一种基于多频段融合与时空Transformer的脑电信号分析方法技术

本发明专利技术公开了一种基于多频段融合与时空Transformer的脑电信号分析方法，首先将预处理后的脑电信号转化为对应时间长度的多频段图像，并尽可能保留采样通道之间的三维空间信息；然后采用频段注意力模块融合特征，用于计算堆叠的多频段图像的注意力图并推断出经过融合的特征图；接着使用时间/空间自注意力模块提取时空特征，用于表征和区分多帧多区域的动态大脑状态；最终通过多层感知机学习特征的类别信息。训练得到的MEET模型，可以表示和分析人脑脑电信号的多尺度时间序列。本发明专利技术能有效提高脑电信号分类的准确度，一定程度上解决了脑电信号的分类任务。了脑电信号的分类任务。了脑电信号的分类任务。

【技术实现步骤摘要】
一种基于多频段融合与时空Transformer的脑电信号分析方法


[0001]本专利技术属于脑电分析
，具体涉及一种脑电信号分析方法。

技术介绍

[0002]脑电图(Electroencephalography，EEG)是使用最广泛且价格低廉的神经成像技术之一，它需要先进而强大的学习算法来建模和分析。根据EEG信号的多尺度性质，将多频段概念引入对EEG信号建模的Transformer架构的设计中至关重要。现有的工作基于传统的信号处理方法和深度学习方法对EEG信号的多频段融合已经进行了广泛的研究，例如，通过使用不同频率范围的滤波器处理信号并在特征空间融合滤波后的信号频段。然而，神经网络模型的训练过程通常缓慢而复杂，再加上模型引入的噪声限制，难以有效融合脑电信号的所有频段。并且，以往的深度学习模型大多属于后期融合策略，在融合之前，那些有意义的、有区分性的特征仍然用单频段来表示，这导致了模型的冗余以及整体信息的丢失。

技术实现思路

[0003]为了克服现有技术的不足，本专利技术提出了一种基于多频段融合与时空Transformer本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多频段融合与时空Transformer的脑电信号分析方法，其特征在于，包括如下步骤：步骤1：将脑电信号预处理成多频段图像；将时间长度为T的脑电信号下采样到200Hz，并分解为五个频段：Delta(1
‑
4Hz)、Theta(4
‑
8Hz)、Alpha(8
‑
14Hz)、Beta(14
‑
31Hz)和Gamma(31
‑
50Hz)；采用微分熵作为特征提取器，对五个频段中的每一个频段上的每个EEG通道独立执行微分熵特征提取，随后使用AEP法将三维电极坐标映射到二维平面，因此一维微分熵特征向量被重组为二维散点图；然后使用C
‑
T法对散点图进行插值，以生成分辨率为32
×
32的特征图；五个频段上的特征图是堆叠在一起的；输入的EEG数据表示为四维特征张量x
i
∈R
H
×
W
×5×
T
，其中H
×
W是特征图的分辨率；步骤2：多频段特征融合；三维多频段特征张量在时刻i分别通过最大池化和平均池化获得两个结果记为F
avg
和然后将F
avg
/F
max
馈入两层权重共享的多层感知机以生成频段注意力图记为A
avg
/A
max
，第一层由个神经元组成并使用ReLU函数进行激活，第二层的神经元数量为5，r是缩减率；A
avg
和A
max
通过矩阵对应元素求和进行合并，产生最终的频段注意力图；计算公式如下：M
c
(F)＝σ(MLP(AvgPool(x
i
))+MLP(MaxPool(x
i
)))＝σ(w1(W0(F
avg
))+W1(W0(F
max
)))其中...

【专利技术属性】
技术研发人员：张枢，史恩泽，康艳晴，武晋茹，喻四刚，王嘉琪，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：