本发明专利技术公开了一种基于时空卷积神经网络的脑电评估听力的方法及装置，所述方法包括：获取在特定范式音频诱发下得到的多通道脑电信号，并进行脑电信号滤波和分段预处理；基于预处理后的脑电信号，利用训练好的时空滤波听觉诱发脑电分类模型，得到听力评估分类结果；其中，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，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。本发明专利技术的时空卷积神经网络可以有效提升模型的可解释性，提高模型的泛化性能，降低模型的参数量，提高分类准确率。提高分类准确率。提高分类准确率。
【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，将第二个卷积层设置为动态空域滤波器组；将经过时域和空域滤波后的特征向量送入常规卷积神经网络中，最终实现高性能的听觉诱发脑电信号分类。
[0007]在一些实施方式中，采用如下技术方案：
[0008]一种基于时空卷积神经网络的脑电信号评估听力的方法，包括：
[0009]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；
[0010]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；
[0011]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。
[0012]作为可选的方案，所述的对多通道脑电信号进行时域滤波，具体为：
[0013][0014]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，为窗函数，*为卷积运算算子。
[0015]作为可选的方案，所述的对时域滤波特征向量进行动态空域滤波，具体为：
[0016]F
c
＝F
t
*S
c
[0017]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。
[0018]进一步地，所述动态通道加权矩阵S
c
针对每个不同的样本产生不同的通道加权系数，具体为：
[0019]S
c
＝G(x,θ
c
)
[0020]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。
[0021]作为可选的方案，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：
[0022]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为最终的分类结果。
[0023]作为可选的方案，对时空滤波听觉诱发脑电分类模型进行训练时，代价损失函数J为：
[0024][0025]其中，与θ相关的代表第i个样本在最后一个神经网络层的全连接层的第j个神经元的输出；s
ij
是判断第i个样本是否属于第j个类别的示性函数；m和q分别表示训练样本数和分类类别数。
[0026]作为可选的方案，对时空滤波听觉诱发脑电分类模型进行训练时，参数更新方法为：
[0027][0028]其中，θ
k+1
为迭代k+1次后的参数，θ
k
为迭代k次后的参数，Lr为学习率，m
k
为利用梯度一阶矩计算的梯度动量，v
k
为利用梯度二阶矩计算的学习率动量，ε为常量。
[0029]在另一些实施方式中，采用如下技术方案：
[0030]一种基于时空卷积神经网络的脑电信号评估听力的系统，包括：
[0031]数据获取模块，用于获取在特定范式的音频信号诱发下得到的多通道脑电信号，并进行脑电信号滤波和分段预处理；
[0032]听力评估分类模块，用于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；
[0033]其中，所述时空滤波听觉诱发脑电分类模型具体包括：
[0034]时域滤波单元，用于对多通道脑电信号进行时域滤波，得到时域滤波特征向量；
[0035]动态空域滤波单元，用于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；
[0036]神经网络分类单元，用于将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。
[0037]在另一些实施方式中，采用如下技术方案：
[0038]一种听觉诱发脑电分类的装置，包括：依次连接的脑电数据采集单元、脑电信号放大单元、A/D转换单元和主控制器，所述主控制器内分别设有：
[0039]时域滤波单元，用于对多通道脑电信号进行时域滤波，得到时域滤波特征向量；
[0040]动态空域滤波单元，用于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；
[0041]神经网络分类单元，用于将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；
[0042]所述主控制器与外部受控设备连接，用于将得到的听力评估分类结果，转化为对外部受控设备的控制指令。
[0043]在另一些实施方式中，采用如下技术方案：
[0044]一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于时空卷积神经网络的脑电信号评估听力的方法。
[0045]与现有技术本文档来自技高网...
【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。