本技术介绍了一种手指运动想象解码方法,该方法结合了通道自适应卷积核(CAK)和信息融合网络。CAK模块旨在解决卷积核通道差异问题,通过两个分支处理不同问题,实现手指运动想象信号的有效解码。
背景技术
基于运动想象的脑机接口,具有重要的应用前景,例如康复训练。手指的复杂功能是人类区别于其他动物的一个重要特征。因此,手指运动想象的解法方法对于康复训练等实际应用非常重要。
基于深度学习的方法能够从脑电(EEG)信号中自动提取的深度特征,因此在运动想象解法中受很多重视。卷积神经网络(CNN)是经常使用的深度学习模型。基于CNN的方法绝大多数都使用了时域卷积结构,即利用大小为“1*Kernel_Size”的卷积核对EEG信号进行卷积,但是上述方法实现的运动想象解码精度并不特别高。
因此,本发明提出基于通道自适应卷积核与信息融合网络的手指运动想象解码方法,通过引入通道自适应核(Channel Adaptive Kernel,CAK)模块,在CNN的框架内巧妙地同时为所有通道确定有效卷积核,并融合他们提取的信息。本发明注意到卷积核的通道差异问题,通过不同通道适配不同有效卷积核(即通道依赖的卷积核),充分利用通道间存在的差异。
实现思路