【技术实现步骤摘要】
本专利技术涉及脑电信号处理，尤其是涉及基于交叉频率耦合和频带注意力机制的心理状态检测方法。
技术介绍
1、心理状态检测的目标是有效检测个体的心理状态。随着检测模型的不断发展，模型的参数数量不断增加，这对所需的训练数据提出更高要求，需要大量而多样化的标注数据以实现高泛化性。然而，在实际应用中，特定场景下获取大规模的标签数据具有挑战性。此外，鉴别模型在面对新的具有消沉心理状态的个体时通常难以迅速适应，导致性能下降。因此，如何在有限的标注数据情况下培养高效的心理状态鉴别模型成为当前医疗领域和科研界迫切需要解决的问题。
2、在现有心理状态检测方法中,由于现代模型的参数规模越来越庞大,如果没有足够准确的特征提取方法,就现有数据和特征模型容易出现过拟合现象,导致其在新环境下对新个体的心理状态检测能力显著下降。此外,现有的心理状态检测方法难以有效适应多变的环境。大部分机器学习模型在学习过程中通常主要侧重于拟合数据分布,忽略了脑电数据在不同频带下的相位同步现象。这使得在标签数据稀缺的新情境下,有效适应和学习变得具有挑战性。
3、因此，如何使机器学习模型更有效地利用数据中的脑电信号特征,从而更快地适应和学习新的情境，进而解决新场景下不同个体精神状态不同和筛选脑电有关特征低效的问题。
技术实现思路
1、针对
技术介绍
中的问题，本专利技术提供了基于交叉频率耦合和频带注意力机制的心理状态检测方法，根据项目实际需求动态的计算指标，满足业务的发展需求。
2、为实现上述目的，本
3、对脑电数据进行预处理，获得符合标准的高质量脑电信号；
4、将高质量脑电信号分解至高频带范围和低频带范围，并对高频带范围数据和低频带范围数据分别进行子频带选择；
5、对高频带范围和低频带范围的每个子频带的多通道分解结果计算相位-振幅耦合矩阵；
6、根据相位-振幅耦合矩阵，计算每对子频带的注意力权值，并聚合卷积特征，得到每个频带耦合特征的唯一表示；
7、根据每个频带耦合特征的唯一表示进行多尺度特征提取，捕捉不同感受野内贡献度高的耦合特征并进行特征增强处理；
8、心理状态分类网络初始模型对经特征增强处理后的耦合特征进行压缩，降低耦合特征的维度，得到新的特征表示，通过多层全连接层基于新的特征表示进行分类训练，得到优化后的心理状态分类网络模型。
9、作为本专利技术的进一步改进，对脑电数据进行预处理，包括：
10、依次对脑电数据进行去除基线、带通滤波、去除伪迹、下采样和滑动窗口划分数据片段处理。
11、作为本专利技术的进一步改进，使用高通滤波器进行去除基线处理，排除脑电数据中的直流偏移；
12、通过进行带通滤波处理提取到脑电数据中theta和gamma频率范围；
13、通过独立成分分析进行去除伪迹处理，去除伪迹包括去除眼动、肌肉活动和电源干扰数据。
14、作为本专利技术的进一步改进，通过滑动窗口方法，以5秒为基准将脑电数据分割成短的数据片段。
15、作为本专利技术的进一步改进，将高质量脑电信号分解至高频带范围和低频带范围，包括：
16、使用0～50hz的带通滤波器将高质量脑电信号分解至4～8hz和30～50hz频带范围，4～8hz频带范围作为低频带范围，30～50hz频带范围作为高频带范围。
17、作为本专利技术的进一步改进，并对高频带范围数据和低频带范围数据分别进行子频带选择，包括：
18、对高频带范围按5hz的跨度进行子频带选择，获得4个子频带；
19、对低频带范围按1hz的跨度进行频带选择，同样获得4个子频带。
20、作为本专利技术的进一步改进，对高频带范围和低频带范围的每个子频带的多通道分解结果计算相位-振幅耦合矩阵；包括：
21、每个子频带有128通道，则将高频带范围的4个子频带和低频带范围的4个子频带各通道分解结果计算相位-振幅耦合矩阵，得到r4×4×128×128的相位-振幅耦合矩阵。
22、作为本专利技术的进一步改进，
23、针对相位-振幅耦合矩阵中的不同频带组合，在相位-振幅耦合矩阵中提取主频的相位和嵌套频的振幅，将嵌套频的振幅划分成不同主频相位区间，计算生成不同频带下的交叉频率耦合特征矩阵。
24、作为本专利技术的进一步改进，
25、通过对交叉频率耦合特征赋予不同的权重，反应低频带范围子频带和高频带范围子频带的耦合关系；
26、对不同频带下的交叉频率耦合特征矩阵进行维度转换，转换为x′∈r(l*h,m,m)，其中，l和h分别表示在指定的低频范围内和高频范围内分别选择的子频带的数量，m表示脑电信号的通道数；
27、基于x′∈r(l*h,m,m)，采用自适应频带注意力模块并基于高效通道注意力机制，学习各频带的注意力系数；
28、使用全局平均池化聚合卷积特征，得到每个频带耦合特征的唯一表示；
29、计算频带权重，应用于原始特征，生成多个子频带交叉频率耦合后的特征。
30、作为本专利技术的进一步改进，根据每个频带耦合特征的唯一表示进行多尺度特征提取，捕捉不同感受野内贡献度高的耦合特征并进行特征增强处理；包括：
31、使用大小为k1,…,kj的多个不同大小卷积核的一维卷积来学习不同大小感受野内交叉频率耦合特征的关键性得分，对于输入特征x＝{x1,x2,……xl}，再使用卷积核大小为k的一维卷积计算交叉频率耦合特征之间的相互作用，并用sigmoid函数输出每个特征的关键性得分：
32、fk(l)＝sigmoid(c1dk(x))
33、其中，
34、x表示输入特征，c1dk表示卷积核大小为k的一维卷积，fk(l)表示卷积核大小为k时第l个耦合特征的关键分数；
35、将所有权重进行排序，保留权重较大的耦合特征，当fk(l)大于预设阈值时，则当前耦合特征对于识别是否有消极心理状态的贡献度高，当fk(l)较小时，说明当前耦合特征对识别否有消极心理状态的贡献度低，将该耦合特征置为零。
36、与现有技术相比，本专利技术的有益效果为：
37、本专利技术通过模拟人类对不同频带的注意力分配方式，改进了传统识别模型在多频带数据利用效率低和特征提取低效的问题。与现有技术相比，本专利技术引入的自适应注意力机制能够调整不同频带下的耦合特征分布，从而提高模型对不同被试样本的适配性。
38、本专利技术还将传统单一频带特征提取转换为跨频带耦合特征提取，进一步增强了特征的代表性，并提升了模型的效能。因此，该方法不仅实现了对心理状态的高效准确检测，而且为不同场景下的检测任务提供了灵活适应性的基础支持。总体而言，本专利技术为心理状态检测领域的研究和应用带来了新的思路和方法，具有重要的科学和实用价值。
本文档来自技高网...【技术保护点】
1.基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于，包括：
2.根据权利要求1所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：对脑电数据进行预处理，包括：
3.根据权利要求2所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：使用高通滤波器进行去除基线处理，排除所述脑电数据中的直流偏移；
4.根据权利要求2所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：通过滑动窗口方法，以5秒为基准将脑电数据分割成短的数据片段。
5.根据权利要求1所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：将高质量脑电信号分解至高频带范围和低频带范围，包括：
6.根据权利要求5所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：并对高频带范围数据和低频带范围数据分别进行子频带选择，包括：
7.根据权利要求6所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：对高频带范围和低频带范围的每个子频带的多通道分
8.根据权利要求1所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：
9.根据权利要求8所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：
10.根据权利要求1所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：根据每个频带耦合特征的唯一表示进行多尺度特征提取，捕捉不同感受野内贡献度高的耦合特征并进行特征增强处理；包括：
...【技术特征摘要】
1.基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于，包括：
2.根据权利要求1所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：对脑电数据进行预处理，包括：
3.根据权利要求2所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：使用高通滤波器进行去除基线处理，排除所述脑电数据中的直流偏移；
4.根据权利要求2所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：通过滑动窗口方法，以5秒为基准将脑电数据分割成短的数据片段。
5.根据权利要求1所述的基于交叉频率耦合和频带注意力机制的心理状态检测方法，其特征在于：将高质量脑电信号分解至高频带范围和低频带范围，包括：
6.根据权利要求5所述的基...
【专利技术属性】
技术研发人员：段立娟，李松，张宝昌，韩笙文，
申请(专利权)人：北京工业大学，
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。