[发明专利]一种基于注意力机制和卷积神经网络的脑电信号分类方法

说明书

本发明公开了一种基于注意力机制和卷积神经网络的脑电信号分类方法，设采集n个通道的脑电信号为X_n(t)，对正常状态和异常状态的脑电信号，每2s时长截取一段脑电信号作为一个分类样本x_n(t)；对分类样本x_n(t)中每一个通道进行短时傅里叶变换，以行表示时域，列表示频域，得到n个时频域矩阵；时频域矩阵中的元素为复数，对时频域矩阵中的每一个元素取模值，得到实数域的STFT矩阵；把实数域的STFT矩阵变换为以颜色表示幅值大小的图片；将变换后的图片输入ResNet‑50卷积神经网络中进行特征提取，实现脑电信号分类。本发明方法可以大大提高癫痫患者在正常状态和异常状态的脑电信号的分类正确率。

技术领域

本发明属于信号处理技术领域，具体涉及一种基于注意力机制和卷积神经网络的脑电信号分类方法。

背景技术

脑电图(脑电信号)是一种测量脑电活动的非侵入性工具，它包含了大量有关脑功能的信息。因此，脑电图信号在脑疾病的诊断中具有重要价值，以往的研究表明，脑电图信号是非线性、非平稳的随机过程。在过去的几十年里，人们提出了各种各样的方法来检测脑电图信号。这些研究使用的方法也非常多样化。目前，已有的分类算法脑电信号分类正确率还不够高，并且对不同的脑电信号，分类效果不同，不具有普适性。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于注意力机制和卷积神经网络的脑电信号分类方法，大大提高脑电信号的分类正确率。

本发明采用以下技术方案：

一种基于注意力机制和卷积神经网络的脑电信号分类方法，包括以下步骤：

S1、设采集n个通道的脑电信号为X_n(t)，对正常状态和异常状态的脑电信号，每1～2s 时长截取一段脑电信号作为一个分类样本x_n(t)；

S2、对分类样本x_n(t)中每一个通道进行短时傅里叶变换，以行表示时域，列表示频域，得到n个时频域矩阵；

S3、时频域矩阵中的元素为复数，对时频域矩阵中的每一个元素取模值，得到实数域的 STFT矩阵；

S4、把实数域的STFT矩阵变换为以颜色表示幅值大小的图片；

S5、将步骤S4变换后的图片输入添加有频域注意力机制的ResNet-50卷积神经网络中进行特征提取，实现脑电信号分类。

具体的，步骤S1中，异常状态的脑电信号特征是在部分或整个大脑区域出现异常的电活动，包括棘波、锐波、尖慢复合波或尖慢复合波形脑电图信号。

具体的，步骤S5中，ResNet-50卷积神经网络包含50层卷积神经网络，以残差网络框架进行学习，在每个残差模块结束后，加入频域注意力机制，ResNet-50卷积神经网络输出为 1*2048的一维特征，再经过全连接层和softmax层，输出两种种类的可能性的概率，取其中最大的概率为信号样本种类的分类判断。

进一步的，设残差模块输出的特征矩阵为w行h列的特征矩阵Y，定义频域注意力机制的引入为对Y中每一个列向量y＝[y₁ y₂ ... y_w]^T进行计算如下：

f(y_i,y_j)＝exp(y_iy_j)