【技术实现步骤摘要】
本专利技术属于脑电分析，具体涉及一种自适应子图生成模型构建方法。
技术介绍
1、脑电图(electroencephalography，eeg)是最常见的神经成像技术之一，主要通过放置于头皮的电极记录大脑在进行生理活动时自发产生的的生理电信号。eeg的设备往往便携易操作，具有非侵入性和高可靠性，因而得到广泛的使用。然而，大脑不同的任务通常对应着不同脑区的活动，在执行某一具体任务时，使用全脑的eeg图像反而会降低信噪比，增大任务难度。因此，对特定的任务选择对应的脑区，以此提高解决任务的效率，是该领域目前面临的一个难题。现存的eeg电极通道筛选算法大多依赖神经学和解剖学的先验知识，这给该领域的推广发展带来了极大的阻碍。同时单一刻板的模板化方法难以应对不同的个体之间的差异，使得在部分个体或者群体表现优异的算法在另外的个体或者群体上表现往往不尽人意。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供了一种用于eeg通道筛选的自适应子图生成模型构建方法(a self-adaptive subgraph generation algorithm for eeg channelselection,ssge)，首先将预处理后的脑电信号转化为对应时间长度的eeg频域数据，并对数据z-score标准化以将数据分布转化为正态分布；然后通过一个可训练的邻接矩阵通过改进的图卷积算法重新表征数据特征；接着使用低阶切比雪夫多项式代替传统多项式提高模型训练精度；最终通过多层感知机学习特征的类别信息。训练得到
2、本专利技术解决其技术问题所采用的技术方案包括如下步骤：
3、步骤1：将时序脑电信号转化为频域信号；
4、步骤1-1：将时间长度为t的脑电信号下采样到200hz，采用0-75hz的带通滤波器进行滤波，之后将得到的特征分解为五个频段：delta(1-4hz)、theta(4-8hz)、alpha(8-14hz)、beta(14-31hz)和gamma(31-50hz)；
5、步骤1-2：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；
6、步骤1-3：将步骤1-2得到的特征进行z-score标准化，计算公式如下：
7、
8、
9、
10、其中，u代表样本的均值，xi代表第i个样本，σ2表示样本之间的标准差；
11、将z-score标准化后的特征作为原始数据输入到ssge模型中，每个个体样本x∈rc×5，c表示电极通道的数量；
12、步骤2：动态图卷积算法重建特征；
13、将预定义的邻接矩阵和得到的特征进行特征重组，具体计算公式如下：
14、
15、
16、m＝{mij＝min(dii，djj)|i，j＝1，2，...，c}
17、
18、其中，a，d，m，d∈rc×c，ε＞0；a矩阵表示自定义的可训练邻接矩阵，用于生成电极通道的有子网络连接图；d是由a矩阵的对角线元素而生成的矩阵，对角线矩阵d代表c个电极通道，数字的大小表示电极通道的重要程度；d是每个电极所在行除对角线元素的和的倒数，ε是大于0的任意常数；将d矩阵同a矩阵做矩阵乘法相当于将a矩阵的各个元素分别按其对应行的对角线元素进行归一化；m矩阵是根据对角线元素矩阵d构造一个矩阵，该矩阵任何一个元素都是其行列分别对应的对角线元素中的较小的元素的值；
19、步骤3：利用低阶切比雪夫多项式学习特征；
20、利用切比雪夫多项式学习特征的公式如下所示：
21、
22、
23、其中θk是切比雪夫多项式系数，是经过计算的特征矩阵，k是切比雪夫多项式的阶数，tk(x)表示第第k阶的切比雪夫多项式的项；
24、步骤4：反向传播优化得到脑网络子图；
25、通过反向传播，动态的优化步骤2中预定义的可训练邻接矩阵，得到脑网络子图，反向传播公式如下所示：
26、
27、其中，loss是定义的损失函数，a是邻接矩阵，aij是指a中间第i行j列的元素。其中，loss定义如下所示：
28、
29、l1＝||d||1
30、ltotal＝lce+αl1
31、其中，lce()是指交叉熵损失函数，y表示样本的真实类别，表示样本在模型中的预测类别。l1表示正则化一范数。ltotal是指模型整个的损失函数。
32、步骤5：将步骤4中优化得到的脑网络子图作为邻接矩阵，再次输入ssge模型进行分类预测，得到最终的分类预测结果。
33、优选地，所述切比雪夫多项式系数θk默认为1。
34、本专利技术的有益效果如下：
35、1、本专利技术对于脑电信号分析具有重要意义，gcn模型对图类型数据结构的表征具有得天独厚的优势。相对于其他的方法，ssge能够自适应的生成子图网络，相比于传统依赖于先验经验的通道选择算法具有更好的普适性，实验结果表明，ssge具有良好的性能，选出的子网络能够显著提高分类的结果准确率。
36、2、自适应的生成对于某一具体任务的脑网络具有十分重要的意义。一个更小规模的子网络可以有效的降低输入数据量，进而减少计算量，加快系统的运行速度。除此之外，找出不同的大脑区域位置对应的不同的大脑功能可以帮助我们了解、认知、开发、利用和保护大脑，并将得到的结果同神经生理学实验结果相互佐证，能够同时促进计算机学科和神经病理学学科的发展。
本文档来自技高网...【技术保护点】
1.一种用于EEG通道筛选的自适应子图生成模型构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于EEG通道筛选的自适应子图生成模型构建方法，其特征在于，所述切比雪夫多项式系数θk默认为1。
【技术特征摘要】
1.一种用于eeg通道筛选的自适应子图生成模型构建方法，其特征在于，包括以下步骤：
2.根据权利要...
【专利技术属性】
技术研发人员：张枢，赵奎，史恩泽，岳晨曦，王嘉琪，
申请(专利权)人：西北工业大学，
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。