[发明专利]一种基于特征融合和注意力机制的脑电信号分类识别方法

权利要求书

1.一种基于注意力机制的脑电信号分类识别方法，其特征在于，包括以下步骤：

步骤1.将脑电数据进行滤波处理：使用截止频率为0.1Hz-20Hz的8阶巴特沃斯滤波器对脑电信号进行滤波处理；

步骤2.构建网络：使用Keras框架编写基于注意力机制的深度学习网络，其中使用了并行卷积层对脑电信号进行处理，然后通过注意力机制对特征进行选择；在最后进行可分离卷积之前，使用注意力机制进一步增加特征的选择；同时网络中使用深度可分离卷积替换点普通的卷积操作；

步骤3.训练模型：将步骤1中处理好的数据输入步骤2中构建的网络进行训练；

步骤4.将训练好的模型对测试集进行判别，得到脑电信号分类结果；

步骤2具体为：

定义T为输入的脑电信号样本的采样点个数；K为特征融合的并行卷积结构中最大卷积核大小；F1、F2为网络中过滤器个数；D为每个输入通道的深度方向卷积输出通道的数量；此网络分为几个主要的网络层L1～L7和Softmax层；取K＝128，F1＝3，F2＝16，D＝3；

1)L1：使用卷积核分别为(1,K)、(1,K/2)和(1,K/4)、过滤器个数为F1、卷积步长为1、padding方式为same的卷积层对输入信号进行卷积处理，然后将卷积层的输出经过归一化后输出；

2)L2：将1)中产生的三类特征向量按照第一维也就是过滤器维度进行并联，得到一个过滤器个数为3×F1的特征向量；然后添加注意力机制对3×F1个过滤器进行权重分配；

注意力机制的实现表述为：将输入进行全局平均池化，然后通过一个大小为3的全连接层进行降维；在通过elu函数进行激活后，使用大小为3×F1的全连接层升维；然后使用Sigmoid函数进行激活，最终将计算出的特征向量加权分配到此层并联的每一个过滤器上；

3)L3：首先将上层的输出进行标准化，然后使用卷积核大小为(1,64)、过滤器个数为F2×D、步长为1、最大范数权值约束为1的空间卷积进行计算；最后结果经过标准化后输出；

4)L4：使用注意力机制对F2×D个过滤器进行权重分配，此处是第二次使用注意力机制，为了减少网络参数和计算量，此处的注意力通过执行卷积核大小为(1,3)、步长为1、padding方式为same的快速一维卷积来生成通道权重；

5)L5：使用过滤器个数为F2、卷积核大小为(1,16)、步长为1、padding方式为same的深度可分离卷积进一步提取特征，然后经过标准化、激活后输出；

6)L6：使用注意力机制生成权重并对F2×D个过滤器进行权重分配；

7)L7和Softmax：将L6得到的特征通过全连接的方式堆叠起来，整合到Softmax层进行映射，从而得到最终的结果；

整个网络中，每层之间都通过dropout的方式将对应层中节点以0.25的概率进行随机丢弃，以减轻网络的过拟合问题；

其中，注意力机制的具体实现为以下过程：

将特征向量通过全局平均池化计算转化为维度是(3×F1,1,1)的特征向量，然后通过全连接层对此向量进行降维；对降维后的特征向量输入激活函数进行激活操作，其中r为降维倍数，激活函数为relu函数；最后经过全连接层升维到(3×F1,1,1)，经过sigmod函数激活后乘到原始向量；这样就完成了这个注意力过程，相当于为原始向量分配了权重；

步骤3具体为：使用交叉熵函数作为损失函数，使用Adam作为优化器，学习率为5*10-5，批次大小为64；数据的预处理工作在Matlab中进行，随机过采样和神经网络分类模型使用Keras实现；通过早停法优化网络，当网络在验证集上的损失不再下降的时候，停止训练，保存训练结果。

2.根据权利要求1所述的一种基于注意力机制的脑电信号分类识别方法，其特征在于，

步骤1具体为：首先，对信号进行去除基线漂移的处理，然后使用0.1hz～20Hz的8阶巴特沃夫带通滤波器对EEG信号进行滤波；使用随机过采样的方式增强训练数据，即通过随机的复制少数类样本的方式，使得正负样本数量均衡。