【技术实现步骤摘要】
基于时空卷积神经网络的脑电信号评估听力的方法及装置
[0001]本专利技术涉及听力检测
,尤其涉及一种基于时空卷积神经网络的脑电信号评估听力的方法及装置。
技术介绍
[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成现有技术。
[0003]听觉系统是感知声音的重要器官,目前全球五分之一的人有听力受损症状,面临听力康复问题。而听力康复需要结合适时预测和评估人耳的听力状况,以高效、及时判断治疗效果和指导康复方法。
[0004]脑电图技术在脑认知研究、脑疾病临床诊断方面获得了广泛的应用,具有时间分辨率高、安全无创、成本低等优点。当前,深度神经网络在计算机视觉、语音识别等领域已经实现了超过传统机器学习方法的精确度,包括语音、视觉等许多领域。深度学习能够通过反向传播算法从海量训练数据中自行学习样本的统计规律,免去了需要专家设计的复杂特征工程,并且通常会实现良好的识别性能,具有适应性强、易于转换的优点。
[0005]虽然深度神经网络在EEG(脑电)信号处理方面已经取得了一定成果,但通过深度学习方法进行听觉诱发脑电信号分类的相关研究仍不多,即便采用常规卷积神经网络作听觉诱发脑电信号分类,其效果也有待提高。此外,深度学习目前存在对小规模训练数据库泛化能力差、可解释性弱等关键问题。
技术实现思路
[0006]为了解决上述问题,本专利技术提出了一种基于时空卷积神经网络的脑电信号评估听力的方法及装置,将首个卷积层设置为采用Sinc函数调制的可学习时域滤波器组,将第二 ...
【技术保护点】
【技术特征摘要】
1.一种基于时空卷积神经网络的脑电信号评估听力的方法,其特征在于,包括:获取特定范式音频信号诱发得到的多通道脑电信号,并进行脑电信号的滤波和分段预处理;基于预处理后的多通道脑电信号,利用训练好的时空滤波听觉诱发脑电分类模型,进行听力评估分类;其中,所述时空滤波听觉诱发脑电分类模型首先对多通道脑电信号进行时域滤波,得到时域滤波特征向量,然后对时域滤波特征向量进行动态空域滤波,得到时空滤波后的特征矩阵,所述时空滤波后的特征矩阵经过神经网络进行分类,得到听力评估分类结果。2.如权利要求1所述的一种基于时空卷积神经网络的脑电信号评估听力的方法,其特征在于,所述的对多通道脑电信号进行时域滤波,具体为:其中,F
t
为时域滤波特征向量,x为预处理后的多通道脑电信号,为时域滤波窗函数,*为卷积运算算子。3.如权利要求1所述的一种基于时空卷积神经网络的脑电信号评估听力的方法,其特征在于,所述的对时域滤波特征向量进行动态空域滤波,具体为:F
c
=F
t
*S
c
其中,F
c
为空域滤波后的特征,F
t
为时域滤波特征向量,S
c
为动态通道加权矩阵。4.如权利要求3所述的一种基于时空卷积神经网络的脑电信号评估听力的方法,其特征在于,所述动态通道加权矩阵S
c
针对每个不同的脑电样本产生不同的通道加权系数,具体为:S
c
=G(x,θ
c
)其中,θ
c
为动态神经网络参数,为时空滤波听觉诱发脑电分类模型训练过程中学习获得;x为预处理后的多通道脑电信号;G为动态神经网络,为包含动态神经网络参数θ
c
的密集连接层:G(x,θ
c
)=ReLu(x
×
θ
c
);ReLu为一种非线性激活函数,当自变量大于零时,ReLu函数的输出为自变量本身,当自变量小于或等于零时,ReLu函数的输出为零。5.如权利要求1所述的一种基于时空卷积神经网络的脑电信号评估听力的方法,其特征在于,所述时空滤波后的特征矩阵经过神经网络进行分类,具体为:将时空滤波后的特征矩阵送入输出神经元等于分类类别数的全连接层进行加权,输出神经元经过softmax函数进行映射获得每个类别对应的后验概率,选取后验概率最大的值对应的类别作...
【专利技术属性】
技术研发人员:田岚,刘国洋,颜家萌,刘朝阳,孟强,
申请(专利权)人:山东大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。