一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法与流程

技术特征：
1.一种基于通道注意力和多尺度时域卷积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1.数据预处理：使用带通滤波器对运动想象脑电信号进行带通滤波处理，之后对滤波后的信号做指数移动均值标准化；将脑电信号数据集划分为训练集、验证集和测试集；步骤2.构建mca-eegnet模型：使用并行多尺度的时间卷积层代替eegnet模型中的普通卷积层，以更好地进行特征提取；添加通道注意力模块eca，使网络训练时更加关注与输入数据相关度高的通道信息；步骤3.将步骤1中的训练集和验证集输入到mca-eegnet模型中进行训练；步骤4.将步骤1中的测试集输入到步骤3中已训练好的模型中进行分类，评价分类的准确度。2.根据权利要求1所述的基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法，其特征在于：步骤1具体为：(1)对原始运动想象脑电信号用3阶4-40hz的巴特沃斯带通滤波器进行带通滤波，过滤出所需频段的信号；(2)对滤波后的信号做指数移动均值标准化，其中衰减因子设为0.999，以减少数值差异对模型效果的影响；(3)开始训练之前，将经过预处理后的脑电数据集进行划分；将训练样本中80％的数据作为训练集，其余20％的数据作为验证集。3.根据权利要求1所述的基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法，其特征在于：步骤2具体为：mca-eegnet模型的具体结构主要概括为四部分：block1，block2，block3，全连接层；下面对每一部分进行详细说明：(1)block1受滤波器组思想启发，使用两个并行多尺度的时间卷积层对输入信号分别进行卷积处理，卷积步长stride设为1，padding为卷积核大小的1/2；经多次实验，最终设置两个卷积核大小kernel size分别为(1,64)、(1,40)效果最好；之后将两个卷积层的卷积结果连接并经过归一化后输出；(2)block2首先将上层的输出使用卷积核大小为(c,1)、卷积步长为1、最大范数权值约束max_norm为0.5的空间卷积层进行特征提取，其中c为采集的脑电信号的导联个数；然后对输出结果进行归一化处理；此处激活函数使用的是elu函数，既能加快训练速度，又能提高分类准确率；经过激活函数后，使用大小、步长均为1
×
8的平均池化层来处理特征，以减少参数量；最后通过dropout方式将对应层中的节点以0.5的概率随机丢弃，以减轻网络的过拟合现象；(3)block3深度可分离卷积(separableconv2d)由逐通道卷积(depthwiseconv2d)和逐点卷积(pointwiseconv2d)两部分组成；首先将上层的输出使用卷积核大小为(1,33)、步长为1的
逐通道卷积层进行特征提取，padding为卷积核大小的1/2；然后进行逐点卷积操作，卷积核大小为(1,1)，步长为1，padding为0；对输出结果进行归一化处理后添加高效通道注意力模块eca对网络进行权重分配，使网络训练时更加关注与输入数据相关度高的通道信息；最后，经过平均池化、丢弃等一系列操作对结果进行输出；其中，eca是一种用于深度卷积神经网络的高效通道注意力模块；该方法首先对输入信息进行逐通道全局平均池化，得到聚合特征；然后在不降低维度的情况下，对每个通道及其k个相邻通道进行一维卷积提取相邻通道间的信息；最后经过sigmoid函数进行激活输出结果；其中k值代表局部跨通道交互的覆盖率，其由导联个数c的映射自适应确定，计算方法如式1所示：其中，γ＝2，b＝1，|m|
odd
表示最接近m的奇数，c代表采集到的脑电信号的导联个数；(4)全连接层最后，将得到的所有特征通过全连接层进行整合，输入到softmax中进行分类，得到最终结果；同时在全连接层添加了最大范数约束进行正则化处理，最大范数值设为0.25。4.根据权利要求1所述的基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法，其特征在于：步骤3：将脑电信号的训练集和验证集输入到mca-eegnet模型中进行训练，训练过程分为两个阶段；第一阶段的最大迭代次数设为800，且当验证集损失函数达到最低时提前结束训练以防止过拟合并节省训练时间；在第二阶段中，将验证集数据合并入训练集数据中进行训练，当验证集损失值小于第一阶段训练集损失值时提前结束训练，最大迭代次数仍为800；记录第二次迭代过程中验证集损失值最低时的模型，用其预测测试集样本，记录测试集准确率；对9个受试者分别进行上述模型训练和测试，得到9组测试集准确率，记录其平均值作为最终的模型准确率；训练均采用交叉熵损失函数，以adam方法作为优化器，学习率均设为0.001，其余参数使用adam方法的默认值；批训练的批大小均设为64。5.根据权利要求1所述的基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法，其特征在于：步骤4：将步骤1中的测试集输入到步骤3中已训练好的模型中进行分类识别，评价分类的准确度。

技术总结
一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法属于计算机软件领域。针对脑电信号信噪比低导致特征提取困难的问题，提出一种基于EEGNet改进的网络模型，简称“MCA-EEGNet”。首先，使用并行多尺度的时间卷积层代替EEGNet模型中的普通卷积层，以更好地进行特征提取，从而提高分类准确率。同时添加通道注意力模块ECA，使网络训练时更加关注与输入数据相关度高的通道信息，从而进一步提高模型的鲁棒性。相比较EEGNet模型，本发明提出的分类方法更能有效地提升对运动想象脑电信号的特征提取和分类性能。信号的特征提取和分类性能。信号的特征提取和分类性能。


技术研发人员：王丹 许晴 陈佳明 付利华 谭睎月
受保护的技术使用者：北京工业大学
技术研发日：2021.12.25
技术公布日：2022/4/1