基于脑电信号复杂网络转换的听觉空间注意解码方法

本发明属于脑电信号复杂网络图信号处理领域，具体涉及一种基于多通道脑电信号复杂网络转换的听觉空间注意解码方法及装置。

背景技术：

1、脑电信号是大脑神经元在活动过程中所产生的电信号，通过记录脑部神经元放电活动而得到的脑电信号可开展脑部神经元放电活动模式研究。利用脑电信号中的时间序列信息可构建脑电复杂网络，其网络图拓扑结构和特征状态反映了脑电信号的发生和传播。利用复杂网络理论和模式识别技术就能提取有关大脑活动的解码信息，分析脑电复杂网络可以为解析大脑认知状态提供更深的理解和解释，极大促进对脑功能和神经系统疾病的基本机制研究及分析。因此，脑电信号时间序列和复杂网络方法可以相互补充和交叉应用，共同探索和深入解析脑的功能和行为。

2、大脑是一个极度复杂的生物学系统，面对如此系统复杂度的场景，从脑电信号时间序列中描述大脑动态行为变得困难。传统的时间序列分析方法，也难以应对这种高复杂度的非线性系统。在过去的十年中，复杂网络的在脑电信号分析收到了广泛的关注，用于表征脑复杂系统。最近，已经提出了几种新型复杂网络构建方法，将单变量/多变量脑电时间序列映射到复杂网络。现有研究表明，这些方法对于表征复杂动态系统的重要属性等应用方面具有巨大潜力。

3、现有的听觉空间注意解码通常采用以下两种方案设计。方法一：直接利用多通道脑电信号作为深度神经网络模型的输入，利用深度学习方法从脑电信号中进行表学习，实现听觉注意解码；另一种方法：利用脑电信号的频域特性如alpha频带信号、深度学习模型等方法，构建听觉注意解码框架。

4、脑电信号是由大量神经细胞高度非线性耦合形成的一种神经电活动响应，表现出确定性混沌的特性。脑电活动的神经元之间的相互作用呈现非线性行为，并且在时间和空间上表现出复杂的、不规则的动态模式。现有的听觉空间注意解码，主要是直接利用脑电信号或各种特定子频带信号并结合表示学习来设计各种解码框架。这种解码框架没有充分考虑到脑电信号空间域、非线性动力学等特性，不能实现精度更高的听觉注意解码。

技术实现思路

1、根据本公开实施例的第一方面，提供一种基于多通道脑电信号复杂网络转换的听觉空间注意解码方法，所述方法包括以下步骤：

2、利用可见图复杂网络构建方法，将各通道脑电时间序列转换成可见图；

3、利用基于邻接矩阵的相似度计算方法，获取各通道脑电时间序列对应可见图的网络拓扑结构相似度；

4、根据不同可见图的网络拓扑结构相似度计算结果，生成多通道脑电信号的网络图特征表示；

5、将多通道脑电时间序列的网络图特征表示作为机器学习模型的输入，实现基于多通道脑电信号网络图的听觉空间注意解码。

6、在一实施例中，所述利用可见图复杂网络构建方法，将多通道脑电时间序列转换成可见图，具体包括：

7、输入长度为n的单通道脑电时间序列si，s＝{s1，s2，s3…sn}，si表示脑电时间序列中第i个点数据；

8、根据脑电数据的时间索引i，直接定义可见图g节点集合v，v记为{i|i＝1，2，...n}；

9、根据任意时间索引i和j(j＞i)对应的脑电时间序列数据值，判断可见图g节点间是否满足可见关系以确定可见图的连边，具体为：

10、若时间索引i和j相邻，则可见图g节点i和j存在连边；

11、对于任意时间索引k，脑电时间序列数据值满足关系i＜k＜j(i≤1，j≤n)，j＞i+1，则可见图g节点i和j存在连边；

12、根据可见图g的连边计算结果，实现单通道脑电时间序列的可见图转换，g＝(v，e)。

13、在一实施例中，利用邻近法或序数转网络方法替代所述可见图复杂网络构建方法将多通道脑电时间序列转换成可见图。

14、在一实施例中，所述利用基于邻接矩阵的相似度计算方法，获取不同可见图的网络拓扑结构相似度，具体包括：

15、用adj_m_1和adj_m_2分别表示任意两个可见图的邻接矩阵，adj_m_1和adj_m_2均是由元素0或1组成的n*n二维矩阵，当矩阵元素为1时则表示对应的节点对之间存在一条连边；

16、对邻接矩阵adj_m_1和adj_m_2，矩阵行索引a从1到n、矩阵列索引b从1到n进行循环遍历，判断邻接矩阵的各元素adj_m_1(a,b)和adj_m_2(a,b)是否均为1；

17、遍历完所有的矩阵行a和矩阵列b，统计邻接矩阵adj_m_1和adj_m_2在相同位置元素均为1的个数，记为sd，sd即表示两个可见图网络拓扑结构的相似性。

18、在一实施例中，所述根据不同可见图的网络拓扑结构相似度计算结果，生成多通道脑电信号的网络图特征表示，具体包括：

19、对于c通道脑电信号，利用可见图复杂网络构建方法转换成c个可见图；

20、利用可见图的网络拓扑结构相似度计算方法，得到任意两个可见图的网络拓扑结构的相似度sd(e,v)，通道索引e、v取值范围从1到c，sd(e,v)表示脑电通道e和通道v的可见图网络拓扑结构相似度；

21、将所有sd(e,v)组成相似度矩阵，即实现c通道脑电信号的网络图sd特征表示。

22、在一实施例中，所述机器学习模型为朴素贝叶斯模型、神经网络模型、支持向量机和随机森林模型中的任意一个。

23、根据本公开实施例的第二方面，提供一种基于多通道脑电信号复杂网络转换的听觉空间注意解码装置，所述装置包括：

24、可见图获取模块，用于利用可见图复杂网络构建方法，将各通道脑电时间序列转换成可见图；

25、相似度获取模块，用于利用基于邻接矩阵的相似度计算方法，获取各通道脑电时间序列对应可见图的网络拓扑结构相似度；

26、特征表示获取模块，用于根据不同可见图的网络拓扑结构相似度计算结果，生成多通道脑电信号的网络图特征表示；

27、听觉空间注意解码模块，用于将多通道脑电时间序列的网络图特征表示作为机器学习模型的输入，实现基于多通道脑电信号网络图的听觉空间注意解码。

28、根据本公开实施例的第三方面，提供一种基于多通道脑电信号复杂网络转换的听觉空间注意解码装置，所述装置包括：脑电信号采集模块、脑电信号集制作模块和处理器，所述脑电信号采集模块用于脑电数据采集，所述脑电信号集制作模块将所述脑电信号采集模块采集的脑电数据进行滤波预处理后进行分割切片，制作生成脑电信号样本并传至处理器，所述处理器调用存储的程序指令以使装置执行上述基于多通道脑电信号复杂网络转换的听觉空间注意解码方法步骤。

29、根据本公开实施例的第四方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述基于多通道脑电信号复杂网络转换的听觉空间注意解码方法步骤。

30、本发明提供的一种基于多通道脑电信号复杂网络转换的听觉空间注意解码方法及装置，从多通道脑电信号的复杂网络分析角度，利用时间序列的复杂网络构建方法将脑电信号时间序列转换成可见图，使用可见图网络拓扑结构相似性计算，将多通道脑电信号转换成一种网络图的特征表示形式，从而实现在传统机器学习模型中就能够实现精度更高的听觉注意解码方法。

31、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。