一种脑电信号核心网络的提取方法技术

本发明专利技术提出一种脑电信号核心网络提取方法。本发明专利技术通过对脑电信号进行分析和特征提取，使用注意力图卷积神经网络(A

【技术实现步骤摘要】
一种脑电信号核心网络的提取方法


[0001]本专利技术属于脑电信号处理领域和人机交互领域，具体涉及到一种脑电信号核心网络的提取方法。

技术介绍

[0002]随着大脑科学的研究发展，脑机接口的应用受到越来越多的社会关注。脑机接口是软硬件的结合，通过使用人体产生的大脑电压波动来控制外部设备，例如脑控机械臂和脑控无人机。BCI技术涉及到神经科学、人机交互、信息处理、模式识别等多个学科领域，通过对从人脑采集到的生理信号进行预处理和特征提取与分类，解读出受试者的实际想法，再将这些想法转换成对应的机器指令，从而达到人脑与外部环境的交互控制目的。
[0003]通常获取人类大脑生理信号最有效的方法是非侵入式的头皮脑电信号(EEG)采集，其具有如低成本、可移植、高时间分辨率和客观可靠等诸多优点。虽然目前人们在基于脑电信号的任务识别相关领域已经取得了丰富的科学成果，但在实际场景下的具体的BCI应用上仍存在着一些问题。当前的研究大部分是专注于模型分类准确率的提升，而忽略了计算复杂度和时间成本，以及与任务相关的关键大脑区域探索发现。而机器的实时反馈速度影响着用户的体验，如一些患有肢体行动障碍的病人极其需要及时的实时动作反馈。同时为了将来可以更加深入的了解和解决问题，与任务相关的核心大脑区域研究也变得越来越重要。
[0004]在各种脑电信号的特征信息提取中，复杂网络被广泛应用于时间序列分析。人脑是一个复杂的网络，由脑电信号构建的大脑网络可以用来描述大脑活动，而核心网络包含着脑网络的主要功能，提取它们有助于更好地了解与脑网络相关的复杂系统。具体地，核心网络可以用于分析脑区具体位置的效用和剔除冗余及干扰信息进行特征降维，在脑网络的构建和分析方面起到一定作用。目前脑电领域已有一些手工方法被用于大脑网络的核心网络提取，其基本上是通过人为定义公式计算样本间的距离来进行特征筛选。然而这些方法普遍缺乏理论基础，比较粗糙单一且不灵活，不适用于复杂样本和多种样本的处理。
[0005]在BCI实际应用中，不仅需要考虑某一实验下复杂样本的特殊性，还需要考虑不同实验下不同样本的差异性。因此，利用深度学习的自适应能力来开发一种高效的自动寻找核心网络的方法极具现实意义。

技术实现思路

[0006]本专利技术的第一个目的在于克服现有技术和手段的不足，提供一种高效实用的自动的核心网络提取方法。本专利技术通过对脑电信号进行分析和特征提取，使用注意力图卷积神经网络(A
‑
GCN)训练获取到脑网络的核心节点，同时也获取了核心网络，使得多种分类预测模型在测试集上只需要计算少量的节点或边特征(网络)就能够获得更高的识别准确率。本专利技术提供的方法只需要采集被试少量的通道数据，提升了BCI应用中的实用性。
[0007]为了达到上述目的，本专利技术采用的技术方案如下：
[0008]一种自动的提取EEG信号核心网络方法，包括如下步骤：
[0009]步骤(1)、脑电信号预处理，打上任务类别标签，构建成为数据集：
[0010]1‑
1数据格式的统一
[0011]根据采集的脑电信号的电极位置，按自左向右和自上而下的顺序将总通道的特征向量记录为1D矩阵格式，N为总通道数量，同时将每个通道的脑电信号划分为5个频段，得到形状为N*5的2D张量数据的脑电数据；
[0012]所述的5个频段为delta(1
‑
4Hz)、theta(4
‑
8Hz)、alpha(8
‑
14Hz)、beta(14
‑
31Hz)、gamma(31
‑
50Hz)。
[0013]1‑
2数据分割及整理
[0014]对步骤1
‑
1获得的脑电信号进行切片，以T为时间窗口进行无重叠的滑窗操作，得到一系列形状为L*N*5的脑电信号片段，其中L为数据长度，L＝T*w,w为采样频率。
[0015]对切片后的脑电信号片段计算差分熵(以下简称DE)和斯皮尔曼秩相关系数(以下简称SCC)，将DE作为节点信号，SCC作为边信号(即节点通道间的相关性)，即得到一系列形状为N*5的节点信号和N*N*5的边信号。同时将切片后的脑电信号片段打上各自对应的任务类别标签，最终构建分类数据集。
[0016]注意，该节点信号不会用于下述A
‑
GCN模型的输入，同时各个频带的边信号数据会分开。
[0017]步骤(2)、搭建注意力
‑
图卷积神经网络(A
‑
GCN)，用于实现提取脑电网络核心。
[0018]所述的注意力图卷积神经网络(A
‑
GCN)，不同于现有的图注意力网络(GAT)，其不是用于直接训练测试分类预测的模型，而是一种专门用于寻找核心节点及核心网络的模型。
[0019]所述A
‑
GCN模型以预处理后的某一频段的脑电信号作为输入，将预测任务类别标签作为输出；
[0020]所述A
‑
GCN模型包括串联的图信号生成层、GCN图卷积层、Attention注意力层、Flatten扁平层、第一全连接层和第二全连接层；
[0021]所述图信号生成层为了确保所有信息仅来自于大脑网络，避免通道自身的节点信号干扰，于是对每个通道(n0，n1，....，n
N
‑1)，生成统一的节点信号X(x0，x1，....，x
N
‑1)，该节点信号X和输入的边信号W∈R
N*N
一起构成图信号特征向量；
[0022]所述GCN图卷积层接收所述图信号生成层输出的图信号特征向量，并对其使用傅里叶变换和拉普拉斯矩阵特征分解再进行卷积计算，得到各个邻域节点和相连的边信息聚合后的特征信息y具体是：
[0023]由边信号W计算度矩阵D∈R
N*N
，并得到拉普拉斯矩阵L＝D
‑
W∈R
N*N
，又L的特征分解形式为UΛU
T
，其中U＝[u0，u1，....，u
N
‑1]∈R
N*N
的列构成傅里叶基，Λ＝diag([λ0,λ1，...，λ
N
‑1])是一个对角矩阵；
[0024]g
θ
为卷积函数，经y＝g
θ
(L)x＝g
θ
(UΛU
T
)x＝U g
θ
(Λ)U
T x卷积运算后得到y(y0，y1，...y
N
‑1)，y∈R
N*1
；
[0025]所述Attention注意力层接收所述GCN图卷积层的输出，与N*1卷积核相乘得到注意力机制处理后特征；具体是：
[0026]特征信息y(y0，y1，...y
N
‑1)与注意力节点对应的卷积核A(a0，a1，...，a
N
‑1)相乘：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑电信号核心网络的提取方法，其特征在于具体包括如下步骤：步骤(1)、脑电信号预处理，打上任务类别标签，构建成为数据集；步骤(2)、搭建注意力
‑
图卷积神经网络A
‑
GCN；所述注意力
‑
图卷积神经网络A
‑
GCN以预处理后的某一频段的脑电信号作为输入，将预测任务类别标签作为输出；所述注意力
‑
图卷积神经网络A
‑
GCN包括串联的图信号生成层、GCN图卷积层、Attention注意力层、Flatten扁平层、第一全连接层和第二全连接层；所述图信号生成层对每个通道(n0，n1，....，n
N
‑1)生成统一的节点信号x(x0，x1，....，x
N
‑1)，该节点信号x和输入的边信号W∈R
N*N
一起构成图信号特征向量；所述GCN图卷积层接收所述图信号生成层输出的图信号特征向量，并对其使用傅里叶变换和拉普拉斯矩阵特征分解再进行卷积计算，得到各个邻域节点和相连的边信息聚合后的特征信息y具体是：由边信号W计算度矩阵D∈R
N*N
，并得到拉普拉斯矩阵L＝D
‑
W∈R
N*N
，又L的特征分解形式为UΛU
T
，其中U＝[u0，u1，....，u
N
‑1]∈R
N*N
的列构成傅里叶基，Λ＝diag([λ0,λ1，...，λ
N
‑1])是一个对角矩阵；g
θ
为傅里叶域卷积函数，经y＝g
θ
(L)x＝g
θ
(UΛU
T
)x＝U g
θ
(Λ)U
T
x卷积运算后得到y(y0，y1，...y
N
‑1)，y∈R
N*1
；所述Attention注意力层接收所述GCN图卷积层的输出，与N*1卷积核相乘得到注意力机制处理后特征；具体是：特征信息y(y0，y1，...y
N
‑1)与注意力节点对应的卷积核A(a0，a1，...，a
N
‑1)相乘：其中A∈R
N*1
，代表逐元素相乘；所述Flatten扁平层接收所述注意力层输出经过ReLU函数激活y＝ReLU(y)的特征并将数据拉平，然后将处理后数据经第一全连接层、第二全连接层全映射后输出结果，并利用Softmax函数预测标签分类；步骤(3)、多轮迭代训练注意力
‑
图卷积神经网络A
‑
GCN，根据训练完成后的注意力
‑
图卷积神经网络A
‑
GCN中所述Attention注意力层的注意力attention得到核心节点集合C；具体是y在与数据实际标签class进行比较后计算损失loss：随后张量反向...

【专利技术属性】
技术研发人员：杨昆，姚振宁，张建海，朱莉，程世超，杨锡亮，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：