[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

说明书

本发明公开了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，其步骤包括：1对数据集中的原始脑电信号进行预处理，包括通道选择、切片分割；2建立基于多尺度原型学习的本身可解释的脑电信号分类模型，初始化网络参数；3设计损失函数，建立分类模型优化目标；4输入数据对网络进行训练，优化网络参数，获得最优分类模型。本发明相对现有脑电信号分类方法，能够在高分类准确率的条件下提供本身可解释的证据，从而提升脑电信号在医疗等领域中的应用价值。

技术领域

本发明涉及脑电信号处理及深度学习可解释性领域，具体的说是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。

背景技术

脑电信号(EEG，Electroencephalography)是一种大脑神经活动产生的自发性电位活动，能够反映受试者的脑部状态，因此有效的脑电信号分类方法可以极大的提高脑电信号在医疗等领域中的应用价值，具有重大的研究意义。

近年来，由于深度学习能够自动提取具有高区分度的特征，人们将其广泛应用于脑电信号分类中。常见的脑电信号分类网络结构有卷积神经网络、循环神经网络等。深度学习通过数据驱动的方式，驱动人工神经网络自动提取信号中的特征，从而实现分类，并在脑电信号分类中取得了较好的分类效果。然而，深度学习的黑盒属性使其牺牲了可解释性，在实际应用中令用户无法直接信任其分类结果。尤其在医疗领域中，当模型对人类健康等重要任务给出预测和决策结果时，无法解释的深度学习模型会给病患带来严重安全隐患。因此，如何建立可解释的脑电信号分类深度学习模型成为本领域急需解决的一个挑战。

深度学习可解释性可大致分为两类：事后解释与本身可解释。现有脑电信号分类可解释方法专注于事后解释，事后解释是指在模型训练好之后再对其进行解释，不改变其原有模型结构及优化过程。然而，事后解释方法易受信号噪声干扰，导致所得解释本身准确性及可信赖度不足，不能从根源解决模型黑盒属性问题。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出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，以期通过设计本身可解释的深度学习模型，在提升脑电信号分类准确率的同时提供本身可解释的决策依据，而能提升脑电信号在医疗等领域中的应用价值。

本发明为达到上述发明目的，采用如下技术方案：

本发明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的特点在于，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；