脑电信号自监督表示学习方法、系统和存储介质技术方案

本发明专利技术提出了一种脑电信号自监督表示学习方法、系统和存储介质，属于信号处理和模式识别技术领域。利用编码器获得各时间段的多信道脑电信号数据的局部隐表示和自身上下文表示，并得到全局表示，计算瞬时时移预测任务的损失；根据各时间段的自身上下文表示得到段表示，预测不同时间段不同信道之间的相关概率，计算延迟时移预测任务的损失；对所述的各时间段的局部隐表示进行随机替换，根据替换后的新局部隐表示计算新自身上下文表示，根据新自身上下文表示预测各个原始信道对应的局部隐表示是否被其他信道替换，计算替换判别学习预测任务的损失；通过三个自监督任务，实现在脑电信号数据上的自监督表示学习，并将所学表示用于癫痫发作预测应用。于癫痫发作预测应用。于癫痫发作预测应用。

【技术实现步骤摘要】
脑电信号自监督表示学习方法、系统和存储介质


[0001]本专利技术涉及信号处理和模式识别
，尤其涉及一种脑电信号自监督表示学习方法、系统和存储介质。

技术介绍

[0002]脑电信号的模式可以极大地帮助我们了解大脑的正常运作方式以及相关疾病机制。关于脑电信号的研究有很多，比如认知研究、情感识别和神经系统疾病等。记录脑电信号的方法主要有两种，包括非侵入式方法和侵入式方法，但是脑电信号数据的标签获取通常十分困难。随着自监督学习已成为在没有标签的情况下占主导地位的学习范式，越来越多的工作聚焦于利用自监督学习在海量的无标签数据中学习有效的表示。本专利技术提出的方法旨在对头皮脑电(EEG)和立体脑电(SEEG)信号进行自监督表示学习，并将所学表示用于癫痫发作预测应用。
[0003]由于脑电信号本质上是一种时间序列数据，所以通用的时间序列自监督算法也能用于该任务。现有的方法有基于专门设计的代理任务，比如[Saeed,2019]通过对数据进行转换，并训练模型能够很好地区分原始数据和转换后的数据。[P.Sarkar,2020]通过对原始数据应用六种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑电信号自监督表示学习方法，其特征在于，包括以下步骤：获取各时间段的原始多信道脑电信号数据，利用编码器获得各时间段的局部隐表示和自身上下文表示；根据全局上下文表示计算各时间段的不同信道的相关性，得到稀疏细粒度相关性矩阵，根据稀疏细粒度相关性矩阵计算各时间段各信道的全局表示；根据所有时间段的全局表示预测k1步内时间段的局部隐表示，计算瞬时时移预测任务的损失；根据各时间段的原始多信道脑电信号数据，计算不同时间段不同信道之间的长期相关性矩阵，构造长期相关性伪标签；根据各时间段的自身上下文表示得到段表示，预测不同时间段不同信道之间的相关概率，计算延迟时移预测任务的损失；对所述的各时间段的局部隐表示进行随机替换，根据替换后的新局部隐表示计算新自身上下文表示，根据新自身上下文表示预测各个原始信道对应的局部隐表示是否被其他信道替换，计算替换判别学习预测任务的损失；结合所述的瞬时时移预测任务的损失、延迟时移预测任务的损失和判别学习预测任务的损失，对编码器进行训练；利用训练好的编码器获得待处理的原始多信道脑电信号数据的自身上下文表示，并得到段表示，将所述的段表示作为学习到的脑电信号自监督表示，用于癫痫发作预测任务。2.根据权利要求1所述的一种脑电信号自监督表示学习方法，其特征在于，所述的利用编码器获得各时间段的局部隐表示和自身上下文表示包括：使用非线性编码器g
enc
将观察到的时间段内所有信道的脑电信号数据映射到局部，得到局部隐表示：其中，s
t
是t时间段的脑电信号数据，是经过g
enc
变换后的序列长度，z
t
是t时间段的局部隐表示，表示第t时间段第步的隐表示；利用自回归模型g
ar
对每个信道前τ长的历史局部信息进行汇总，得到各自的上下文表示，如下所示：其中，z
t,τ
‑1表示第t时间段第τ步的隐表示，表示t时间段第τ步的自身上下文表示，当3.根据权利要求1所述的一种脑电信号自监督表示学习方法，其特征在于，所述的根据全局上下文表示计算各时间段的不同信道的相关性，得到稀疏细粒度相关性矩阵的公式为：A
1,t
(i,j)＝A0(i,j)+σ
t
(i,j)
×
n
t
(i,j)其中，MLP表示多层感知机，表示t时间段第i个信道第τ步的自身上下文表示，表示t时间段第j个信道第τ步的自身上下文表示，n
t
(i,j)表示从标准正态分布中采样的值，SoftPlus(.)是SoftPlus激活函数，σ
t
(i,j)表示t时间段第i、j个信道的相关性所遵循高斯分布的标准差，A
1,t
(i,j)表示t时间段第i、j个信道的相关性；
过滤相关性小于θ1的元素，得到稀疏细粒度相关性矩阵A
t
：其中，A
t
(i,j)表示稀疏细粒度相关性矩阵A
t
中的第i行第j列的元素，用于表示稀疏化后的t时间段第i、j个信道的相关性。4.根据权利要求3所述的一种脑电信号自监督表示学习方法，其特征在于，根据稀疏细粒度相关性矩阵计算各时间段各信道的全局表示的公式为：粒度相关性矩阵计算各时间段各信道的全局表示的公式为：其中，表示t时间段第i个信道聚集前τ步的其他信道信息的表示，Θ是可学习的变换矩阵，ReLU(.)是ReLU激活函数，c
t,τ
表示t时间段第i个信道聚集前τ步的全局表示，5.根据权利要求1所述的一种脑电信号自监督表示学习方法，其特征在于，所述的根据当前时间段的全局表示预测k1步内时间段的局部隐表示，计算瞬时时移预测任务的损失，包括：其中，N
t,i
表示包含一个正样本和若干负样本的隐表示的随机噪声集合，表示集合N
t,i
中的一个正样本的局部隐表示，即t时间段第τ+k1步的第i个信道的局部隐表示，c
t,τ,i
表示t时间...

【专利技术属性】
技术研发人员：杨洋，蔡东鸿，涂世豪，
申请(专利权)人：浙江大学，
类型：发明
国别省市：