基于对比学习的脑电意图识别与机械臂控制方法与流程

摘要: 本发明涉及脑电信息处理,具体涉及一种基于对比学习的脑电意图识别与机械臂控制方法。背景技术:1、基于脑电图(eeg)信号的运动想象(motorimagery,mi...
基于对比学习的脑电意图识别与机械臂控制方法与流程

本发明涉及脑电信息处理,具体涉及一种基于对比学习的脑电意图识别与机械臂控制方法。

背景技术:

1、基于脑电图(eeg)信号的运动想象(motor imagery, mi)识别及闭环控制作为脑机接口领域的核心方向,在流式在线控制的实际落地中面临着多重技术瓶颈。

2、以共空间模式(csp)为代表的早期方法及公开号为cn103793058b的专利技术,其核心在于通过监督方式分解多组信号协方差矩阵,寻找最优空间投影方向以最大化两类信号的方差差异。该类方法存在三重固有缺陷:其一,性能高度依赖人工对特定频带的先验选择,而最优频带随受试者、电极位置及实验时段动态变化,人工选定无法自适应匹配;其二,算法本质基于二分类设计,当扩展至三类以上时,需构建多个二分类子任务,各子任务的空间模式相互干扰导致投影基底矩阵退化,特征空间边界趋于模糊;其三,该方法完全忽略信号的时域演化特征,仅利用空域方差信息,无法捕捉运动想象过程中事件相关去同步/同步(erd/ers)的动态时频模式。后续出现的改进方案如公开号为cn110765920b的中国专利,虽引入卷积神经网络自动提取特征以替代人工设计,但其监督学习范式依赖固定硬标签驱动参数更新,在脑电信号非平稳、噪声占比偏高的条件下,网络难以从有限标注样本中学习到具有足够类间区分度的深层表征,且在四分类架构下无法适配机械臂六方向控制所需的指令粒度,分类数目的不足直接导致控制自由度的严重受限。

3、在脑控机械臂的系统实现层面,同期也发展了基于p300或ssvep等被动诱发范式的机械臂控制方案,如公开号分别为cn106671084b、cn108304068b的中国专利,但二者均高度依赖高频闪烁的外部视觉刺激来诱发特异性电位,不仅易于引发严重视觉疲劳、占用受试者视线,且刺激伪迹易混入并扭曲本征脑电特征,无法实现完全由大脑主动驱使的持续平滑控制。

4、近年来虽有研究将对比学习引入运动想象脑电解码以提升特征判别性,并采用多尺度时空卷积捕获多分辨率时频特征,如公开号为cn114997229a的中国专利与公开号为cn117009780a的中国专利,但现有方案存在三项明确不足:

5、其一,对比学习与特征提取器之间仅为简单串联,二者各自独立优化,未能形成梯度反馈驱动的深度闭环协同,特征对齐效率受限,判别能力的提升远未达到理论上限;其二,现有方案仍以二分类或四分类为主,而机械臂在三维空间中至少需要六个独立运动方向(左/右/上/下/前/后)才能够实现灵活操控,分类粒度的粗放直接制约了下游控制的自由度与精准度;其三,面对在线连续采集中眨眼、肌电等高幅突发伪迹及长时间跨时段采集引发的非平稳分布漂移,目前缺少一种能够把自适应阈值筛选、动态归一化处理逻辑联合起来的方法去抑制突发的脉冲干扰,在信号的特征分布被干扰的情况下,分类器将产生连续误判,严重威胁机械臂运行安全。

技术实现思路

1、本发明意在提供一种基于对比学习的脑电意图识别与机械臂控制方法,能够有效提升跨时段运动想象六分类的识别精度与在线推理稳定性,从而实现对机械臂六方向的高效实时控制。

2、本发明提供的基础方案为:基于对比学习的脑电意图识别与机械臂控制方法,包括以下步骤:

3、步骤1,获取受试者的多通道脑电信号,经预处理后按时间窗口分割为多个脑电数据段;

4、步骤2,构建训练集,将同一受试者不同时段采集的相同运动想象类别的脑电信号片段两两配对构建正样本对,不同运动想象类别的脑电信号片段构建为负样本对;

5、步骤3,构建预训练模型,所述预训练模型包括多尺度时空卷积模块和注意力机制模块,所述多尺度时空卷积模块提取脑电信号的局部时序特征和多尺度时空复合特征,所述注意力机制模块对提取的特征计算通道注意力权重并进行逐元素加权;以最小化infonce损失函数为目标,基于所述正样本对和负样本对进行对比学习预训练,迭代更新所述多尺度时空卷积模块和所述注意力机制模块的参数,得到预训练编码器;

6、步骤4,从所述预训练编码器的中间层提取中间特征并计算平均能量特征,将所述平均能量特征输入多层感知机分类器进行训练,输出运动想象意图分类结果;

7、步骤5,实时采集在线待测脑电信号,经所述预训练编码器提取中间特征并计算平均能量特征后,输入训练后的所述多层感知机分类器进行实时推理,解码输出运动想象意图标签;

8、步骤6,根据所述运动想象意图标签对应的空间运动映射关系生成控制指令,控制外部机械臂执行目标动作。

9、本发明的工作原理及优点在于:

10、本发明基于对比学习的脑电意图识别与机械臂控制方法,能够有效提升跨时段运动想象六分类的识别精度与在线推理稳定性,从而实现对机械臂六方向的高效实时控制。重点在于:

11、第一,特征提取与对比学习之间形成闭环协同优化架构,能够显著提升特征判别能力。多尺度时空卷积模块提取的特征经注意力机制加权后输入对比学习,对比学习的梯度反馈同时反向传播至注意力机制和多尺度时空卷积模块,形成提取—加权—对齐—反馈—再提取的完整闭合回路,可使得每次迭代中注意力权重在对比损失引导下动态调整,逐步强化有利于类间区分的核心脑区特征、抑制任务无关响应,其性能上限显著高于独立优化的串联结构。并且,将对比学习接在动态注意力模块之后,在输入特征清晰的情况下,在特征空间内更有效地拉近了同类别样本、疏远不同类别样本的空间距离,以此能够获得更好的泛化性和区分度。

12、第二,采取了跨时段的正样本对构造策略,能够有效应对非平稳漂移。现有对比学习方法通常对同一原始样本施加数据增强来构建正样本对,其本质上局限于同一时段内的数据增广,无法应对跨时段采集带来的分布漂移。本方案将正样本对从“同一时段”拓展至“不同时段”——将同一受试者在不同实验轮次中同一类别的脑电片段两两配对,强制模型学习跨时段下保持稳定的类别判别特征,而非仅拟合特定时段的数据分布,有助于针对性处理脑电信号因电极阻抗变化、受试者疲劳波动等因素导致的长时间尺度非平稳漂移问题。

13、第三,选取平均能量特征作为中间特征,能够与动态注意力机制协同适配。本方案从多尺度空间卷积层之后提取中间特征并计算时域均值,其输出具有明确的神经电生理解释:正值表示该通道呈激活状态(erd现象),负值表示抑制状态(ers现象),幅值反映激活强度。这一特性天然匹配注意力机制的本质功能——筛选和放大具有判别意义的通道响应,二者结合后在极短时间内完成特征整合,满足在线控制对低延迟推理的硬性约束。

14、第四,本方案将对比学习驱动的脑电意图识别扩展至六分类并建立与机械臂三维空间六方向运动的一一对应映射,平均识别准确率达到56%,远高于16.67%的随机猜测水平,能够实现对机械臂六方向的高效实时控制。从四分类向六分类的跨越面临特征空间精细划分导致的类间边界模糊难题——类别越多,决策边界越易相互侵入,判别难度呈非线性增长。在本方案中,正是基于闭环协同架构显著提升的特征可区分性,六分类任务才在工程层面达到可用精度,从而使机械臂在三维空间中实现涵盖偏航、俯仰和伸缩三个自由度的灵活控制成为可能。