本技术涉及一种结合数据增强和多模态特征融合技术的运动想象脑电信号分类识别方法及其系统。该方法首先对原始脑电信号数据实施基于时间序列分析的数据增强策略,随后将增强后的数据与原始数据进行深度特征融合,以提高脑电信号识别的准确性和鲁棒性。
背景技术
脑机接口技术(Brain-Computer Interface,BCI)一种可以直接测量与用户意图相关的大脑活动,将其转换为控制信号,进而控制外部设备的系统。运动想象(MotorImagery, MI)作为BCI技术中的一种重要的实验范式,是指在没有进行实际运动的情况下,通过大脑中的神经活动来模拟或想象进行某种肌肉运动的过程,涉及到了感觉、运动规划、认知等多个方面的脑部活动。通过分析MI信号,准确分类想象者的运动意图,实现外部设备的控制和操作。
目前很多研究提出了将深度学习应用于脑电信号研究中,但相比在图像、视频和文本领域来说还相对较少。卷积神经网络(convolutional neural networks,CNN)是一种带有卷积结构的深度神经网络,因其强大的局部特征学习能力而被广泛应用。也有研究者提出EEGNet紧凑型卷积神经网络,可以利用有限数量的数据集进行训练,并且可以产生可分离的特征。但是由于脑电信号本质上是时间序列信号,具有很强时间依赖性,CNN不能充分利用脑电信号中的时序信息。有研究者引入循环神经网络(Recurrent Neural Network,RNN)或长短时记忆网络(Long Short Term Memory,LSTM)处理脑电信号的时间相关性。当数据集的数据量非常大的时候,深度学习的优势相对明显。但脑电信号的样本量有限,不足以训练大规模的神经网络,容易出现过拟合的问题。
目前,运动想象脑电信号分类领域存在诸多困难。一方面,训练样本严重不足,深度学习模型在数据量有限时难以发挥优势,容易出现过拟合现象,影响模型的泛化能力。另一方面,脑电信号具有高噪声高维度的特点,这使得特征提取变得极为困难,传统方法难以有效区分信号中的有用信息和噪声,进一步影响了分类准确率。因此,如何在缺乏足够训练样本和高噪声高维度的情况下,有效提取特征并提高信号分类准确率,是当前运动想象脑电信号分类研究中亟需解决的关键问题。
实现思路