[發明專利]一種基于Transformer腦區時序分析的DRDS腦電信號識別方法

在審

• 申請號: 202211588317.2
• 申請日: 2022-12-12
• 公開（公告）號: CN115844425A
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 沈麗麗;孫乾龍;孫明陽
• 申請（專利權）人: 天津大學
• 主分類號: A61B5/372
• 分類號: A61B5/372;A61B5/00;A61B5/378
• 代理公司: 北京保識知識產權代理事務所(普通合伙) 11874
• 代理人: 黃駿

本發明公開了一種基于Transformer腦區時序分析的DRDS腦電信號識別方法，涉及腦電信號識別技術領域。本發明包括如下步驟：對受試者的EEG數據進行預處理，將預處理后的EEG信號進行切片，作為網絡的輸入樣本；使用時間卷積和維度變換提取EEG信號的特征，將提取的特征送入包含Transformer Encoder結構的腦區Transformer模塊提取空間特征；將空間特征進行轉置，送入包含Transformer Encoder結構的時序Transformer模塊進行全局自注意力特征提取，提取時序特征；構建時空多尺度卷積融合模塊，得到高級EEG時空特征，完成EEG信號的分類。本發明有效地利用了腦電信號電極之間的空間聯系，充分挖掘上下文之間的時序信息，提高了分類準確率。

本發明涉及腦電信號識別技術領域，尤其涉及一種基于Transformer腦區時序分析的DRDS腦電信號識別方法。

背景技術

立體視覺作為一項重要的視功能生理指標，它是我們進行良好的運動控制與準確的立體認知的關鍵，在醫學角度，立體視覺體現于立體視敏度，即觸發立體知覺的最小視差。近年來，立體視覺的相關研究多數以靜態立體圖水平視差或基于變化的速度、視差等的立體深度運動為研究對象，很少有基于深度動態隨機點立體圖(Dynamic Random DotsStereogram,DRDS)的識別研究。相關研究證明，立體場景下物體運動與立體視覺息息相關。立體視覺研究可以借助精密的采集設備，得到被試的各類生理電信號，然后設計信號特征提取方法進一步分析得出更具一般性和客觀性的結果。在立體視覺認知過程中，一些研究者聚焦在能客觀體現被試意圖的生理指標，包括：血壓值，心率值，眼電信號，肌電信號，心電信號，大腦活動量等。近年來，對大腦活動量的研究主要使用的方法有：正電子放射斷層造影，腦磁圖，功能性核磁共振成像，腦電(Electroencephalography,EEG)等。在上述方法中，EEG作為一種無創的，高時間分辨率的技術，被廣泛應用于立體視覺識別領域。但是，腦電信號十分微弱且存在信息冗余，具有非平穩性和非線性。因此，與其它信號相比，EEG信號的分析與處理技術對獲得準確的識別分類結果至關重要，基于深度動態隨機點立體圖的EEG信號研究具有更加重要的意義。

傳統的機器學習EEG信號分類方法一般由手工特征提取和分類兩個階段組成。在特征提取方面，主要的方法有，采用無重疊漢寧窗的短時傅里葉變換提取時頻EEG特征；利用Welch的方法捕獲功率譜密度作為頻率特征；利用濾波器組公共空間模式捕捉EEG的最優空間特征；或者利用功能連接構建大腦特征空間進行分析。EEG信號經過特征提取后，將得到的腦電特征送入線性判別分析、隨機森林或支持向量機分類器進行分類。

近年來，深度學習因為能夠自動從原始數據中獲得更深層的內在特征表示，在自然語言處理、計算機視覺、語音識別等領域顯示出了巨大的潛力。此外，深度學習也被應用到EEG信號分類任務中，并取得很大的性能提升。如今，深度學習算法已經廣泛應用于計算機視覺、自然語言處理、EEG信號識別等許多方面。在EEG識別領域，基于深度學習的方法能夠將傳統的特征提取和分類過程合并，通過神經網絡以數據驅動的方式自動地實現EEG分類。從信號識別的通用性和準確性來說，基于深度學習的腦電信號識別方法具有巨大優勢。考慮到EEG信號在時間維度是連續的序列信號，電極分布在不同的空間位置，提取高質量的時空特征是正確表征EEG信號的基礎，鑒于此，本發明提出了一種基于Transformer腦區時序分析的DRDS腦電信號識別方法。

發明內容

1、本發明要解決的技術問題

本發明的目的在于提供一種能夠較好地進行DRDS腦電信號識別的深度學習算法。

2、技術方案

為實現上述目的，本發明提供如下技術方案：

一種基于Transformer腦區時序分析的DRDS腦電信號識別方法，包括以下步驟：

S1、對受試者的EEG數據進行預處理，將預處理后的EEG信號進行切片，作為網絡的輸入樣本；