[发明专利]基于多尺度原型学习的本身可解释的脑电信号分类方法

权利要求书

1.一种基于多尺度原型学习的本身可解释的脑电信号分类方法，其特征在于，包括以下步骤：

步骤1、获取有标签类别的脑电信号数据集，并利用滑动窗划分为N段时长为t的脑电信号片段，得到训练样本集X={X₁, X₂, …, X_n, …, X_N}及其标签集合Y={y₁, y₂, …, y_n,…, y_N}；其中，X_n表示第n个脑电信号样本，且X_n={X_n¹, X_n², …, X_n^c, …, X_n^C}，X_n^c表示第n个脑电信号样本中第c个通道的脑电信号数据，且X_n^c={x_n,1^c, x_n,2^c, …, x_n,r^c, x_n,t×s^c}；x_n,r^c表示第n个脑电信号样本X_n中第c个通道的第r个数据点，r=1, 2, …, t×s，s表示脑电信号的采样率；n=1, 2, …, N；N表示样本数，c=1, 2, …, C；C表示通道数；y_n表示第n个脑电信号样本X_n的真实标签；

步骤2、建立基于多尺度原型学习的本身可解释的分类模型，包括：特征提取模块、多尺度原型学习模块以及分类模块；

所述特征提取模块包含m个特征提取单元，其中，每个特征提取单元依次由一个二维卷积层、一个非线性激活函数和一个最大池化层组成，第i个二维卷积层的步长为s_i、卷积核的尺寸为k_i×k_i，第i个最大池化层的核尺寸为k_i^’×k_i^’，其中，i=1, 2, …, m；

所述分类模块由一个全局最大池化层，不含偏置项的全连接层及激活函数组成；

步骤2.1、初始化权重值：对所述分类模型的二维卷积层、原型层以及全连接层进行参数初始化；

步骤2.2、所述训练样本集X输入本身可解释的分类模型中，并依次经过特征提取模块中的m个特征提取单元后，输出特征序列F={F₁, F₂, …, F_n, …, F_N}，其中，F_n表示第n个脑电信号样本X_n对应的第n张特征图；

步骤2.3、所述特征序列F输入多尺度原型学习模块中进行处理，得到相似度图集合S={S₁, S₂, …, S_n, …, S_N}；

步骤2.4、将相似度图集合S输入所述分类模块中，并依次经过全局最大池化层，不含偏置项的全连接层及激活函数的处理后，得到每个脑电信号样本对应类别的概率；

步骤3、分类模型的训练阶段，包括：所有层的全局优化阶段与原型投影阶段；

步骤3.1、定义当前迭代轮数为epoch，并初始化epoch=1；

步骤3.2、判断当前迭代轮数epoch是否满足式(1)，若满足，则使用Adam优化算法对本身可解释的分类模型进行所有层的全局优化阶段的更新，并更新多尺度原型学习模块中的权值，否则，执行步骤3.3；

(epoch≥e₀)  (epoch%e₁=0)  (1)

式(1)中，e₀表示原型投影阶段的起始迭代轮数，表示逻辑“与”操作符，%表示模运算符，e₁表示原型投影阶段的间隔迭代轮数；

步骤3.3、判断迭代轮数epoch是否满足式(2)，若满足，则使用Adam优化算法对本身可解释的分类模型进行原型投影阶段的更新，并更新分类模型中的每一个权值，否则，执行步骤步骤3.4；

(2)

式(2)中，e_max表示训练过程的最大迭代轮数，||表示逻辑“或”操作符；

步骤3.4、判断迭代轮数epoch=e_max是否成立，若成立，则停止训练更新，并得到最优分类模型；否则，epoch+1赋值给epoch后，返回步骤3.2；

步骤4、利用最优分类模型对任一脑电信号样本进行分类，得到对应类别的概率值，并按照所设的阈值，对概率值进行二值化分类，从而得到最终的分类结果。