基于注意力分频卷积神经网络的脑电神经反馈系统技术方案

本发明专利技术涉及一种基于注意力分频卷积神经网络的脑电神经反馈系统，包括：离线脑电信号采集模块：用于采集受试者在特定线索条件诱发下的脑电信号；脑电信号预处理模块：用于对脑电信号进行预处理，获得预处理后的脑电数据；离线模型训练模块：用于对预处理后的脑电数据进行训练，获取最优网络模型；神经反馈实时调节模块：用于在神经反馈时，加载最优网络模型，得到脑电信号的预测结果，受试者基于该预测结果进行实时的自我调节，以达到大脑状态的调节。本发明专利技术提供的系统提高神经反馈线上实时调节的准确性，实现对大脑认知状态的高精度识别，从而达到更加精准的治疗。从而达到更加精准的治疗。从而达到更加精准的治疗。

【技术实现步骤摘要】
基于注意力分频卷积神经网络的脑电神经反馈系统


[0001]本专利技术涉及认知神经科学和临床心理学领域，具体涉及一种基于注意力分频卷积神经网络的脑电神经反馈系统。

技术介绍

[0002]脑电神经反馈(EEG Neurofeedback)，也称为神经反馈治疗，是一种通过监测脑电活动来帮助人们学会调节自身脑电活动的治疗方法。通过使用生物反馈技术，患者可以看到他们的脑电活动，并尝试通过自我调节来改善其生理和心理状态。这项技术根据不同的分析方法和算法来处理脑电信号和实现脑电神经反馈技术，主要包括基于机器学习的脑电神经反馈和基于深度学习的脑电神经反馈。脑电神经反馈的历史可以追溯到20世纪60年代初期，当时Barry Sterman教授在研究NASA宇航员如何保持清醒状态时偶然发现猫经过培训可以通过脑电神经反馈来控制癫痫发作。从那时起，脑电神经反馈逐渐应用于多种临床场合，包括治疗注意力缺陷多动障碍、学习障碍、抑郁症、焦虑症、失眠症等。近年来，随着技术的发展，脑电神经反馈技术得到了更广泛的应用，也发展出了多种变体，如基于脑电的心理应激反应训练、神经可塑性训练、皮层激活训练等。此外，脑电神经反馈在运动表现提高、提高学习成绩、改善抑郁和焦虑等方面也得到了广泛的研究和应用。
[0003]传统基于机器学习的脑电神经反馈技术主要基于支持向量机、朴素贝叶斯等传统的机器学习算法进行分类和预测。往往需要手动提取特征并进行模型选择，需要更多的人工干预。同时在处理复杂数据时往往容易受到噪声和干扰的影响，从而降低了其性能。这些可能是脑电神经反馈技术在治疗方面出现效果不佳的现有原因。因此，如何提高脑电神经反馈的分类效果，成为一个亟待解决的问题。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提供一种基于注意力分频卷积神经网络的脑电神经反馈系统。
[0005]本专利技术技术解决方案为：一种基于注意力分频卷积神经网络的脑电神经反馈系统，包括：
[0006]离线脑电信号采集模块：用于采集受试者在特定线索条件诱发下的脑电信号；
[0007]脑电信号预处理模块：用于对所述脑电信号进行预处理，获得预处理后的脑电数据；
[0008]离线模型训练模块：用于对所述预处理后的脑电数据进行训练，获取最优网络模型；
[0009]神经反馈实时调节模块：用于在神经反馈时，加载所述最优网络模型，得到脑电信号的预测结果，所述受试者基于该预测结果进行实时的自我调节，以达到大脑状态的调节。
[0010]本专利技术与现有技术相比，具有以下优点：
[0011]本专利技术公开了一种基于注意力分频卷积神经网络的脑电神经反馈系统，解决了现
有传统基于机器学习的脑电神经反馈中算法分类性能不佳的问题，有效提取和整合多频段脑电特征，进而提高神经反馈线上实时调节的准确性，实现对大脑认知状态的高精度识别，从而达到更加精准的治疗。
附图说明
[0012]图1为本专利技术实施例中一种基于注意力分频卷积神经网络的脑电神经反馈系统的结构框图；
[0013]图2为本专利技术实施例中基于注意力分频卷积神经网络的架构示意图；
[0014]图3为本专利技术实施例中脑电神经反馈的示意图。
具体实施方式
[0015]本专利技术提供了一种基于注意力分频卷积神经网络的脑电神经反馈系统，提高神经反馈线上实时调节的准确性，实现对大脑认知状态的高精度识别，从而达到更加精准的治疗。
[0016]为了使本专利技术的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本专利技术进一步详细说明。
[0017]实施例一
[0018]如图1所示，本专利技术实施例提供的一种基于注意力分频卷积神经网络的脑电神经反馈系统，包括下述模块：
[0019]离线脑电信号采集模块：用于采集受试者在特定线索条件诱发下的脑电信号；
[0020]脑电信号预处理模块：用于对脑电信号进行预处理，获得预处理后的脑电数据；
[0021]离线模型训练模块：用于对预处理后的脑电数据进行训练，获取最优网络模型；
[0022]神经反馈实时调节模块：用于在神经反馈时，加载最优网络模型，得到脑电信号的预测结果，受试者基于该预测结果进行实时的自我调节，以达到大脑状态的调节。
[0023]在一个实施例中，上述离线脑电信号采集模块：用于采集受试者在特定线索条件诱发下的脑电信号，具体包括：
[0024]在特定线索条件诱发下的脑电信号，是指以吸烟成瘾患者为例，在实际治疗过程中，通过给吸烟成瘾患者实时观看电脑屏幕上出现的不同吸烟图片，从而达到诱发患者成瘾渴望的作用。吸烟成瘾患者看见吸烟图片时脑电信号的活动状态与正常人观看吸烟图片时脑电活动状态存在差异，所以通过特定线索条件诱发能更好的区分两者；
[0025]在本专利技术实施例中心理学任务范式是基于matlab的Psychophysics Toolbox编写，脑电数据的采集和记录基于NeuroScan公司提供的SynAmps RT2放大器进行，采集在特定线索诱发条件下的脑电信号。
[0026]在一个实施例中，上述脑电信号预处理模块：用于对脑电信号进行预处理，获得预处理后的脑电数据，具体包括：
[0027]本模块需要对采集的脑电信号进行预处理，目的是为了去除脑电信号采集过程环境噪声及被试由于眼动、头动等造成的伪迹，以提高脑电数据的信噪比，得到高质量的脑电信号以满足后续的模型训练的需求。
[0028]本专利技术实施例的预处理过程基于EEGLAB软件包，主要操作包括：进行0.5Hz高通滤
波、使用独立成分分析(ICA)或最小二乘回归去除伪迹、去除振幅超过
±
100uV的试次和手动去除坏段。
[0029]在一个实施例中，上述离线模型训练模块，具体包括：
[0030]步骤S1：将预处理后的脑电数据分为训练集、验证集和测试集；将训练集输入基于注意力分频卷积神经网络(FBCNET)进行训练，具体包括下述步骤：
[0031]步骤S11：输入层用于接收预处理后的脑电数据；
[0032]步骤S12：卷积层采用FBCSP算法从预处理后的脑电数据中提取每一个类别的特征矩阵y：
[0033][0034]其中，f为预处理后的脑电数据，其大小为t
×
b，其中t是信号的时间点，n是信号的电极数量；h是大小为m
×
t
×
n的三维滤波器数组，其中m是滤波器的数量；
[0035]本专利技术实施例采用的FBCSP算法是一种基于滤波器组的方法，可以自动地从脑电信号中提取最具有判别能力的特征；然后对每个滤波器的输出，都需要计算公共空间模式，具体步骤为：
[0036]对于每一个类别的特征矩阵y，计算其协方差矩阵σ，将所有类别的协方差矩阵相加，得到总协方差矩阵；计算总协方差矩阵的正交投影矩阵w，使得投影后的特征方差最大，同时该特征可以区分出该类别与其他类别，其中w的计算公式如下：
[0037][0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力分频卷积神经网络的脑电神经反馈系统，其特征在于，包括：离线脑电信号采集模块：用于采集受试者在特定线索条件诱发下的脑电信号；脑电信号预处理模块：用于对所述脑电信号进行预处理，获得预处理后的脑电数据；离线模型训练模块：用于对所述预处理后的脑电数据进行训练，获取最优网络模型；神经反馈实时调节模块：用于在神经反馈时，加载所述最优网络模型，得到脑电信号的预测结果，所述受试者基于该预测结果进行实时的自我调节，以达到大脑状态的调节。2.根据权利要求1所述的基于注意力分频卷积神经网络的脑电神经反馈系统，其特征在于，所述离线模型训练模块，具体包括：步骤S1：将所述预处理后的脑电数据分为训练集、验证集和测试集；将所述训练集输入基于注意力分频卷积神经网络进行训练，具体包括下述步骤：步骤S11：输入层用于接收所述预处理后的脑电数据；步骤S12：卷积层采用FBCSP算法从所述预处理后的脑电数据中提取每一个类别的特征矩阵y：其中，f为预处理后的脑电数据，其大小为t
×
n，其中t是信号的时间点，n是信号的电极数量；h是大小为m
×
t
×
n的三维滤波器数组，其中m是滤波器的数量；对于每一个类别的特征矩阵y，计算其协方差矩阵σ，将所有类别的协方差矩阵相加，得到总协方差矩阵；计算所述总协方差矩阵的正交投影矩阵w，使得投影后的特征方差最大，同时该特征可以区分出该类别与其他类别，其中w的计算公式如下：其中，c1和c2分别表示是两个类别的类协方差矩阵，σ

【专利技术属性】
技术研发人员：卜俊杰，刘家芳，杨丽，
申请(专利权)人：安徽医科大学，
类型：发明
国别省市：