初始时域特征;
11、其中,所述第一时间卷积的输入通道数为1,所述第二逐点投影卷积的卷积核尺寸为1×1。
12、可选地,根据所述初始时域特征提取所述空间特征的过程包括:
13、根据所述初始时域特征,执行空间深度卷积;
14、根据所述空间深度卷积的输出,得到包含eeg通道空间模式的所述空间特征;
15、其中,所述空间深度卷积的卷积核覆盖脑电通道维度,且采用分组卷积方式。
16、可选地,根据所述短时序片段通过第一级多阈值脉冲计数lif神经元得到所述脉冲计数特征的过程包括:
17、根据所述短时序片段中的各通道输入,为每一通道分别设置基础阈值、阈值间隔和膜时间常数;
18、根据所述基础阈值和所述阈值间隔,构建多个有序阈值;
19、根据各时间步的输入和前一时间步软复位后的膜电位,更新当前时间步的预复位膜电位。
20、可选地,根据所述预复位膜电位得到所述脉冲计数特征的过程包括:
21、根据所述预复位膜电位,分别与各有序阈值进行比较;根据所述预复位膜电位跨越的有序阈值个数,确定当前时间步的脉冲计数值;
22、根据各时间步的脉冲计数值,得到所述脉冲计数特征;
23、其中,所述脉冲计数值通过阶跃函数统计所述预复位膜电位跨越的阈值层数。
24、可选地,根据所述脉冲计数值执行软复位的过程包括:
25、根据当前时间步的预复位膜电位和所述脉冲计数值,执行软复位处理,得到复位后膜电位;
26、根据所述复位后膜电位,作为下一时间步膜电位更新的输入状态;
27、根据所述脉冲计数特征,依次经时序卷积、逐点卷积和第二级多阈值脉冲计数lif神经元处理,得到所述高级脉冲特征。
28、可选地,对所述多阈值脉冲计数lif神经元进行训练的过程包括:
29、根据所述运动想象类别构建分类损失;根据所述分类损失,对所述多阈值脉冲计数中的不可导计数函数采用替代梯度进行反向传播;
30、根据反向传播结果,更新所述基础阈值、所述阈值间隔、所述膜时间常数以及网络其余参数;
31、其中,所述替代梯度包括arctan替代梯度、sigmoid替代梯度、gaussian替代梯度或rectangular替代梯度。
32、为解决上述技术问题,本发明还提供了一种面向运动想象脑电分类的多阈值脉冲计数解码系统,包括:
33、数据读取单元,用于读取或接收已划分的多通道运动想象eeg trial;
34、输入整理单元,用于根据所述多通道运动想象eeg trial,将所述多通道运动想象eeg trial整理为标准化输入张量,并根据所述标准化输入张量构建四维网络输入张量;
35、低秩前端模块,用于根据所述四维网络输入张量,通过低秩分解时域前端提取初始时域特征;
36、空间特征模块,用于根据所述初始时域特征,通过空间深度卷积提取空间特征,并根据所述空间特征沿时间维度重排得到短时序片段;
37、脉冲计数解码模块,用于根据所述短时序片段,通过第一级多阈值脉冲计数lif神经元得到脉冲计数特征,并根据所述脉冲计数特征,通过时序卷积、逐点卷积和第二级多阈值脉冲计数lif神经元得到高级脉冲特征;
38、分类输出模块,用于根据所述高级脉冲特征,输出运动想象类别。
39、另一方面,本发明还提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算程序,所述处理器执行所述计算程序时实现所述方法。
40、另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述方法。
41、与现有技术相比,本发明具有如下优点和技术效果:
42、本发明提供了一种面向运动想象脑电分类的多阈值脉冲计数解码方案,通过低秩分解时域前端与多阈值脉冲计数神经元相结合,在保持整体网络结构紧凑的基础上,实现对运动想象脑电时域特征、空间特征和短时序动态特征的协同提取;通过逐通道设置基础阈值、阈值间隔和膜时间常数,提高对不同脑电通道异质性的适配能力;通过多阈值脉冲计数输出增强单个神经元的特征表达能力,减少依赖增加网络宽度或延长时间步数来提升分类性能的需求,从而兼顾分类精度、计算复杂度与部署适应性。
1.面向运动想象脑电分类的多阈值脉冲计数解码方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,根据所述四维网络输入张量提取所述初始时域特征的过程包括:
3.根据权利要求1所述的方法,其特征在于,根据所述初始时域特征提取所述空间特征的过程包括:
4.根据权利要求1所述的方法,其特征在于,根据所述短时序片段通过第一级多阈值脉冲计数lif神经元得到所述脉冲计数特征的过程包括:
5.根据权利要求4所述的方法,其特征在于,根据所述预复位膜电位得到所述脉冲计数特征的过程包括:
6.根据权利要求5所述的方法,其特征在于,根据所述脉冲计数值执行软复位的过程包括:
7.根据权利要求1所述的方法,其特征在于,对所述多阈值脉冲计数lif神经元进行训练的过程包括:
8.一种面向运动想象脑电分类的多阈值脉冲计数解码系统,其特征在于,包括:
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算程序,其特征在于,所述处理器执行所述计算程序时实现所述权利要求1-7任意一项所述方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现所述权利要求1-7任意一项所述方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com