基于运动想象脑电信号的设备控制方法、装置及终端

本发明属于运动想象脑电信号处理技术领域，尤其涉及一种基于运动想象脑电信号的设备控制方法、装置及终端。

背景技术：

运动想象(motorimagery，mi)脑电信号(electroencephalograph，eeg)分类是脑科学与人机交互领域的研究热点。

mi脑电信号分类的主要任务是将人类大脑的四种运动想象任务(左手、右手、双脚和舌头)产生的mi脑电信号进行分类识别，再依托于脑机接口技术(braincomputerinterface,bci)对识别出来的运动想象任务进行编码，进而实现对外部设备的控制。近年来，随着深度学习(deeplearning，dl)的快速发展，基于深度学习的mi脑电信号分类技术被广泛关注。

然而，本申请的发明人发现，现有的深度学习方法在单被试mi脑电信号分类中存在分类精度低的问题，降低了对外部设备的控制准确度。其原因在于，mi脑电信号是一种非常微弱的时序信号，具有连续非平稳和低信噪比的特性，现有技术在选择脑电信号通道时没有侧重，导致将与运动想象无关或相关性不强的信息也输入了分类网络，造成了mi脑电信息的丢失或冗余。

技术实现要素：

有鉴于此，本发明实施例提供了一种基于运动想象脑电信号的设备控制方法、装置及终端，以提高对运动想象脑电信号的分类精度，进而提高人员对外部设备的控制准确度。

本发明实施例的第一方面提供了一种基于运动想象脑电信号的设备控制方法，包括：

获取多个脑电信号通道检测到的目标人员的原始脑电数据，并对原始脑电数据进行空间卷积操作，得到三维空间特征矩阵；

根据三维空间特征矩阵，计算任意两个脑电信号通道之间的相似度，得到空间自注意力权重矩阵；

根据空间自注意力权重矩阵，对原始脑电数据进行特征提取，得到目标人员的运动想象脑电信号的空间特征；

计算运动想象脑电信号的时间特征，基于时间特征和空间特征，对运动想象脑电信号进行分类，并根据分类结果，对与目标人员连接的设备进行控制。

本发明实施例的第二方面提供了一种基于运动想象脑电信号的设备控制装置，包括：

空间特征提取模块，用于获取多个脑电信号通道检测到的目标人员的原始脑电数据，并对原始脑电数据进行空间卷积操作，得到三维空间特征矩阵；根据三维空间特征矩阵计算任意两个脑电信号通道之间的相似度，得到空间自注意力权重矩阵；根据空间自注意力权重矩阵，对原始脑电数据进行特征提取，得到目标人员的运动想象脑电信号的空间特征；

时间特征提取模块，用于计算运动想象脑电信号的时间特征；

分类控制模块，用于基于时间特征和空间特征，对运动想象脑电信号进行分类，并根据分类结果，对与目标人员连接的设备进行控制。

本发明实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述基于运动想象脑电信号的设备控制方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述基于运动想象脑电信号的设备控制方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：

本发明提供的基于运动想象脑电信号的设备控制方法，在对运动想象脑电信号进行分类识别阶段，通过空间自注意力机制识别各个脑电信号通道之间的相似程度，来提取各个通道脑电信号之间的潜在空间联系，得到空间自注意力权重矩阵；进一步，通过空间自注意力权重矩阵对原始脑电数据进行特征提取，能够为与运动想象相关的脑电信号通道分配更高的权重值，选择与运动想象相关的脑电信号通道来提取空间特征，进行空间域特征增强；最后，结合运动想象脑电信号的时间特征，对运动想象脑电信号进行分类，并根据分类结果，对与外部设备进行控制。本发明能够提高对运动想象脑电信号的分类精度，进而提高人员对外部设备的控制准确度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的基于运动想象脑电信号的设备控制方法的实现流程示意图；

图2是本发明实施例提供的空间自注意力层的网络架构示意图；

图3是本发明实施例提供的并行多尺度tcn层的网络架构示意图；

图4是本发明实施例提供的运动想象脑电信号分类模型的整体网络架构示意图；

图5是本发明实施例提供的一种实验混淆矩阵测试结果的示意图；

图6是本发明实施例提供的一种实验混淆矩阵测试结果的示意图；

图7是本发明实施例提供的一种实验混淆矩阵测试结果的示意图；

图8是本发明实施例提供的基于运动想象脑电信号的设备控制装置的结构示意图；

图9是本发明实施例提供的终端示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

运动想象脑电信号分类是基于运动想象的脑机接口技术的基石性技术，在各个领域都有着广泛的应用。例如康复医疗、军事作战以及生活娱乐等领域。

近年来，随着深度学习的快速发展，卷积神经网络(convolutionalneuralnetwork，cnn)逐渐成为运动想象脑电信号分类中的核心方法，越来越多的研究者基于此提出不同的mi脑电信号分类网络模型。本申请的发明人在深入研究当前所使用的深度学习方法后发现，现有的dl方法在单被试运动想象脑电信号四分类任务上存在分类精度低的问题，降低了人员对外部设备的控制准确度。针对该问题，本发明进行了以下设计：

本发明实施例提供了一种基于运动想象脑电信号的设备控制方法，参照图1所示，该方法包括以下步骤：

步骤s101、获取多个脑电信号通道检测到的目标人员的原始脑电数据，并对原始脑电数据进行空间卷积操作，得到三维空间特征矩阵。

在本发明实施例中，建立了运动想象脑电信号的分类模型，参照图2所示。对于单被试mi脑电信号分类，在获取目标人员的原始脑电数据进行分类之前，还需要预先对该目标人员进行训练，学习模型中各个卷积核的权重，然后根据训练好的分类模型对目标人员的mi脑电信号进行分类。

具体的，分类过程的第一步为通过电极在目标人员大脑各个区域进行采集，得到多个脑电信号通道信号，形成高度为h、宽度为w的原始脑电数据m∈r^h×w，其中，h对应脑电信号通道的数量。然后，将原始脑电数据m输入至卷积层conv11中进行空间卷积操作，即可得到三维空间特征图(或三维空间特征矩阵)a∈r^d×h×w，d＝8表示特征图的深度。

步骤s102、根据三维空间特征矩阵，计算任意两个脑电信号通道之间的相似度，得到空间自注意力权重矩阵。

可选的，作为一种可能的实施方式，根据三维空间特征矩阵，计算任意两个脑电信号通道之间的相似度，可以详述为：

根据三维空间特征矩阵确定各个脑电信号通道对应的二维特征矩阵；

基于下式计算任意两个脑电信号通道之间的相似度：

式中，pij为第i个脑电信号通道与第j个脑电信号通道之间的相似度，f为相似性函数，h为脑电信号通道的数量，ei为第i个脑电信号通道对应的二维特征矩阵，(ej)^t为第j个脑电信号通道对应的二维特征矩阵的转置。

在本发明实施例中，参照图2所示，可以先通过reshape和transpose函数将三维空间特征图a重塑为a1∈r^h×(d×w)和a2∈r^(d×w)×h，以方便实现它们之间的矩阵乘法。然后，应用softmax函数计算任意两个脑电信号通道之间的相似度(相似度的取值范围为0～1，其中，0表示没有相似性，而1表示完全相似)，得到空间自注意力权重矩阵p∈r^h×h。

步骤s103、根据空间自注意力权重矩阵，对原始脑电数据进行特征提取，得到目标人员的运动想象脑电信号的空间特征。

可选的，作为一种可能的实施方式，根据空间自注意力权重矩阵，对原始脑电数据进行特征提取，得到目标人员的运动想象脑电信号的空间特征，可以详述为：

根据空间自注意力权重矩阵，从原始脑电数据中提取各个脑电信号通道的影响特征，得到影响特征矩阵；

基于影响特征矩阵，计算运动想象脑电信号的空间特征。

可选的，作为一种可能的实施方式，可以根据下式提取各个脑电信号通道的影响特征，得到影响特征矩阵：

f＝p×m

式中，f为影响特征矩阵，p为空间自注意力权重矩阵，m为原始脑电数据所形成的矩阵。

可选的，作为一种可能的实施方式，可以基于下式计算运动想象脑电信号的空间特征：

g＝α×f+m

式中，g为运动想象脑电信号的空间特征，α为预先训练得到的特征参数，f为影响特征矩阵，m为原始脑电数据所形成的矩阵。

在本发明实施例中，参照图2所示，将空间自注意力权重矩阵p∈r^h×h与原始脑电数据m∈r^h×w进行矩阵相乘，能够得到影响特征矩阵f∈r^h×w，即每个脑电信号通道的影响特征都是其它脑电信号通道数据的加权和。最后，通过将f与可学习的参数α相乘形成一个残差块，并对原始脑电数据执行逐元素求和运算，获得最终的空间特征。其中，α在训练时初始化为0，并在整个深度学习系统的训练过程中逐渐更新来确定更合适的值。

也就是说，本发明通过空间自注意机制自动学习各个脑电信号通道之间的特征相似性，任意一脑电信号通道的特征都通过加权求和的方式聚合所有脑电信号通道上的特征来更新。该机制能够自动分配较高的权重值给运动想象相关的通道，较低的权重值给运动想象无关的通道来选择最佳的通道，可以提取高级可区分的空间特征，并在原始mi-eeg信号数据的空间域中定义更紧凑、更集中的表现形式。这验证了我们的假设，即当人们思考一个动作时，任何具有类似运动依赖特征的通道都可以相互促进，而不管它在大脑中的空间位置，解决了人工选择脑电信号通道所产生的特征信息丢失的问题。

示例性的，空间特征提取部分的各项参数可以参照表1所示。

表1空间特征提取参数

步骤s104、计算运动想象脑电信号的时间特征，基于时间特征和空间特征，对运动想象脑电信号进行分类，并根据分类结果，对与目标人员连接的设备进行控制。

可选的，作为一种可能的实施方式，计算运动想象脑电信号的时间特征，可以详述为：

对原始脑电数据进行多尺度时间卷积操作，得到每个时间尺度对应的时间特征；

将各个时间尺度对应的时间特征进行融合，得到运动想象脑电信号的时间特征。

在本发明实施例中，本申请的发明人发现，由于运动想象脑电信号是一种时变的非平稳时序信号，为了更好的提取脑电信号随时间变化的状态和程度，现有技术通常采用循环卷积网络(recurrentneuralnetwork,rnn)来实现，但是，rnn存在很严重的梯度消失和梯度爆炸的问题。而时间卷积网络(temporalconvolutionalneuralnetworks,tcn)可以通过膨胀卷积和改变卷积核大小的方式来保证浅层网络获得更大的感受野，同时其反向传播路径与序列的时间方向不同，避免了梯度消失和爆炸的问题。另外，与其它时间序列分类网络相比，例如rnn的变体lstm和gru，tcn可以通过扩张卷积查看历史信息和未来信息，而lstm等只能查看历史信息，造成上下文信息不全面，使网络性能降低。并且，rnn中后继时间的预测必须等待其前任完成，但tcn可以并行完成。因此，在脑电信号训练时，可以在tcn中整体上处理一个长输入序列，而不是像rnn中那样顺序处理。

具体的，tcn由若干个残差块组成(卷积核大小kt＝2，膨胀系数d＝{1,2})。tcn与常规cnn的区别主要包括：

(1)因果卷积：tcn的输出与输入的长度相同。为此，tcn使用1d全卷机网络架构，其中每个隐藏层的大小与输入层的大小相同，采用0填充的方式使后续层的长度与先前层相同。此外，因果卷积保证没有信息从未来流向过去，简而言之，时间t的输入仅取决于时间t或更早的输入。

(2)膨胀卷积：常规的因果卷积只能在网络深度上线性增加其感受野大小，这就导致如果要获得大的感受野大小，就需要一个非常深的网络或者一个具有巨大卷积核的网络，这是常规因果卷积最主要的一个缺点。为了解决这个问题，tcn使用一系列膨胀卷积，该卷积通过成倍增加膨胀因子d的方法，使感受野的大小与网络深度成比例的方式增大。

(3)残差块：tcn的残差块由两层膨胀卷积组成，每一层除了因果卷积层，还具有批量归一化，非线性激活和dropout层。虽然tcn只具有一维卷积，但将二维特征图的第二维度视为深度维，仍然能够处理二维深度图。跳过连接将输入添加到输出特征映射中，并检查输入和输出的深度是否相同，若不同，则会进行1x1卷积。

基于tcn的优势，本发明实施例在tcn网络架构的基础上，采用并行多尺度tcn网络，以解决mi-eeg信号中时间域上存在的噪声伪影的干扰，不同尺度的tcn网络可以提取不同尺度下的原始mi-eeg信号动态变化的时域特征信息，可以提取到充足的时间域潜在特征，有效地减少了噪声伪影的干扰，提高分类精度。

参照图3所示，具体的时间特征提取步骤可以如下：

将m∈r^h×w输入卷积层conv21得到特征图b∈r^d×1×w，conv21的卷积核大小为(22×1)，d为特征图b的深度。将特征图b并行输入四个不同尺度的tcn卷积层，每层tcn的尺度都不相同，由卷积核的大小体现。在本发明实施例中，各个卷积核大小分别为(1×25),(1×50),(1×75),(1×100)，分别代表以100ms，200ms，300ms，400ms的时间步长对mi-eeg特征进行卷积，得到四组时间特征图t1,t2，t3，t4∈r^d×1×w。

对于时间序列的预测模型，当感受野完整覆盖输入长度时，此时预测模型拥有完整的历史记录，此时模型的预测效果最好，即在tn时刻的值只与tn-1,...t0时刻的值有关，当t0时刻值的长度l0等于输入长度l(在本网络中，l＝w)时模型效果最好。那么，膨胀基为b，卷积核大小k(k≥b)，tcn的感受野大小l与残差块数n有：

在该模型中，b＝2，l＝w＝1125，则有：

k取值为25，50，75，100，则对应tcn层的残差块数n为5，4，4，3，如图3所示。最后，将四组特征图t1,t2，t3，t4∈r^d×1×w通过拼接函数融合为一组特征图t∈r^4d×1×w，t即为最终获得的消除噪声且包含不同时间尺度信息的时间特征图。

示例性的，时间特征提取部分的各项参数可以参照表2所示。

表2时间特征提取参数

可选的，作为一种可能的实施方式，基于时间特征和空间特征，对运动想象脑电信号进行分类，包括：

将时间特征和所述空间特征进行融合，得到运动想象脑电信号的时空特征；

将运动想象脑电信号的时空特征输入至预设的特征分类通道中进行分类，得到运动想象脑电信号的类别。

在本发明实施例中，参照图4所示，将空间自注意力层的输出g∈r^h×w经过一个卷积核大小为(22×1)的空间卷积层(conv12)得到特征图s∈r^d×1×w,然后将s∈r^d×1×w与t∈r^4d×1×w按照深度维进行拼接融合，得到增强的时空信息特征图n1∈r^5d×1×w，其中d＝16，w＝1125。

示例性的，特征融合部分的参数可以参照表3所示。

表3特征融合参数

然后，将特征融合得到的n1∈r^d×1×w输入到预设的特征分类通道中进行分类，该层包含两个卷积层(conv3和conv4，都包含批量归一化层(bn)与非线性激活层(nl)，两个平均池化层(avgp1和avgp2，都包含dropout层)，一个全卷积层(fc)和一个logsoftmax函数。

具体的，将n1经过一个内核大小为(1×75)的卷积conv3，采用0填充的方法得到与n1同样大小的特征图，将得到的特征图应用批量归一化与非线性激活得到n2。之后将n2通过内核大小为(1×8)的平均池化层(avgp1)，将输入大小(80,1,1125)减小到(80,1,140)输出得到n3。之后，将n3经过一个内核大小为(1×25)的卷积(conv4)，采用0填充的方法得到与n3同样大小的特征图，将得到的特征图应用批量归一化与非线性激活得到n4。之后n4再通过一个内核大小为(1×8)的平均池化层(avgp2)，将输入大小(80,1,140)减小到(80,1,17)输出得到n5。最后将n5通过一个内核大小为(1×17)的全卷积层(fc)，其输出的大小为n6(4,1,1)。最后，通过n6转换为四个标签的条件概率，使用logsoftmax函数执行四分类。根据分类结果，再依托于bci技术对识别出来的运动想象任务进行编码，进而能够实现对外部设备的控制。例如，根据分类结果，实现轮椅的启停、转向等，需要指出的是，外部设备的范围很广，也可以是小车、家用电器、机器人等。

示例性的，特征分类部分的参数可以参照表4所示。

表4特征融合参数

本发明提供的基于运动想象脑电信号的设备控制方法，在空间域上，通过空间自注意力机制识别各个脑电信号通道之间的相似程度，来提取各个通道脑电信号之间的潜在空间联系，得到空间自注意力权重矩阵；进一步，通过空间自注意力权重矩阵对原始脑电数据进行特征提取，每个脑电信号通道的特征均通过加权求和的方式聚合所有通道上的特征来更新，能够为与运动想象相关的脑电信号通道分配更高的权重值，选择与运动想象相关的脑电信号通道来提取空间特征，进行空间特征增强。在时间域上，采用多尺度时间卷积，提取不同时间尺度下的时间特征，并将其融合以消除运动想象脑电信号中噪声的干扰，得到增强的时间特征。之后将运动想象脑电信号的时间特征和空间特征进行融合，对运动想象脑电信号进行分类，并根据分类结果，对与外部设备进行控制。本发明能够提高单被试运动想象脑电信号的分类精度，进而提高人员对外部设备的控制准确度。

以下，通过实验对本发明实施例的方法进行可行性验证。

实验细节：

该实验数据采用三个公开mi-eeg数据集进行评估。第一个数据集是bciciv2a数据集，该数据集记录了由9位不同的被试人员在25个导联电极通道(22个脑电信号通道和3个眼电信号通道)中执行的四类运动想象任务(左手，右手，双脚和舌头)，采样率为250hz。每个通道都经过0.5-100hz带通滤波器的预处理。每位被试者的脑电试验数据分为2组，其中一组作为训练集，另一组用于测试集。每组各包含288个运动想象试验，平均每类运动想象任务有72个试验。此外，每个试验都使用相同的时间窗[-0.5,4s]对所有的22个脑电通道的运动想象信号进行提取。因此，在数据集中，显式分离了9个训练集和9个测试集。在子集中，每个类别有72个实验。因此，再去除3个眼电通道信号后，每次试验获得22x1，1125个数据点。

第二个数据集是bciciv2b数据集，该数据集记录了9个不同的被试人员在6个通道(3个脑电信号通道和3个眼电信号通道)的两类运动想象任务(左手，右手)。和2a数据集一样采用250hz进行采样并在0.5-100hz之间进行带通滤波的预处理。与2a数据集不同，2b数据集的每组各包含480个运动想象实验，平均每类运动想象任务有240个实验。同样采用[-0.5,4s]的时间窗对3个脑电通道进行提取。因此，再去除3个眼电信号通道信号后，每次试验获得3x1，1125个数据点。

第三个数据集是hgd数据集，记录了14位健康被试人员对44个脑电信号通道进行四类运动想象任务，对想象运动进行4s试验，每个被试者进行13次会话，每次会话包括80次试验。这四类运动包括左手、右手、双脚和休息(不动)。对于每个被试者，训练集由大约880个试验(所有会话，除了最后两次会话)组成，测试集由大约160个试验(最后两次会话)组成。hgd的采样率为500hz。为了与bciciv2a进行公平的比较，hgd重新采样，采样率为250hz，并使用相同的4.5s时间窗，因此每个试验获得44x1，125个数据点。

mi-eeg解析中最重要的评价指标为准确率(accuracy)，类别平均准确率越高说明分类的准确率越高，则模型表现越好。平均准确率的计算公式为：

其中，tp为真阳性数，tn为真阴性数，fp为假阳性数，fn为假阴性数。tp是真阳性样本数，表示被正确预测的正样本数量。tn是真阴性样本数量，表示被正确预测的负样本数量。fp是假阳性样本的数量，表示被误判为正样本的类别数量。fn表示被误判为负样本的数量。对于四类mi分类，将pytorch中的nlloss函数定义为损失函数，使用xavier算法初始化网络中的所有参数，优化算法采用adam算法。bciciv2a数据集的学习率为0.0001，bciciv2b的学习率为0.0001，而hgd数据集的学习率为0.001。批次大小为32。

由于三个数据集均将训练数据集和测试数据集清晰地划分出来，因此本发明将训练数据集随机分为训练集(80％)和验证集(20％)，所有测试集全部作为测试集。采用这种划分方式可以使用在计算机视觉领域开发的早期停止策略。当验证精度在预定时期内没有提高时，训练的第一阶段停止。然后，使用使验证数据集具有最高准确率的参数值，继续对训练和验证数据集进行训练。当验证数据集上的损失函数下降到与第一个训练阶段结束时的训练数据集的值相同时，训练结束。dropout层中的超参数以及批归一化层中的常数和权重衰减率分别设置为0.4、10-5和0.1。

对比实验过程：

首先使用bciciv2a数据集进行单被试分类实验，并将本方法与其它基于深度学习方法的准确率进行了比较，结果见表5。

表5bciciv2a准确率数据对比

由表5可知，其它基于dl方法的平均准确率值的范围是65.43％至77.35％，而本发明实施例提供的基于运动想象脑电信号的设备控制方法明显优于其它基于dl的方法，对单被试分类的平均准确率为79.26％。另外，图5中给出了使用本发明实施例提供的基于运动想象脑电信号的设备控制方法在mi任务的混淆矩阵和测试集上的实验结果。

为了进一步验证本发明实施例提供的基于运动想象脑电信号的设备控制方法的自适应性和鲁棒性，本发明实施例对另外两个具有挑战性的数据集bciciv2b和hgd进行了评估，进行单被试分类实验，相应的混淆矩阵结果如图6和图7所示。由于目前最先进的方法仅提供了bciciv2b和hgd的平均精度值，因此在比较时，仅将平均精度分别列于表6和表7中进行对比。

表6bciciv2b准确率数据对比

表7hgd准确率数据对比

表6数据表明，本方法的bciciv2b数据实验结果获得了85.90％的准确率，与其它最先进的方法相比有了良好的改进。表7的数据表明，本方法的hgd数据实验结果获得了明显高于其它方法的96.96％的准确率。实验结果表明，本发明实施例提供的基于运动想象脑电信号的设备控制方法对不同的脑电数据集及不同的分类任务均具有较好的自适应性和鲁棒性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本发明实施例提供了一种基于运动想象脑电信号的设备控制装置，参照图8所示，该装置80包括：

空间特征提取模块81，用于获取多个脑电信号通道检测到的目标人员的原始脑电数据，并对原始脑电数据进行空间卷积操作，得到三维空间特征矩阵；根据三维空间特征矩阵计算任意两个脑电信号通道之间的相似度，得到空间自注意力权重矩阵；根据空间自注意力权重矩阵，对原始脑电数据进行特征提取，得到目标人员的运动想象脑电信号的空间特征。

时间特征提取模块82，用于计算运动想象脑电信号的时间特征。

分类控制模块83，用于基于时间特征和空间特征，对运动想象脑电信号进行分类，并根据分类结果，对与目标人员连接的设备进行控制。

可选的，作为一种可能的实施方式，空间特征提取模块81用于：

根据三维空间特征矩阵确定各个脑电信号通道对应的二维特征矩阵；

基于下式计算任意两个脑电信号通道之间的相似度：

式中，pij为第i个脑电信号通道与第j个脑电信号通道之间的相似度，f为相似性函数，h为脑电信号通道的数量，ei为第i个脑电信号通道对应的二维特征矩阵，(ej)^t为第j个脑电信号通道对应的二维特征矩阵的转置。

可选的，作为一种可能的实施方式，空间特征提取模块81用于：

根据空间自注意力权重矩阵，从原始脑电数据中提取各个脑电信号通道的影响特征，得到影响特征矩阵；

基于影响特征矩阵，计算运动想象脑电信号的空间特征。

可选的，作为一种可能的实施方式，空间特征提取模块81用于，根据下式提取各个脑电信号通道的影响特征，得到影响特征矩阵：

f＝p×m

式中，f为影响特征矩阵，p为空间自注意力权重矩阵，m为原始脑电数据所形成的矩阵。

可选的，作为一种可能的实施方式，空间特征提取模块81用于，基于下式计算运动想象脑电信号的空间特征：

g＝α×f+m

式中，g为运动想象脑电信号的空间特征，α为预先训练得到的特征参数，f为影响特征矩阵，m为原始脑电数据所形成的矩阵。

可选的，作为一种可能的实施方式，时间特征提取模块82用于：

对原始脑电数据进行多尺度时间卷积操作，得到每个时间尺度对应的时间特征；

将各个时间尺度对应的时间特征进行融合，得到运动想象脑电信号的时间特征。

可选的，作为一种可能的实施方式，分类控制模块83用于：

将时间特征和空间特征进行融合，得到运动想象脑电信号的时空特征；

将运动想象脑电信号的时空特征输入至预设的特征分类通道中进行分类，得到运动想象脑电信号的类别。

图9是本发明实施例提供的终端的示意图。如图9所示，该实施例的终端90包括：处理器91、存储器92以及存储在存储器92中并可在处理器91上运行的计算机程序93。处理器91执行计算机程序93时实现上述各个基于运动想象脑电信号的设备控制方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，处理器91执行计算机程序93时实现上述各装置实施例中各模块的功能，例如图8所示模块81至83的功能。

示例性的，计算机程序93可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器92中，并由处理器91执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序93在终端90中的执行过程。例如，计算机程序93可以被分割成空间特征提取模块81、时间特征提取模块82、分类控制模块83(虚拟装置中的模块)，各模块具体功能如下：

空间特征提取模块81，用于获取多个脑电信号通道检测到的目标人员的原始脑电数据，并对原始脑电数据进行空间卷积操作，得到三维空间特征矩阵；根据三维空间特征矩阵计算任意两个脑电信号通道之间的相似度，得到空间自注意力权重矩阵；根据空间自注意力权重矩阵，对原始脑电数据进行特征提取，得到目标人员的运动想象脑电信号的空间特征。

时间特征提取模块82，用于计算运动想象脑电信号的时间特征。

分类控制模块83，用于基于时间特征和空间特征，对运动想象脑电信号进行分类，并根据分类结果，对与目标人员连接的设备进行控制。

终端90可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端90可包括，但不仅限于，处理器91、存储器92。本领域技术人员可以理解，图9仅仅是终端90的示例，并不构成对终端90的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端90还可以包括输入输出设备、网络接入设备、总线等。

所称处理器91可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器92可以是终端90的内部存储单元，例如终端90的硬盘或内存。存储器92也可以是终端90的外部存储设备，例如终端90上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，存储器92还可以既包括终端90的内部存储单元也包括外部存储设备。存储器92用于存储计算机程序以及终端90所需的其他程序和数据。存储器92还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。