基于改进Transformer模型的运动想象脑电分类方法研究.pdf
《基于改进Transformer模型的运动想象脑电分类方法研究.pdf》由会员分享,可在线阅读,更多相关《基于改进Transformer模型的运动想象脑电分类方法研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、运动想象脑电信号本身是由一组较长且连续的特征值组成的信号序列,传统 模型无法捕捉较长序列之间的依赖,设置固定长度的序列又会产生碎片化问题,因此有待进一步调整和优化。针对上述问题,在传统 模型中加入了片段重用的循环机制和重用之前片段信息的相对位置编码机制,使 模型能够学习更长特征序列的特征信息,同时解决重用片段之间的位置编码信息错乱和重用等问题。然后,通过并行多分支 进一步捕捉脑电局部特征。最后,利用竞赛数据集 对改进的 模型性能进行评估。结果表明,在不做任何人工特征提取的前提下,对于四分类数据集,改进 模型的平均准确率和 值分别为 和 。关键词:计量学;脑电信号;运动想象;脑机接口;卷积神经网
2、络;模型;片段循环机制;相对位置编码中图分类号:;文献标识码:文章编号:(),(,):(),:;收稿日期:;修回日期:基金项目:内蒙古自然科学基金()引言脑机接口(,)技术是辅助治疗脑卒、精神疾病等患者的核心技术之一。而脑机接口技术的应用与实现很大程度依赖于脑电信号的分类与识别。因此,脑电信号的分类成为众多研究者致力探究的内容之一。作为近年来最热门的深度学习模型之一,不管在长序列特征相关性计算方面还是在模型的可解释性方面都优于其他深度学习模型,并且它的应用逐渐从自然语言延伸至脑机接口,如 等 提出了一种基于 的癫痫发作预测模型。首先,通过短时傅立叶变换()提取脑电图()信号的时频特性;其次,使
3、用 层 模型对脑电信号的特征进行融合和分类;最后结合 网络的 机制,将 信号作为一个整体进行处理,解决了深度学习模型长度受限的问题。等 提出了一种基于并行变换器和三维卷积神经网络()的多通道脑电情绪识别模型。先分别创建平行通道脑电数据和位置重建脑电序列数据;后使用 和 模型检索 的时间和空间特征;最后将个并行模块的特征组合起来,形成最终的情感识别特征。等 为了增强 空间依赖性捕获并提 高 情 绪 识 别 的 准 确 性,提 出 了 一 种 基 于 的模型以分层学习从电极级别到大脑区域级别的判别空间信息,采用 编码器来整合不同脑区内的信息,最后在不同的情感数据集中都表现出了出色的性能。上述研究均
4、表明,虽然 有能力学习长序列的特征,但是随着序列长度的不断增加,的学习能力会持续下降。为使 更好的适配脑电信号此类较长依赖型数据,主要:()解决传统 短片段以及由短片段引起的信息碎片的问题,提出了一种类似 循环机制的片段重用机制,当处理下一新片段的时候,将上一片段信息保存下来并参与到新片段的计算当中;()在利用片段重用机制的时候,新旧片段的位置编码都会有所改变,传统的绝对位置编码会导致 个片段之间出现相同位置编码的情况。针对这个问题,提出了一种距离与内容的相对位置编码,在计算每 个位置的 值时,根据他们的相对位置关系,加入对应的位置编码,在重用前一段文本的时候,可以通过相对距离区分片段信息对应
5、的内容以及其位置信息;()引入卷积操作进行局部特征提取,再与改进的 相结合,既有利于局部信息提取,又能够捕获全局特征。实验数据及处理 数据描述本次实验数据 取自于 年国际脑机接口竞赛。该数据集由 名受试者的 组成,共 个类别,分别为左手()、右手()、脚()和舌头()。每名受试者实验过程和内容均相同。实验内容为:每名受试者在不同的时间点记录 组实验数据,每组包括 组小实验,每组小实验包含 段(即:类动作,每类动作随机重复 次,共 次),则每组实验数据共包含 (组 段 段)段,组实验数据共 段(组 组 段 段)。由于其中一组实验不包含训练所需要的标签,因此只利用具有标签的那一组实验数据。实验过程
6、为:测试开始时(),一个固定的十字会出现在黑色的屏幕上,此外还有简短的声音提示音,过后(),一个作为提示指向左、右、下或者上(对应于 个类别左手运动、右手运动,双脚运动以及舌头运动)的箭头会出现在屏幕上约 ,这促使受试者想象与图片对应的运动,每个受试者要求完成这些想象任务直到屏幕上的十字消失(),短暂休息直到屏幕再次变黑,这样的过程阶段性重复 次。单次运动想象实验流程如图 所示。为了实验的准确性,本文只截取提示后 的数据作为单次 的样本。图 单次运动想象时序图 特征提取与融合所有预处理数据的步骤均通过 工具包进行,预处理过程如下:首先,根据单次 任务的时序轴,针对每个被试构造出结构为 ,的样本
7、数据集,为进一步提高 的信噪比,采用阶巴特沃斯滤波器(即:、)对每段样本数据集进行滤波并分解,将分解后的数据集在空间维度上进行融合,并将数据结构重新塑造为 ,之后通过 对空间维度特征进行提取和降维,其降维后的数据集结构为 ,。在上述的基础上,从原始脑电数据中提取各通道序列的多尺度熵(,),并将提取到的时间特征序列与原始脑电序列进行融合。具体融合过程为,首先针对每个被试构造的脑电数据,将各通道原始序列定义为(,计量学报 年 月),。根据不同的时间尺度提取 中的带有时间特征的样本熵值,定义为(,),其中 为根据不同时间尺度所提取出多尺度熵的数量,本文的时间尺度为 。其次,将原始脑电特征序列与多尺度
8、熵值序列进行拼接,将拼接后的特征序列定义为 ,其中 为融合后特征序列长度,特征融合流程图如图 所示。之后,通过步长为 、窗口大小为 的滑动窗口将特征矩阵划分为时间步,以此来增加训练数据量。最后,为后面实验合理进行,将实验数据按照 划分为 部分,其中 为训练集,为验证集,这 部分用于训练模型以及调整模型参数,剩下 为测试集,用于评测模型的泛化性和稳定性。图 特征融合流程图 模型搭建与评价指标传统 在处理长序列的时候,由于有限的算力和内存,通常将长序列分割成短序列来处理,例如在脑电数据中,经过预处理后输入到模型的序列长度为 ,那么 会将 分割成 个片段,每个片段长度为 ,但经实验验证,此方法效果不
9、佳。其原因主要包括以下 个方面:()原本较长的序列被分割成若干个短序列片段后,各短片段之间毫无关联,这样就会失去原 始 长 序 列 丰 富 的 位 置 关 联 信 息;()会对每个短片段进行重新建模,由于 使用的是绝对位置编码,因此每个片段中各信息的位置编码均相同,便会导致位置信息不准确现象出现。如图 所示,在训练阶段,无论是向前还是向后传递,短片段的信息都不会跨段流动。在测试阶段,模型在每一步中会消耗与训练中相同长度的片段,而且每次只向右移动一个位置,新的片段必须重新处理,类似于滑动窗口,直到最后一个位置被预测,因此还会引起计算量大、速度慢等问题的出现。为解决上述问题,本研究做出了以下改进。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 Transformer 模型 运动 想象 分类 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。