[發明專利]腦電信號分類方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202010124738.4
• 申請日: 2020-02-27
• 公開（公告）號: CN111317468A
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 王新民;鄭青青;洪曉林;馬鍇;鄭冶楓
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: A61B5/0476
• 分類號: A61B5/0476;A61B5/00
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 唐彩琴;毛丹

1.一種腦電信號分類方法，所述方法包括：

獲取待分類腦電信號；

對所述待分類腦電信號提取多個目標頻段的信號特征，得到各個所述目標頻段對應的頻段特征；所述目標頻段是與所述待分類腦電信號對應的目標用戶標識相對應的頻段；

獲取各個所述頻段特征對應的目標權重，分別根據各個所述頻段特征對應的目標權重，得到各個所述頻段特征各自對應的目標頻段的目標分類特征；

根據各個所述目標分類特征進行分類處理，得到所述目標用戶標識對應的所述待分類腦電信號的分類結果。

2.根據權利要求1所述的方法，其特征在于，所述對所述待分類腦電信號提取多個目標頻段的信號特征，得到各個所述目標頻段對應的頻段特征包括：

獲取所述目標用戶標識對應的機器學習模型；所述機器學習模型為根據所述目標用戶標識對應的訓練樣本訓練得到的；

將所述待分類腦電信號輸入所述機器學習模型中；所述機器學習模型包括多個不同尺度的時間卷積層；

通過所述多個不同尺度的時間卷積層分別對所述待分類腦電信號在時間維度進行卷積，得到各個所述目標頻段對應的頻段特征。

3.根據權利要求2所述的方法，其特征在于，所述機器學習模型還包括注意力分配網絡；所述獲取各個所述頻段特征對應的目標權重，分別根據各個所述頻段特征對應的目標權重，得到各個所述頻段特征各自對應的目標頻段的目標分類特征包括：

將各個所述目標頻段對應的頻段特征輸入所述注意力分配網絡中；

在所述注意力分配網絡中，分別獲取各個所述頻段特征對應的注意力權重，分別根據各個所述頻段特征對應的注意力權重，得到各個所述頻段特征各自對應的目標頻段的目標分類特征。

4.根據權利要求3所述的方法，其特征在于，所述將各個所述目標頻段對應的頻段特征輸入所述注意力分配網絡中包括：

拼接各個所述頻段特征，得到第一頻段融合特征；

將所述第一頻段融合特征輸入所述注意力分配網絡中；

所述在所述注意力分配網絡中，分別獲取各個所述頻段特征對應的注意力權重，分別根據各個所述頻段特征對應的注意力權重，得到各個所述頻段特征各自對應的目標頻段的目標分類特征包括：

在所述注意力分配網絡中，分別獲取所述第一頻段融合特征中與各個所述頻段特征對應的子特征的子注意力權重，分別根據各個所述頻段特征對應的子注意力權重，得到各個所述頻段特征各自對應的目標頻段的目標分類特征。

5.根據權利要求4所述的方法，其特征在于，所述注意力分配網絡包括第一池化層、第一卷積層、第二卷積層以及激勵函數層；所述分別獲取所述第一頻段融合特征中與各個所述頻段特征對應的子特征的子注意力權重，分別根據各個所述頻段特征對應的子注意力權重，得到各個所述頻段特征各自對應的目標頻段的目標分類特征包括：

在所述第一池化層對所述第一頻段融合特征進行全局平均池化，得到池化特征；

在所述第一卷積層對所述池化特征進行壓縮處理；

在所述第二卷積層將壓縮處理后的所述池化特征的維度調整至與所述池化特征向量一致；

將調整后的所述池化特征輸入所述激勵函數層，得到所述第一頻段融合特征中與各個所述頻段特征對應的子特征的子注意力權重，并將各個所述子注意力權重與各自對應的子特征相乘，得到各個所述目標頻段的目標分類特征，各個所述目標分類特征用于拼接得到第二頻段融合特征。

6.根據權利要求5所述的方法，其特征在于，所述根據各個所述目標分類特征進行分類處理，得到所述目標用戶標識對應的所述待分類腦電信號的分類結果包括：

對所述第一頻段融合特征及所述第二頻段融合特征進行相加，得到目標頻段融合特征；

在所述機器學習模型的空間卷積層，對所述目標頻段融合特征進行空間卷積，得到中間特征；

根據所述中間特征進行分類處理，得到所述目標用戶標識對應的所述待分類腦電信號的分類結果。