一种基于注意力机制及神经网络的脑电信号分类方法

1.本发明涉及脑电信号分类技术领域，尤其是涉及一种基于注意力机制及神经网络的脑电信号分类方法。


背景技术：

2.为了提高基于脑电信号的脑机接口系统的性能，大量的方法用于实现高精度的脑电信号分类。然而，传统的分类技术，如共空间模式(common spatial pattern,csp)，线性判别分析(linear discriminant analysis,lda)等，需要通过手工设计特征且需要具备一定的先验神经生理学知识。随着深度学习的发展，越来越多的技术采用神经网络来分类脑电信号。然而，仅仅采用神经网络无法很好地利用脑电信号中蕴含的丰富的时间和空间的信息，除此之外，以往的注意力模块都是以单独的或先后的方式提取脑电信号的空间和时间维度的信息。所以发明一种直接将空间和时间的信息融合的方法显得尤为关键,考虑到注意力机制能够处理长序列特征之间的相关性，本发明提出一种基于注意力机制及神经网络的脑电信号分类技术，即利用注意力模块及卷积神经网络提取具有判别性的脑电信号并对其进行分类。


技术实现要素：

3.本发明的目的是提供一种基于注意力机制及神经网络的脑电信号分类方法，解决上述技术存在的在分类脑电信号时难以将空间和时间的信息融合所带来的问题。
4.为实现上述目的，本发明提供了一种基于注意力机制及神经网络的脑电信号分类方法，包括以下步骤：
5.s1:通过带通滤波器对脑电信号进行滤波处理；
6.s2:利用注意力模块对所述脑电信号进行重新编码；
7.s3:将所述重新编码后的所述脑电信号通过特征分类模块进行分类，并将分类精度作为最终的评价指标。
8.优选的，所述步骤s3的特征分类模块采用eegnet的结构。
9.优选的，所述步骤s3的特征分类模块包括两个卷积模块和一个全连接层。
10.优选的，所述第一个卷积模块将eeg信号分解为不同的带通频率，并通过深度卷积减少可训练参数的数量，所述第二个卷积块使用可分离卷积，即深度卷积，然后是逐点卷积，从而减少参数数量并解耦特征映射之间的关系。
11.优选的，所述两个卷积模块之后分别设置池化层。
12.优选的，所述步骤s2中通过对空间和时间维度的注意力矩阵进行矩阵乘法和残差连接后得到重新编码的脑电信号。
13.因此，本发明采用上述的一种基于注意力机制及神经网络的脑电信号分类方法，发明一种由注意力模块接受输入的脑电信号，利用一个交互的注意力模块提取脑电信号中的空间和时间信息，由特征分类模块接受经过重新编码的脑电信号，并对其进行分类的方
法，从而解决现有技术存在的在分类脑电信号时难以将空间和时间的信息融合所带来的问题。
14.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
15.图1为本发明一种基于注意力机制及神经网络的脑电信号分类方法的注意力模块图；
16.图2为本发明一种基于注意力机制及神经网络的脑电信号分类方法的特征分类模块图；
17.图3为本发明一种基于注意力机制及神经网络的脑电信号分类方法的注意力模块详细结构图；
具体实施方式
18.以下通过附图和实施例对本发明的技术方案作进一步说明。
19.除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
20.实施例
21.下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述。
22.一种基于注意力机制及神经网络的脑电信号分类方法，包括以下步骤：
23.s1:通过带通滤波器对脑电信号进行滤波处理；
24.s2:利用注意力模块对脑电信号进行重新编码，即通过对空间和时间维度的注意力矩阵进行矩阵乘法和残差连接后得到重新编码的脑电信号，从而保护输入信号的完整性；
25.s3:将重新编码后的脑电信号通过特征分类模块进行分类，并将分类精度作为最终的评价指标。
26.步骤s3的特征分类模块采用eegnet的结构，包括两个卷积模块和一个全连接层，第一个卷积模块将eeg信号分解为不同的带通频率，并通过深度卷积减少可训练参数的数量。该体系结构在采用elu激活功能之前，沿特征映射维度应用批归一化。第二个卷积块使用可分离卷积，即深度卷积，然后是逐点卷积，以减少参数数量并解耦特征映射之间的关系；且在两个卷积模块之后分别设置池化层，以此来提升神经网络的性能。
27.在实际工作过程中，给定一段脑电信号a，在注意力模块的作用下，首先将信号输入一个卷积层得到特征b。为了学习脑电信号中的空间和时间信息，在空间维度，通过一个卷积层把b压缩成c，然后对c进行softmax操作得到空间维度的注意力矩阵；同样，在时间维
度，通过卷积层把b压缩成d，然后对d进行softmax操作得到时间维度的注意力矩阵。接着，对空间维度的注意力矩阵和时间维度的注意力矩阵进行矩阵乘法得到一个融合的时空注意力矩阵e。最后，将e作为权重对原始信号b进行重新编码，并采用残差连接，得到最终的脑电信号f，脑电信号f在特征分类模块的作用下，首先通过第一个卷积模块将eeg信号分解为不同的带通频率，并通过深度卷积减少可训练参数的数量，随后第二个卷积块使用可分离卷积，进行逐点卷积以此来减少参数数量并解耦特征映射之间的关系，最后通过池化层和全连接层从而得高高精度的分类结果。
28.因此，本发明采用上述一种基于注意力机制及神经网络的脑电信号分类方法，以解决现有技术存在的在分类脑电信号时难以将空间和时间的信息融合所带来的问题。本发明基于上述的一种基于注意力机制及神经网络的脑电信号分类方法，模型结构简单，采用交互的注意力模块，可同时考虑脑电信号的时间和空间两个维度的信息，成功地从脑电信号中提取出判别性的特征，从而实现高精度的分类效果。
29.最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。


技术特征：
1.一种基于注意力机制及神经网络的脑电信号分类方法，其特征在于：包括以下步骤：s1:通过带通滤波器对脑电信号进行滤波处理；s2:利用注意力模块对所述脑电信号进行重新编码；s3:将所述重新编码后的所述脑电信号通过特征分类模块进行分类，并将分类精度作为最终的评价指标。2.根据权利要求1所述的一种基于注意力机制及神经网络的脑电信号分类方法，其特征在于：所述步骤s3的特征分类模块采用eegnet的结构。3.根据权利要求2所述的一种基于注意力机制及神经网络的脑电信号分类方法，其特征在于：所述步骤s3的特征分类模块包括两个卷积模块和一个全连接层。4.根据权利要求3所述的一种基于注意力机制及神经网络的脑电信号分类方法，其特征在于：所述第一个卷积模块将eeg信号分解为不同的带通频率，并通过深度卷积减少可训练参数的数量，所述第二个卷积块使用可分离卷积，即深度卷积，然后是逐点卷积，从而减少参数数量并解耦特征映射之间的关系。5.根据权利要求3所述的一种基于注意力机制及神经网络的脑电信号分类方法，其特征在于：所述两个卷积模块之后分别设置池化层。6.根据权利要求1所述的一种基于注意力机制及神经网络的脑电信号分类方法，其特征在于：所述步骤s2中通过对空间和时间维度的注意力矩阵进行矩阵乘法和残差连接后得到重新编码的脑电信号。

技术总结
本发明公开了一种基于注意力机制及神经网络的脑电信号分类方法，包括注意力模块和特征分类模块，注意力模块接受输入的脑电信号，并利用一个交互的注意力模块提取脑电信号中的空间和时间信息，特征分类模块接受经过重新编码的脑电信号，并对其进行分类。本发明基于上述的一种基于注意力机制及神经网络的脑电信号分类方法，模型结构简单，采用交互的注意力模块，可同时考虑脑电信号的时间和空间两个维度的信息，成功地从脑电信号中提取出判别性的特征，从而实现高精度的分类效果。从而实现高精度的分类效果。从而实现高精度的分类效果。


技术研发人员：杜元花 周楠 黄健 漆军 黄修禹 施开波
受保护的技术使用者：成都信息工程大学
技术研发日：2022.10.14
技术公布日：2023/1/5