【技术实现步骤摘要】
本专利技术涉及脑电信号识别领域，具体涉及基于神经影像学先验的动态图卷积的脑电认知负荷分析方法及系统。
技术介绍
1、认知负荷是对工作状态下脑力资源占用率的表征，过高的认知负荷会造成快速疲劳、人误增加和挫败情绪，引起信息获取分析的失误和决策错误，更严重的可能导致人因事故、引发安全风险。
2、近年来，脑机接口技术（bci）成为了前沿科技研究的热点技术；其中，非侵入式脑机接口具有易采集、无创性等特点，已逐渐成为bci技术研究的主要方向。脑电信号（eeg）作为非侵入性的神经生理测量手段，具有良好的时间分辨率，直接反映大脑活动，与非生理信号相比，在认知负荷评估研究中具有先天优势。
3、基于机器学习的脑电信号认知负荷检测主要基于特征的方法对eeg信号进行解码，通常使用手工制作的和先验选择的特征用于表征数据，由于特征冗余度较高，使得识别的准确率较低。随着深度学习的火热发展，越来越多的研究者也开始将注意力转向了深度学习，期望其能发挥自动提取特征的优势，提取与认知负荷相关的脑电特征。目前，大部分深度学习的脑电认知负荷检测方法都是基于卷积神经网络模型，而其更适合于处理规律有序的欧氏空间数据。
4、近年来，在处理图结构数据上，图卷积神经网络(gcnn)显现出优越性，gcnn为图中不同节点间的内在关系提供了一种有效的描述方法，也为分析多通道脑电提供了一种新的方法。在图空间中，不同的脑电通道代表不同的节点，节点的分布继承了脑电通道的原始分布，通过节点之间的交互，可以获得更大的感受野，与大脑的结构非常匹配。
技术实现思路
1、为了解决现有技术所存在的问题，本专利技术提供了一种基于神经影像学先验的动态图卷积的脑电认知负荷分析方法及系统，通过多尺度时空注意力空洞卷积和动态图卷积，有效地获取与认知负荷更为相关的通道及时间段的特征，学习在认知负荷任务中脑电通道的关联关系，提高了认知负荷评估分析的准确度，解决了脑电信号在跨被试应用中准确率低、泛化性差等问题。
2、本专利技术认知负荷分析方法所采用的方案为：一种基于神经影像学先验的动态图卷积的脑电认知负荷分析方法，包括以下步骤：
3、对原始脑电数据进行预处理，获得真实反映受试者大脑应对突发事件处理过程的样本数据；
4、对所述样本数据进行标签处理，以过滤对认知负荷分析任务分类造成干扰的噪声样本；
5、构建留一受试者的跨被试数据集；
6、搭建基于神经影像学先验的动态图卷积的脑电认知负荷分析模型，实现对脑电认知负荷的分析；
7、在脑电认知负荷分析模型对脑电认知负荷的分析过程中，通过多尺度时空注意力空洞卷积模块，建模各个脑电通道和时间特征之间的重要性，从脑电信号中提取与认知负荷相关的多尺度的特征信息；基于神经影像学先验，构造和初始化关于脑电电极的邻接矩阵；通过动态图卷积网络模块，建模大脑不同区域之间的功能交互，动态学习邻接矩阵，研究脑电认知负荷的内在连接，输出学习内在连接后的特征信息。
8、优选地，多尺度时空注意力空洞卷积模块包括三层依次连接的特征提取层，每层特征提取层包括空洞卷积层、通道注意力机制层和空间注意力机制层；
9、空洞卷积层用于获取多尺度特征信息，提取脑电通道的认知负荷表征信息；
10、通道注意力机制层用于对空洞卷积层输出的特征信息进行处理，获取带有通道注意力分配的脑电特征；
11、空间注意力机制层用于对带有通道注意力分配的脑电特征进行处理，得到带有空间注意力分配的脑电特征。
12、进一步优选地，通道注意力机制层包括平均池化层、最大池化层和共享卷积网络，共享卷积网络分别与平均池化层、最大池化层连接；
13、经过空洞卷积层提取的每一脑电通道的认知负荷表征信息，分别通过平均池化层和最大池化层聚合在时间维度上的特征信息，获得每一脑电通道的平均池化系数和最大池化系数；共享卷积网络对平均池化系数和最大池化系数进行系数映射及求和运算，得到脑电通道关于认知负荷任务的注意力权值。
14、进一步优选地，空间注意力机制层包括平均池化层、最大池化层、二维卷积层和sigmoid函数，对带有通道注意力分配的脑电特征分别使用平均池化层和最大池化层聚合在通道维度上的特征信息，获得平均池化系数和最大池化系数；拼接平均池化系数和最大池化系数，经过二维卷积层降至一维，再经过sigmoid函数激活，获得带有通道注意力分配的脑电特征关于认知负荷任务的空间注意力权值。
15、优选地，所述基于神经影像学先验，构造和初始化关于脑电电极的邻接矩阵，包括：
16、将每两个脑电电极相连的线段定义为边，并定义边连接强度用于衡量不同脑电电极之间的功能连接强度；
17、将脑电电极位置映射到皮质层，获得每个电极在皮质层的mni坐标；通过mni坐标计算脑电电极之间的距离，将所述映射得到脑电电极之间的边连接强度；
18、根据功能神经影像学中观察到的与认知负荷相关的显著收敛的大脑皮层区域，以及基于显著收敛的大脑皮层区域总结得到的大脑皮层核心网络，所述大脑皮层核心网络包括核心皮层节点及节点之间的连接关系，选择属于核心皮层节点的电极；根据核心皮层节点之间的连接关系，确定脑电电极两两之间的连接关系，以构成基于脑电电极的功能连接网络；对于功能连接网络之外的边，将边连接强度设置为0，以初始化关于脑电电极的邻接矩阵。
19、优选地，所述动态图卷积网络模块，包括依次连接的第一图卷积层、第二图卷积层以及全局相加图池化；定义图结构作为第一图卷积层的输入，第二图卷积层的输出与全局相加图池化层连接；
20、所定义的图结构为，其中是图结构中节点的集合，每个节点 v i对应一个脑电电极，； w为初始化邻接矩阵，用于描述节点之间的连接关系； e为特征集，初始化为与认知负荷相关的多尺度的特征信息；
21、动态图卷积网络模块对所定义的图结构进行图卷积、全局池化操作，以实现邻接矩阵和认知负荷的内在连接的动态学习，优化每个节点的特征信息以及节点之间的连接关系。
22、进一步优选地，图卷积运算的滤波函数被设计为：
23、；
24、其中，是一个对角矩阵，是傅立叶系数的向量，；
25、与认知负荷相关的多尺度的特征信息 f '通过滤波函数滤波后得到输出 fout的过程，被表示为如下式卷积运算过程：
26、；
27、 本文档来自技高网...
【技术保护点】
1.一种基于神经影像学先验的动态图卷积的脑电认知负荷分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的脑电认知负荷分析方法，其特征在于，多尺度时空注意力空洞卷积模块包括三层依次连接的特征提取层，每层特征提取层包括空洞卷积层、通道注意力机制层和空间注意力机制层；
3.根据权利要求2所述的脑电认知负荷分析方法，其特征在于，通道注意力机制层包括平均池化层、最大池化层和共享卷积网络，共享卷积网络分别与平均池化层、最大池化层连接；
4.根据权利要求2所述的脑电认知负荷分析方法，其特征在于，空间注意力机制层包括平均池化层、最大池化层、二维卷积层和sigmoid函数，对带有通道注意力分配的脑电特征分别使用平均池化层和最大池化层聚合在通道维度上的特征信息，获得平均池化系数和最大池化系数；拼接平均池化系数和最大池化系数，经过二维卷积层降至一维，再经过sigmoid函数激活，获得带有通道注意力分配的脑电特征关于认知负荷任务的空间注意力权值。
5.根据权利要求1所述的脑电认知负荷分析方法，其特征在于，所述基于神经影像学先验，构造和初始化关于脑
6.根据权利要求1所述的脑电认知负荷分析方法，其特征在于，所述动态图卷积网络模块，包括依次连接的第一图卷积层、第二图卷积层以及全局相加图池化；定义图结构作为第一图卷积层的输入，第二图卷积层的输出与全局相加图池化层连接；
7.根据权利要求6所述的脑电认知负荷分析方法，其特征在于，图卷积运算的滤波函数被设计为：
8.根据权利要求6所述的脑电认知负荷分析方法，其特征在于，全局相加图池化层将第二图卷积层输出的关于认知负荷的特征进行全局相加图池化，以聚合不同节点上的特征信息，作为动态图卷积网络模块的输出Goutput：
9.根据权利要求8所述的脑电认知负荷分析方法，其特征在于，动态学习邻接矩阵过程中，使用以下规则更新最优的邻接矩阵W：
10.一种基于神经影像学先验的动态图卷积的脑电认知负荷分析系统，其特征在于，包括以下模块：
...【技术特征摘要】
1.一种基于神经影像学先验的动态图卷积的脑电认知负荷分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的脑电认知负荷分析方法，其特征在于，多尺度时空注意力空洞卷积模块包括三层依次连接的特征提取层，每层特征提取层包括空洞卷积层、通道注意力机制层和空间注意力机制层；
3.根据权利要求2所述的脑电认知负荷分析方法，其特征在于，通道注意力机制层包括平均池化层、最大池化层和共享卷积网络，共享卷积网络分别与平均池化层、最大池化层连接；
4.根据权利要求2所述的脑电认知负荷分析方法，其特征在于，空间注意力机制层包括平均池化层、最大池化层、二维卷积层和sigmoid函数，对带有通道注意力分配的脑电特征分别使用平均池化层和最大池化层聚合在通道维度上的特征信息，获得平均池化系数和最大池化系数；拼接平均池化系数和最大池化系数，经过二维卷积层降至一维，再经过sigmoid函数激活，获得带有通道注意力分配的脑电特征关于认知负荷任务的空间注意力权值。
5.根据...
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。