[发明专利]基于多尺度脑功能网络分类脑电信号的方法

权利要求书

1.一种基于多尺度脑功能网络分类脑电信号的方法，包括下列步骤：

1)数据获取：采集静息状态下的脑电信号，并进行预处理；

2)计算多尺度时间序列：对经过预处理的各导联时间序列进行多尺度化处理，获得广义多尺度粗粒化时间序列，具体为，针对预处理后具有N个采样点x的单导联一维离散时间序列基于相邻的τ个采样点的一阶矩、二阶矩或三阶矩计算τ个多尺度粗粒化时间序列

3)构建多尺度脑功能网络：以脑电信号各导联间的幅值相关程度与相位相关程度为量化标准，计算多尺度加权脑功能网络；

4)构建可学习多尺度脑功能网络的多尺度卷积神经网络：将多尺度加权脑功能网络分别作为多尺度卷积神经网络各路通路的信息源，产生多尺度决策，设计可对多尺度决策进行信息融合的决策门，方法为：

步骤4.1)：构建自编码神经网络，训练该神经网络得到预训练网络参数；

步骤4.2)：设计由多通路卷积神经网络组成的多尺度神经网络，以步骤3)得到的多尺度加权脑功能网络作为各通路的输入，构成可同时学习多尺度信息的学习机；

步骤4.3)：以步骤4.1)得到的预训练网络的浅层神经元的参数初始化各通路卷积神经网络的浅层神经元；

步骤4.4)：构建模糊神经网络，以原始脑电信号作为模糊门控的输入，构造其产生τ个输出，以此作为对多通路卷积神经网络的τ个输出结果进行决策融合时的权值，进而得出最终决策结果；

5)神经网络训练：以各卷积神经网络通路产生的决策误差的互相关程度作为惩罚项、惩罚损失函数，加速神经网络决策，降低泛化误差。

2.根据权利要求1所述的方法，其特征在于，2)中针对预处理后具有N个采样点x的单导联一维离散时间序列基于相邻的τ个采样点的一阶矩计算τ个多尺度粗粒化时间序列

3.根据权利要求1所述的方法，其特征在于，3)步骤如下：

步骤3.1)：面向尺度k，1≤k≤τ，下的粗粒化时间序列，基于各导联脑电信号间的相位差进行相位相关性计算，即，刻画两导信号在相同频段下的、实时相位差的相关性；

步骤3.2)：面向尺度k下的粗粒化时间序列，基于各导联脑电信号的幅值进行能量相关性计算，即，刻画两导信号在相同频段下的、信号能量波动模态上的相关性；

步骤3.4)：以上述计算得到的多导联脑电信号间的相位、幅值相关程度作为量化标准，分别计算尺度k下的幅、相空间的加权邻接矩阵，构成2^τ个多尺度幅、相加权脑功能网络。

4.根据权利要求1所述的方法，其特征在于，5)的步骤如下：

步骤5.1)：设计神经网络误差反传结构，采用式(2)的方法计算多尺度神经网络的误差E，其中，graph_k是第k尺度脑功能网络；l_k是第k尺度卷积神经网络通路的输出，C_real是脑电信号的真实类别；

步骤5.2)：设计损失函数，以各通路卷积神经网络决策结果的误差的相关性作为损失函数的惩罚因子Ω，附加至损失函数Loss中，正则惩罚项Ω的计算方式如式(3)-(5)所示：首先，计算模糊神经网络的决策融合输出O_fusion，其中，f_k是模糊门控单元产生的τ个输出，用其对τ个决策分别加权，它是卷积神经网络的后验分布，c_k表示第k个决策模型；o_k表征第k个决策模型c_k的输出：

其次，计算各通路卷积神经网络决策结果o_k同最终决策结果的误差ψ_k：

ψ_k＝o_k-O_fusion (4)

最后，构成如公式(5)的正则惩罚项Ω，其中，为第k₁与第k₂通路决策结果同最终决策结果间的误差的相关性，求τ个决策误差两两间相关性的均值，用介于0、1之间的控制参数λ，控制学习过程中对“去相关性”的偏好程度；

将上述正则惩罚项Ω附加至式(6)所示的损失函数中，其中，L表示代价函数，用模糊门控单元产生的τ个输出f_k进行加权求和构成总损失：

5.根据权利要求1所述的方法，其特征在于，在5)的训练多尺度神经网络过程中，多通路卷积神经网络中的参数与模糊门控单元中的参数一同在该损失函数的驱动下参与训练，构成包括单尺度决策与多尺度信息融合在内的完整学习机。