一种基于再训练的运动想象识别方法、装置和设备

本发明涉及计算机，尤其涉及一种基于再训练的运动想象识别方法、装置和设备。

背景技术：

1、脑机接口建立了人类大脑与外部设备或环境之间的直接通信路径。由于成本低、非侵入性和便利性，脑电图（electroencephalogram，eeg）是脑机接口中最常用的输入信号，它记录了大脑皮层的电活动。一个闭环脑机接口系统主要包括信号采集、信号分析和输出控制三个模块。其中，信号分析模块处理收集到的eeg信号并识别其模式从而生成控制输出。它通常包括信号处理、特征提取和分类/回归。脑机接口存在多种范式，如稳态视觉诱发电位 (steady-state visually evoked potential，ssvep）、事件相关电位 (event-related potential， erp)和运动想象 (motor imagery，mi)。运动想象是指用户在脑中想象身体部位的运动而不实际执行它。在运动想象期间，大脑皮层的特定区域表现出感觉-运动节律的变化，主要通过事件相关去同步和事件相关同步来表现，分别在特定频段上出现明显的能量减小和增加。通常，事件相关去同步发生在大脑的对侧区域，而事件相关同步发生在同侧区域。例如，在左手运动想象任务期间，右侧大脑的运动皮层观察到事件相关去同步，左侧大脑的运动皮层观察到事件相关同步。因此，从eeg中检测大脑皮层特定区域的感觉-运动节律可以用于解码运动想象用户的运动意图，然后控制外部设备执行相应的动作。

2、常见的共空间模式（csp）是一种广泛使用且有效的信号处理算法，它可以将原始eeg数据转换为具有最佳方差的输出数据，以便后续的特征提取和分类。但是，共空间模式在运动想象的识别过程中并不能很好的适配，容易影响识别精度。

技术实现思路

1、本发明点目的在于：为解决共空间模式在运动想象的识别过程中不能很好适配，影响识别精度问题，本发明提供一种基于再训练的运动想象识别方法、装置和设备。

2、本技术实施例的技术方案是这样实现的：

3、本技术实施例第一方面提供一种基于再训练的运动想象识别方法，包括：

4、获取csp滤波器基准参数和目标分类器基准参数；所述csp滤波器基准参数与csp滤波器的性能参数相关；所述目标分类器基准参数为基于样本数据训练得到的满足精度需求的目标分类器对应的参数，所述样本数据的类型与待识别的eeg运动想象数据类型相同；所述目标分类器包括lr分类器、svm分类器或lda分类器；

5、基于所述csp滤波器基准参数和所述目标分类器基准参数对预设神经网络的特征提取器和特征分类器分别进行初始化处理，得到第一神经网络；所述特征提取器主要包括卷积层，所述特征分类器主要包括多层感知器；

6、利用梯度下降算法对所述第一神经网络进行优化，得到目标神经网络；

7、将待识别的运动想象eeg数据输入至所述目标神经网络，获取运动想象类别。

8、可选的，所述获取csp滤波器基准参数和目标分类器基准参数，包括：

9、利用所述样本数据对所述csp滤波器进行训练，确定所述csp滤波器的性能参数；

10、对所述csp滤波器的性能参数进行求解，得到一组最大特征值对应的特征向量和最小特征值对应的特征向量；

11、基于所述特征向量确定csp滤波器基准参数。

12、可选的，所述获取csp滤波器基准参数和目标分类器基准参数，包括：

13、利用分类算法对目标分类器进行迭代训练，得到目标分类器基准参数。

14、可选的，所述利用梯度下降算法对所述第一神经网络进行优化，得到目标神经网络，包括：

15、将所述样本数据输入至所述第一神经网络，根据输出数据和对照数据确定损失函数对应的梯度值；

16、基于所述梯度值的反方向更新所述第一神经网络的参数并进行迭代训练，直至所述第一神经网络的输出数据对应的损失函数达到预设值；

17、将所述损失函数达到预设值时对应的第一神经网络确定为目标神经网络。

18、本技术实施例第二方面提供一种基于再训练的运动想象识别装置，包括：第一获取模块、初始化模块、优化模块和第二获取模块，其中，

19、所述第一获取模块，配置为获取csp滤波器基准参数和目标分类器基准参数；所述csp滤波器基准参数为基于csp滤波器的性能参数求解得到；所述目标分类器基准参数为基于样本数据训练得到的满足精度需求的目标分类器对应的参数，所述样本数据的类型与待识别的eeg运动想象数据类型相同；所述目标分类器包括lr分类器、svm分类器或lda分类器；

20、所述初始化模块，配置为基于所述csp滤波器基准参数和所述目标分类器基准参数对预设神经网络的特征提取器和特征分类器分别进行初始化处理，得到第一神经网络；所述特征提取器主要包括卷积层，所述特征分类器主要包括多层感知器；

21、所述优化模块，配置为利用梯度下降算法对所述第一神经网络进行优化，得到目标神经网络；

22、所述第二获取模块，配置为将待识别的运动想象eeg数据输入至所述目标神经网络，获取运动想象类别。

23、可选的，所述第一获取模块具体配置为：

24、利用所述样本数据对所述csp滤波器进行训练，确定所述csp滤波器的性能参数；

25、对所述csp滤波器的性能参数进行求解，得到一组最大特征值对应的特征向量和最小特征值对应的特征向量；

26、基于所述特征向量确定csp滤波器基准参数。

27、可选的，所述第一获取模块具体配置为：利用分类算法对目标分类器进行迭代训练，得到目标分类器基准参数。

28、可选的，所述优化模块具体配置为：

29、将所述样本数据输入至所述第一神经网络，根据输出数据和对照数据确定损失函数对应的梯度值；

30、基于所述梯度值的反方向更新所述第一神经网络的参数并进行迭代训练，直至所述第一神经网络的输出数据对应的损失函数达到预设值；

31、将所述损失函数达到预设值时对应的第一神经网络确定为目标神经网络。

32、本技术实施例第三方面提供一种电子设备，包括处理器和存储器；所述存储器有存储计算机程序，其中，所述计算机程序在被所述处理器执行时实现第一方面所述的基于再训练的运动想象识别方法。

33、本技术实施例第四方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。

34、与现有技术相比，本技术提供的技术方案带来的有益效果是：

35、本发明提供一种基于再训练的运动想象识别方法、装置和设备，通过获取csp滤波器基准参数和目标分类器基准参数，基于csp滤波器基准参数和目标分类器基准参数对预设神经网络的特征提取器和特征分类器分别进行初始化处理，得到第一神经网络，进而利用梯度下降算法对第一神经网络进行优化，得到目标神经网络，将待识别的运动想象eeg数据输入至所述目标神经网络，获取运动想象类别，实现传统csp模型的专家知识和额外分类知识的结合，提高了对运动想象的识别精度。