[发明专利]基于图表征和注意力机制的ERP信号检测方法及装置

说明书

本申请涉及一种基于图表征和注意力机制的ERP信号检测方法、装置、计算机设备和存储介质。所述方法包括：获取经预处理后的脑电信号样本；构建用于提取脑电信号特征的卷积循环网络；卷积循环网络包括输入层、图表征层、卷积层、双层长短期记忆层和输出层；卷积层包括选择性内核卷积层，长短期记忆层包括自注意力层；根据脑电信号样本的标签和将脑电信号样本输入到卷积循环网络得到的预测结果对卷积循环网络进行训练，得到训练好的卷积循环网络；将预处理后的待检测脑电信号输入训练好的卷积循环网络，得到待检测脑电信号的ERP信号检测结果。采用本方法能够提高跨被试场景中的ERP检测精度和鲁棒性。

技术领域

本申请涉及脑电信号检测技术领域，特别是涉及一种基于图表征和注意力机制的ERP信号检测方法及装置。

背景技术

脑电信号具有信噪比低、随机性强、非线性高和个体差异大的特点，因此，如何提高脑电信号的信噪比和空间分辨率，并提取出能够进行正确分类识别的最有用的脑电信号特征，是多年来BCI(Brain-Computer Interface，脑-机接口) 研究要解决的重要问题之一。在脑电图(Electroencephalogram，EEG)中存在着很多具有特定波形和相位的事件相关电位(Event-Related Potential，ERP)，如 N200、P300信号等。这些ERP信号与特定事件的响应相关，可以反映人脑对敏感信息的处理过程。

传统的ERP信号检测方法主要是通过线性判别分析(LDA)、支持向量机 (SVM)和逻辑回归(LR)等传统机器学习方法实现分类识别，且已经取得较好的成果，但是手工提取特征容易丢失重要信息，且时间花费大，泛化性能差。与传统的特征提取方法不同，深度学习能在训练数据的驱动下自适应地挖掘高水平的特征，避免了人工特征选择与特征降维，从而提高分类任务的效果。但目前的方法大多采用CNN提取脑电信号的局部空间特征，且在新的被试使用前需要经过长时间的校准实验，因此，对于如何充分利用脑电信号中的全局时空信息，提出抗噪能力更强、鲁棒性更高且能更好的适应不同被试的ERP检测算法仍是一个挑战。

发明内容

基于此，有必要针对上述技术问题，提供一种的基于图表征和注意力机制的ERP信号检测方法、装置、计算机设备和存储介质。

一种基于图表征和注意力机制的ERP信号检测方法，所述方法包括：

获取经预处理后的脑电信号样本；所述脑电信号样本根据通道的信息和采样点的信息进行表示；所述脑电信号样本通过标签进行标记；

构建用于提取脑电信号特征的卷积循环网络；所述卷积循环网络包括输入层、图表征层、卷积层、双层长短期记忆层、自注意力层和输出层；所述卷积层包括选择性内核卷积层；输入层用于分割所述预处理后的脑电信号样本，得到每一时间片段的脑电信号片段；图表征层用于根据通道节点对应关系的分布图将每一所述脑电信号片段表征为具有空间信息的脑电信号图序列；选择性内核卷积层用于提取每一脑电信号图序列中的多尺度空间特征，得到空间特征序列；双层长短期记忆层用于提取经池化后的每一所述空间特征序列得到时间特征序列；自注意力层用于根据所述每一时间特征序列和每一时间特征序列对应的重要性权重，得到时空注意力总特征；输出层用于归一化所述时空注意力总特征，得到所述脑电信号样本的ERP信号检测结果；

根据脑电信号样本的标签和将脑电信号样本输入到所述卷积循环网络得到的预测结果对卷积循环网络进行训练，得到训练好的卷积循环网络；

将预处理后的待检测脑电信号输入所述训练好的卷积循环网络，得到待检测脑电信号的ERP信号检测结果。

在其中一个实施例中，还包括：根据通道节点对应关系的节点分布图，得到无向空间图G＝(E,D)，其中，E表示节点集，表示为E＝{p_i|i＝1,…,C}，p_i表示所述节点分布图第i个节点，C表示脑电信号的通道数；将邻接矩阵定义为一个平方矩阵|E|×|E|，所述邻接矩阵的表达式为：