一种运动想象脑机接口的解码方法、存储介质、设备

本发明涉及脑机接口信号解码领域，尤其涉及一种运动想象脑机接口的解码方法、存储介质、设备。

背景技术：

1、脑机接口在人脑和外部设备(计算机、轮椅、机器人等)之间建立了直接的通信路径。脑电图(electroencephalogram，eeg)记录了大脑头皮上的电活动，由于其使用方便和低成本，是非侵入式脑机接口中应用最广泛的输入信号。基于eeg的脑机接口已经被应用于机器人控制、语言解码、中风康复、和意识评估等。

2、运动想象(motor imagery，mi)是基于eeg的脑机接口的一个经典范式，该范式中用户会想象身体某部分的运动但没有实际执行，例如右手、左手、双脚、和舌头等。mi会引起大脑皮层相应区域感觉-运动节律(sensory-motor rhythms，smr)的变化，主要涉及μ节律(8-12hz)和β节律(14-30hz)的调制。因此，检测大脑皮层特定区域内的smr模式可以用于识别用户想象的身体部位。

3、卷积神经网络(convolutional neural networks，cnns)在eeg信号解码上也取得了很好的成果。shallowcnn和deepcnn可用于原始eeg分类。shallowcnn受fbcsp启发，其中的时间卷积、空间卷积、对数方差计算和分类器等网络模块都对应fbcsp中的特定计算步骤。deepcnn类似，但包含更多的卷积和池化层。虽然很多cnn网络在设计时都借鉴了csp的思想，但这些模型基本上还是数据驱动的，通常缺乏先验知识的融合。这导致了模型的可解释性问题以及在不同数据集和场景中模型训练收敛问题。此外，由于数据采集困难，实际中eeg数据量通常较小，这使得基于cnn的解码算法容易发生过拟合问题。

技术实现思路

1、本发明的目的在于：为了解决现有技术中eeg数据量较小，缺乏先验知识的融合，使得解码算法容易发生过拟合问题，提出一种运动想象脑机接口的解码方法，包括以下步骤：

2、s1、获取受试者脑电图信号；

3、s2、对脑电图信号进行csp(common spatial pattern，共空间模式)滤波，在脑电图信号上优化得到csp滤波器组；

4、s3、构建脑机接口的解码模型，包括含有空域卷积模块的cnn骨干网络；使用csp滤波器组替换空域卷积模块中的卷积核；

5、当cnn骨干网络的空域卷积模块中的卷积核数量与csp滤波器数量相同时，使用csp滤波器替换空域卷积模块中的卷积核；当cnn骨干网络的空域卷积模块中的卷积核数量大于csp滤波器数量时，对csp滤波器进行复制扩充以匹配空域卷积；当空域卷积模块中的卷积核数量小于csp滤波器数量时，对csp滤波器进行随机采样以匹配空域卷积；

6、s4、对脑机接口的解码模型进行训练和验证，得到最终的脑机接口的解码模型，对脑电图信号进行解码获得受试者运动意图。

7、进一步地，csp滤波器组其中c是脑电图信号的通道数量，f是待生成的csp滤波器数量，csp滤波器的优化目标函数为：

8、

9、其中，j(w)表示csp滤波器的优化目标函数，c1和c2分别表示两个脑电图信号类别上所有脑电图信号的平均协方差矩阵，通过求解csp滤波器的优化目标函数，得到csp滤波器组。

10、进一步地，cnn骨干网络为eegnet，包括时域卷积模块、空域卷积模块、可分离卷积模块和一个分类器模块。

11、进一步地，cnn骨干网络为deepcnn，包括时域卷积模块、空域卷积模块、两个普通卷积模块和一个分类器模块。

12、进一步地，cnn骨干网络为shallowcnn，包括一个时域卷积模块、一个空域卷积模块和一个分类器模块。

13、进一步地，训练时，固定模型的空域卷积模块中的卷积核参数。

14、进一步地，训练时，对整个模型中的参数都进行更新。

15、本发明还提出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上述的脑机接口的解码方法。

16、本发明还提出一种电子设备，包括处理器和存储器，所述处理器与所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括计算机可读指令，所述处理器被配置用于调用所述计算机可读指令，执行上述的脑机接口的解码方法。

17、本发明提供的技术方案带来的有益效果是：

18、本发明提出一种运动想象脑机接口的解码方法，构建包括cnn骨干网络的脑机接口的解码模型，使用csp滤波器组替换模型中空域卷积模块中的卷积核。发明为基于eeg的mi脑机接口设计了高效的解码方法。通过深度结合mi中的csp专家知识和数据驱动的cnn网络，提出了更具泛化性和稳定的共空间模式增强的神经网络方法，解决eeg数据量较小，缺乏先验知识的融合，使得解码算法容易发生过拟合问题，提高基于eeg的mi脑机接口系统的精准性和易用性。

技术特征：

1.一种基于csp的运动想象脑机接口的解码方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种运动想象脑机接口的解码方法，其特征在于，csp滤波器组其中c是脑电图信号的通道数量，f是待生成的csp滤波器数量，csp滤波器的优化目标函数为：

3.根据权利要求1所述的一种运动想象脑机接口的解码方法，其特征在于，cnn骨干网络为eegnet，包括时域卷积模块、空域卷积模块、可分离卷积模块和一个分类器模块。

4.根据权利要求1所述的一种运动想象脑机接口的解码方法，其特征在于，cnn骨干网络为deepcnn，包括时域卷积模块、空域卷积模块、两个普通卷积模块和一个分类器模块。

5.根据权利要求1所述的一种运动想象脑机接口的解码方法，其特征在于，cnn骨干网络为shallowcnn，包括一个时域卷积模块、一个空域卷积模块和一个分类器模块。

6.根据权利要求1所述的一种运动想象脑机接口的解码方法，其特征在于，训练时，固定模型的空域卷积模块中的卷积核参数。

7.根据权利要求1所述的一种运动想象脑机接口的解码方法，其特征在于，训练时，对整个模型中的参数都进行更新。

8.一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如权利要求1-7任一所述方法的。

9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括计算机可读指令，所述处理器被配置用于调用所述计算机可读指令，执行如权利要求1-7任一项所述的方法。

技术总结本发明公开一种运动想象脑机接口的解码方法、存储介质、设备，涉及运动想象脑机接口信号解码领域，方法包括：对运动想象脑电图信号进行CSP滤波，在脑电图信号上优化得到CSP滤波器组；构建脑机接口的解码模型，包括含有空域卷积模块的CNN骨干网络；使用CSP滤波器组替换空域卷积模块中的卷积核；当卷积核数量与CSP滤波器数量相同时，使用CSP滤波器替换卷积核；当卷积核数量大于CSP滤波器数量时，对CSP滤波器进行复制扩充；当卷积核数量小于CSP滤波器数量时，对CSP滤波器进行随机采样；对模型进行训练和验证，得到最终的脑机接口的解码模型。本发明提高基于EEG的运动想象脑机接口系统的精准性和易用性。技术研发人员：伍冬睿,蒋雪,孟璐斌受保护的技术使用者：深圳华中科技大学研究院技术研发日：技术公布日：2024/9/26