申请/专利权人：宁波大学

申请日：2023-12-20

公开（公告）日：2024-03-22

公开（公告）号：CN117743928A

主分类号：G06F18/241

分类号：G06F18/241;G06F18/21;G06F18/214;G06N3/0455;G06F3/01

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明公开了一种基于掩码自监督及强监督模型运动想象脑电信号分类方法，其将来自一个受试者的数条手指运动想象脑电信号构成的数据集按批次大小分成多个子集，对每个子集先进行预处理后进行随机掩码，得到每个子集对应的掩码子集和掩码矩阵；设计包含掩码自监督网络和强监督深度学习分类网络的神经网络，使用子集对应的掩码子集和掩码矩阵对神经网络进行训练，训练完成后得到神经网络模型；测试时将测试子集及对应的掩码子集输入到神经网络模型中，输出测试子集的分类概率；优点是掩码自监督网络可学习出手指运动想象脑电信号的深层次特征，以达到提升分类效果的目的；通过强监督深度学习分类网络，使用深度学习方法，具有较好的泛化性、鲁棒性。

主权项：1.一种基于掩码自监督及强监督模型运动想象脑电信号分类方法，其特征在于包括训练阶段和测试阶段；所述的训练阶段的步骤如下：步骤1.1：获取来自一个受试者的数条手指运动想象脑电信号，并构成数据集，记为X；步骤1.2：将数据集X按设定的批次大小分成多个子集；然后对每个子集先进行预处理后进行随机掩码处理，得到每个子集对应的掩码子集和掩码矩阵；步骤1.3：设计包含一个掩码自监督网络和一个强监督深度学习分类网络的神经网络；掩码自监督网络包括编码器和解码器，编码器的输入端作为掩码自监督网络的输入端，解码器的输入端与编码器的输出端连接，解码器的输出端作为掩码自监督网络的输出端，编码器由第一Transformer网络块和第一批量归一化层构成，第一Transformer网络块的输入端作为编码器的输入端，第一批量归一化层的输入端与第一Transformer网络块的输出端连接，第一批量归一化层的输出端作为编码器的输出端，解码器由第一线性层、第二Transformer网络块、第二批量归一化层、第二线性层构成，第一线性层的输入端作为解码器的输入端，第二Transformer网络块的输入端与第一线性层的输出端连接，第二批量归一化层的输入端与第二Transformer网络块的输出端连接，第二线性层的输入端与第二批量归一化层的输出端连接，第二线性层的输出端作为解码器的输出端；其中，第一Transformer网络块的深度为4、注意力头数量为4，第二Transformer网络块的深度为2、注意力头数量为4，第一线性层的神经元个数为512，第二线性层的神经元个数为25×6＝150；强监督深度学习分类网络包括第三批量归一化层、第四批量归一化层、第一全连接层、第二全连接层、第三全连接层，第三批量归一化层的输入端作为强监督深度学习分类网络的第一输入端，第四批量归一化层的输入端作为强监督深度学习分类网络的第二输入端，第一全连接层的输入端接收第三批量归一化层的输出端输出的数据集与第四批量归一化层的输出端输出的数据集经合并拼接得到的数据集，第二全连接层的输入端与第一全连接层的输出端连接，第三全连接层的输入端与第二全连接层的输出端连接，第三全连接层的输出端作为强监督深度学习分类网络的输出端；其中，第一全连接层的神经元个数为500、激活函数为leaky_relu，第二全连接层的神经元个数为100、激活函数为leaky_relu，第三全连接层的神经元个数为5、激活函数为softmax；步骤1.4：对神经网络进行训练：针对任一个子集XB，将XB的掩码子集Xmasked输入掩码自监督网络，编码器的输入端接收Xmasked，编码器的输出端输出的数据集记为Xen，Xen的维度为B,29,768；解码器的输入端接收Xen，第二批量归一化层的输出端输出的数据集记为Xde，Xde的维度为B,72,512，解码器的输出端输出的数据集记为Xpred，Xpred的维度为B,72,150；将XB和Xen输入强监督深度学习分类网络，强监督深度学习分类网络的第一输入端接收XB，强监督深度学习分类网络的第二输入端接收Xen，合并拼接得到的数据集记为X1，X1的维度为[B,33072]，第一全连接层的输出端输出的数据集记为X2，X2的维度为[B,500]，第二全连接层的输出端输出的数据集记为X3，X3的维度为[B,100]，第三全连接层的输出端输出XB的分类概率记为Pyc，Pyc的维度为[B,5]；在得到Pyc后计算掩码自监督网络和强监督深度学习分类网络各自的损失函数，对应记为loss1和loss2；再计算loss1和loss2的加权和，得到整个神经网络的损失函数，记为loss；其中，B表示批次大小，也即表示XB中包含的手指运动想象脑电信号的条数，loss1通过使用MSE损失函数计算得到，loss2通过使用交叉熵损失函数计算得到；步骤1.5：根据loss对神经网络进行梯度下降，更新掩码自监督网络和强监督深度学习分类网络各自的网络参数和权重参数；当loss不再下降时或下降趋于平缓时，训练完成，得到神经网络模型，并保存网络参数；所述的测试阶段的步骤如下：步骤2.1：获取来自任一个受试者的数条手指运动想象脑电信号，并构成测试数据集，记为Xtest；步骤2.2：按步骤1.2的过程，以相同的方式将测试数据集Xtest按设定的批次大小分成多个测试子集；然后对每个测试子集先进行预处理后进行随机掩码处理，得到每个测试子集对应的掩码子集和掩码矩阵；步骤2.3：将每个测试子集及其对应的掩码子集输入到训练好的神经网络模型中，神经网络模型输出每个测试子集的分类概率。

全文数据：

权利要求：

百度查询： 宁波大学 基于掩码自监督及强监督模型运动想象脑电信号分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD