本發(fā)明涉及腦電信號處理，具體涉及一種基于多尺度特征提取的腦電注意力分類模型、方法及計算機系統(tǒng)。

背景技術：

1、腦電圖是一種通過在頭皮上放置電極記錄腦電活動的非侵入性技術。腦電信號具有高時間分辨率，被廣泛應用于神經(jīng)科學研究、腦機接口(bci)、醫(yī)療診斷等領域，尤其在注意力分析方面，腦電信號可以反映大腦在不同注意力狀態(tài)下的動態(tài)變化。因此，開發(fā)一種高效、準確的腦電信號處理與分類方法，對提高注意力狀態(tài)識別的準確性具有重要意義。

2、傳統(tǒng)的腦電信號分析方法主要依賴于手工提取特征和經(jīng)典機器學習算法。這些方法通常包括時域、頻域和時頻域特征提取，如功率譜密度、波形幅度、頻帶能量等。然而，手工特征提取依賴于專家知識，且處理過程繁瑣，難以適應復雜的腦電數(shù)據(jù)。隨著深度學習技術的發(fā)展，基于卷積神經(jīng)網(wǎng)絡(cnn)和循環(huán)神經(jīng)網(wǎng)絡(rnn)的腦電信號分類方法逐漸成為研究熱點。這些方法能夠自動提取數(shù)據(jù)中的有效特征，避免了手工特征提取的局限性。

3、目前，許多研究采用深度學習模型對腦電信號進行處理，但這些模型仍然面臨一些挑戰(zhàn)。首先，腦電信號的多尺度特征提取是一個難點，因為不同頻段的信息對于注意力狀態(tài)的判別具有不同的重要性。其次，深度神經(jīng)網(wǎng)絡在處理腦電信號時容易出現(xiàn)梯度消失問題，導致訓練過程不穩(wěn)定。第三，腦電信號中的關鍵特征可能分布在不同的通道上，如何有效地加權各個通道的特征是一個挑戰(zhàn)。最后，腦電信號的時間依賴性強，需要模型能夠捕捉長距離時間依賴關系。

技術實現(xiàn)思路

1、本發(fā)明的目的是提出一種基于多尺度特征提取的腦電注意力分類模型、方法及計算機系統(tǒng)，旨在解決現(xiàn)有技術中識別準確率不高、特征提取不充分和處理復雜腦電信號困難的問題，從而實現(xiàn)對注意力狀態(tài)的高效、準確分類。

2、根據(jù)實施例的第一方面，提出一種腦電注意力分類模型，包括：多尺度可分離卷積網(wǎng)絡，其被配置為對每個輸入通道的腦電信號進行獨立的卷積操作，提取低級特征圖；squeeze-and-excitation模塊，其被配置為對低級特征圖進行通道間的動態(tài)調(diào)整，生成重新加權的特征圖；輕量化transformer，其被配置為基于注意力機制從時間維度計算重新加權的特征圖中各個特征向量對應的各個時間步之間的注意力權重，以捕捉時間步之間的依賴關系；mobilenet，其被配置為從確定了時間步之間的依賴關系的特征圖中提取出高級特征圖；分類模塊，其被配置為將高級特征圖中特征向量通過全連接層映射到類別數(shù)目的向量，再通過softmax函數(shù)計算類別概率得到注意力分類結(jié)果。

3、在一些示例中，多尺度可分離卷積網(wǎng)絡包括捕捉腦電信號的短期特征的小尺度卷積核和捕捉腦電信號長期特征的大尺度卷積核，對小尺度卷積核和大尺度卷積核卷積后的結(jié)果分別進行批量歸一化，再對歸一化后的輸出進行relu激活，將relu激活后的輸出從所有通道中組合起來，進行1x1逐點卷積操作，以融合不同通道的信息，之后同樣對1x1逐點卷積操作結(jié)果進行批量歸一化和relu激活，得到小尺度卷積核和大尺度卷積核的輸出特征圖，將小尺度卷積核和大尺度卷積核的輸出特征圖拼接起來，形成多尺度特征表示，再通過并行的卷積操作進一步融合多尺度特征，并行的卷積操作的結(jié)果再經(jīng)過批量歸一化和relu激活函數(shù)處理，得到低級特征圖。

4、在一些示例中，squeeze-and-excitation模塊對低級特征圖的每個通道進行全局平均池化，生成每個通道的全局特征描述，使用全連接層將全局特征描述向量映射到一個低維空間，然后再映射回高維空間，生成注意力權重，再將注意力權重與低級特征圖按通道進行逐元素相乘，生成重新加權的特征圖。

5、在一些示例中，輕量化transformer對輸入的重新加權的特征圖的特征向量進行線性變換，映射到特定的維度，為各個時間步添加位置信息，計算添加了位置信息的各個時間之間的注意力權重，通過兩層全連接網(wǎng)絡對每個時間步對應的特征向量進行如下處理：ffn(x)＝relu(xw3+b1)w4+b2；其中,x是每個時間步對應的特征向量，w3和w4是全連接層的權重矩陣，b1和b2是全連接層的偏置向量。

6、在一些示例中，通過多個深度可分離卷積塊逐層對經(jīng)過輕量化transformer確定了時間步之間依賴關系的特征圖的每個輸入通道分別進行卷積操作，提取出高級特征圖，將最后一層深度可分離卷積塊的卷積輸出進行全局平均池化，得到高級特征圖的特征向量。

7、根據(jù)實施例的第二方面，提出一種腦電注意力分類方法，包括：采集測試者的腦電信號，將腦電信號輸入到所述的腦電注意力分類模型，所述的腦電注意力分類模型輸出注意力分類結(jié)果。

8、根據(jù)實施例的第三方面，提出一種計算機系統(tǒng)，包括：處理器；存儲器，包括一個或多個計算機程序模塊；其中，所述一個或多個計算機程序模塊被存儲在所述存儲器中并被配置為由所述處理器執(zhí)行，所述一個或多個計算機程序模塊包括用于實現(xiàn)所述的腦電注意力分類方法的指令。

9、根據(jù)實施例的第四方面，提出一種計算機可讀存儲介質(zhì)，用于存儲非暫時性計算機可讀指令，當所述非暫時性計算機可讀指令由計算機執(zhí)行時能夠?qū)崿F(xiàn)所述的腦電注意力分類方法。

10、本發(fā)明的有益效果在于：本發(fā)明能夠從腦電信號中提取豐富的特征信息，捕捉到不同時間尺度和不同空間尺度下的特征，提高了分類模型的精度。本發(fā)明結(jié)合了低級特征提取、通道注意力機制和高級特征提取，能夠從多角度和多層次提取腦電信號的特征，特別是通道注意力機制有助于突出關鍵通道的特征，增強了特征表示能力。本發(fā)明的腦電注意力分類模型/方法結(jié)構(gòu)合理，模塊化設計便于實際應用中的擴展和調(diào)整，能夠靈活應對不同的應用場景和需求。本發(fā)明將深度學習應用于腦電信號，通過人工智能算法對腦電信號進行特征提取和分類，進一步提高了分類的準確度，易于推廣應用于日常的心理健康監(jiān)測和注意力狀態(tài)評估中。

技術特征：

1.一種腦電注意力分類模型，其特征在于，包括：

2.根據(jù)權利要求1所述的腦電注意力分類模型，其特征在于，多尺度可分離卷積網(wǎng)絡包括捕捉腦電信號的短期特征的小尺度卷積核和捕捉腦電信號長期特征的大尺度卷積核，對小尺度卷積核和大尺度卷積核卷積后的結(jié)果分別進行批量歸一化，再對歸一化后的輸出進行relu激活，將relu激活后的輸出從所有通道中組合起來，進行1x1逐點卷積操作，以融合不同通道的信息，之后同樣對1x1逐點卷積操作結(jié)果進行批量歸一化和relu激活，得到小尺度卷積核和大尺度卷積核的輸出特征圖，將小尺度卷積核和大尺度卷積核的輸出特征圖拼接起來，形成多尺度特征表示，再通過并行的卷積操作進一步融合多尺度特征，并行的卷積操作的結(jié)果再經(jīng)過批量歸一化和relu激活函數(shù)處理，得到低級特征圖。

3.根據(jù)權利要求2所述的腦電注意力分類模型，其特征在于，利用3x3的卷積核和5x5的積核進行并行的卷積操作融合多尺度特征。

4.根據(jù)權利要求1所述的腦電注意力分類模型，其特征在于，squeeze-and-excitation模塊對低級特征圖的每個通道進行全局平均池化，生成每個通道的全局特征描述，使用全連接層將全局特征描述向量映射到一個低維空間，然后再映射回高維空間，生成注意力權重，再將注意力權重與低級特征圖按通道進行逐元素相乘，生成重新加權的特征圖。

5.根據(jù)權利要求1所述的腦電注意力分類模型，其特征在于，輕量化transformer對輸入的重新加權的特征圖的特征向量進行線性變換，映射到特定的維度，為各個時間步添加位置信息，計算添加了位置信息的各個時間之間的注意力權重，通過兩層全連接網(wǎng)絡對每個時間步對應的特征向量進行如下處理：

6.根據(jù)權利要求5所述的腦電注意力分類模型，其特征在于，使用殘差連接和層歸一化增強輕量化transformer訓練穩(wěn)定性。

7.根據(jù)權利要求1所述的腦電注意力分類模型，其特征在于，通過多個深度可分離卷積塊逐層對經(jīng)過輕量化transformer確定了時間步之間依賴關系的特征圖的每個輸入通道分別進行卷積操作，提取出高級特征圖，將最后一層深度可分離卷積塊的卷積輸出進行全局平均池化，得到高級特征圖的特征向量。

8.一種腦電注意力分類方法，其特征在于，包括：采集測試者的腦電信號，將腦電信號輸入到權利要求1-7任一項權利要求所述的腦電注意力分類模型，所述的腦電注意力分類模型輸出注意力分類結(jié)果。

9.一種計算機系統(tǒng)，其特征在于，包括：

10.一種計算機可讀存儲介質(zhì)，用于存儲非暫時性計算機可讀指令，其特征在于，當所述非暫時性計算機可讀指令由計算機執(zhí)行時能夠?qū)崿F(xiàn)權利要求8所述的腦電注意力分類方法。

技術總結(jié)
一種腦電注意力分類模型、方法及計算機系統(tǒng)，解決了現(xiàn)有技術中腦電信號識別準確率不高、特征提取不充分和處理復雜腦電信號困難的問題。模型包括：多尺度可分離卷積網(wǎng)絡，其對每個輸入通道的腦電信號進行卷積操作，提取低級特征圖；Squeeze?and?Excitation模塊，其對低級特征圖進行通道間的動態(tài)調(diào)整，生成重新加權的特征圖；輕量化Transformer，其基于注意力機制從時間維度計算重新加權的特征圖中各個特征向量對應的各個時間步之間的注意力權重，以捕捉時間步之間的依賴關系；MobileNet，其從確定了時間步之間的依賴關系的特征圖中提取出高級特征圖；以及分類模塊，其將高級特征圖中特征向量通過全連接層映射到類別數(shù)目的向量，再通過Softmax函數(shù)計算類別概率得到注意力分類結(jié)果。

技術研發(fā)人員：許進,姚堯,官文俊,夏良君,鐘蔚
受保護的技術使用者：武漢紡織大學
技術研發(fā)日：
技術公布日：2025/1/9