一种脑电信号识别方法、装置、介质和设备

本技术涉及脑电信号分类识别，特别涉及一种脑电信号识别方法、装置、介质和设备。背景技术：1、脑电信号是一种由大脑皮层在运动想象任务中产生的电活动。当一个人想象进行某种运动活动时，即使没有实际执行该动作，大脑的运动相关区域仍然会被激活，并产生特定的电信号。这些电信号可以通过脑电图或其他脑成像技术来记录和测量。脑机接口技术作为一种能够利用大脑皮层神经信号控制外围设备的技术，对于帮助运动神经损伤患者进行运动康复或生活辅助具有显著的重要性。在脑机接口技术中，关键问题在于获得高精度的脑电解码结果，这意味着需要从复杂的脑电时间序列中提取明显的特征。2、现有技术中，随着深度学习在脑机接口领域的崛起，图卷积成为提高脑电信号处理性能的重要工具。脑电信号通过电极放置在头皮上来测量大脑神经元的电活动，所采集到的数据通常以多通道形式呈现，每个通道对应于不同的电极位置，记录了神经元之间的电流传递。在脑电信号中，不同通道之间存在复杂的关系和相互作用，图卷积网络作为一种图结构数据处理模型，特别适用于捕捉并建模通道之间的这些复杂关系。3、但是，目前使用图卷积网络对脑电信号进行识别时，可能会忽略各通道间的动态变化关系，导致无法获得更全面、准确的脑电信号特征，从而造成脑电识别的准确率不高。技术实现思路1、基于此，有必要针对上述技术问题，提供一种脑电信号识别方法、装置、介质和设备。2、本说明书采用下述技术方案：3、本说明书提供了一种脑电信号识别方法，包括：4、通过位于不同脑区位置的电极采集多个通道的脑电时间序列，以获得待识别脑电信号；5、构建用于脑电信号识别的识别模型，所述识别模型包括脑功能网络获取层、时空特征提取层和输出层；其中，脑功能网络获取层通过学习各通道之间的联系自适应构造脑功能网络拓扑图；时空特征提取层包括多个堆叠的子时空特征提取层，所述每个子时空特征提取层都包含一个时间卷积层和一个图卷积层，所述时间卷积层和所述图卷积层先后串联；输出层的输入端与每一子时空特征提取层的输出端连接；6、将待识别脑电信号输入识别模型中，在脑功能网络获取层，通过自适应学习不同通道之间的关联性捕捉脑区域之间的复杂关系，以构建脑功能网络拓扑图；在时空特征提取层，通过使用前后串联的时间卷积层和图卷积层交错提取脑功能网络拓扑图的时间特征和空间特征，获得不同脑区在时间和空间变化同步的脑电信号特征；在输出层，将脑电信号特征进行一维平铺后输入至全连接层中进行分类，获得待识别脑电信号的识别结果。7、进一步的，所述图卷积层通过引入注意力机制学习脑功能网络拓扑图中各节点与其邻居节点间的动态权重，具体包括：8、使用修正线性单元激活函数计算各节点的注意力得分eij：9、10、其中，hi和hj分别为节点i和它邻居节点j的特征向量；w代表节点i与其邻居节点j间的权重矩阵；αt代表节点i与其邻居节点j间的求解注意力系数的权重向量；leakyrelu(·)是修正线性单元激活函数；11、采用softmax函数对节点i所有邻居节点的注意力得分进行归一化处理：12、13、其中，aij是归一化后的注意力得分，ni表示节点i的邻居节点集合；14、使用多个独立的注意力机制对节点i进行特征聚合：15、16、hi’是节点i与其邻居节点聚合后所形成的新节点的特征向量，σ(·)是sigmoid激活函数，l代表注意力机制的使用个数。17、进一步的，所述时间卷积层，包括：18、扩张因果卷积层，所述扩张因果卷积层用于对脑功能网络拓扑图中任一节点所对应通道的脑电时间序列进行时序特征聚合：19、20、其中，xi(t)是脑功能网络拓扑图中第i个节点所对应通道的脑电时间序列，t表示第t个时间步，f(·)表示滤波器；s＝{0,2，...，k-1}表示卷积所在的层数，k为总层数，d为控制卷积核的扩张距离的膨胀因子系数；上式通过在多个隐含层设置膨胀因子获取脑电信号数据中的长短期依赖性；21、与每一层扩张因果卷积层输出端连接的门控机制：22、h(s)＝tanh(θ1*x+b)⊙sigmod(θ2*x+c)23、其中，h(s)代表在第s层得到的特征向量，tanh(·)和sigmod(·)分别是激活函数，θ1和θ2分别是可学习的权重向量，b和c是偏置系数，⊙表示点积运算；所述门控机制用于避免特征冗余。24、进一步的，所述脑功能网络获取层，包括：25、降噪层，用于使用4阶巴特沃斯滤波器将待识别脑电信号频带滤波至8-30hz，并使用共平均参考对滤波后的脑电信号进行降噪；26、自适应邻接矩阵学习层，用于使用训练好的自适应邻接矩阵学习模型获得脑电信号所对应的自适应邻接矩阵；27、图结构获取层，用于根据自适应邻接矩阵构建脑功能网络拓扑图g：28、g＝(v,e,aadp)29、其中，v为图的节点集合，e为边集合，aadp为自适应邻接矩阵。30、进一步的，所述自适应邻接矩阵学习模型的训练包括：31、构建自适应邻接矩阵的学习模型：32、33、其中，xi和xj是任意两个通道上的脑电时间序列，i,j∈{1,2,...,n},i≠j，n表示脑电通道的数量；w＝(w1,w2,...wf)是用于训练的权重向量，f表示为每个通道上脑电信号时间序列的总采样数；34、定义所述学习模型的目标函数：35、36、其中，λ为正则化参数；37、通过输入数据集不断迭代训练使目标函数值达到最小，以获得训练好的自适应邻接矩阵的学习模型。38、进一步的，所述子时空特征提取层之间通过残差连接结构进行连接。39、进一步的，所述输出层包括三层全连接层，全连接层之间的传递表达式定义为：40、hv+1＝relu(wt*hv+b)41、其中，wt为权重系数矩阵，b为偏置系数向量，hv表示第v层的输入值，采用relu激活函数对每一层输出结果进行二值化。42、本说明书提供了一种脑电信号识别装置，包括：43、数据获取模块，用于通过位于不同脑区位置的电极采集多个通道的脑电时间序列，以获得待识别脑电信号；44、模型构建模块，用于构建用于脑电信号识别的识别模型，所述识别模型包括脑功能网络获取层、时空特征提取层和输出层；其中，脑功能网络获取层通过学习各通道之间的联系自适应构造脑功能网络拓扑图；时空特征提取层包括多个堆叠的子时空特征提取层，所述每个子时空特征提取层都包含一个时间卷积层和一个图卷积层，所述时间卷积层和所述图卷积层先后串联；输出层的输入端与每一子时空特征提取层的输出端连接；45、识别模块，用于将待识别脑电信号输入识别模型中，在脑功能网络获取层，通过自适应学习不同通道之间的关联性捕捉脑区域之间的复杂关系，以构建脑功能网络拓扑图；在时空特征提取层，通过使用前后串联的时间卷积层和图卷积层交错提取脑功能网络拓扑图的时间特征和空间特征，获得不同脑区在时间和空间变化同步的脑电信号特征；在输出层，将脑电信号特征进行一维平铺后输入至全连接层中进行分类，获得待识别脑电信号的识别结果。46、本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述脑电信号识别方法。47、本说明书提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述脑电信号识别方法。48、本说明书采用的上述至少一个技术方案能够达到以下有益效果：49、在本说明书提供的脑电信号识别方法中，通过前后串联的时间卷积层和图卷积层交错提取脑功能网络拓扑图中包含的时间特征和空间特征，综合考虑了脑电信号在时间和空间上的变化：时间卷积层可以处理各通道脑电时间序列在时间上的变化，以提取脑电信号中的时间特征；图卷积层可以处理脑电信号各通道之间的连接关系，从而获得脑电信号的空间特征，根据脑电信号在时间和空间上的变化能够获得更全面的脑电信号特征。并且通过前后串联的时间卷积层和图卷积层交错提取时序特征和空间特征可以保证在特征提取过程中脑电信号在不同脑区在时间和空间变化是同步的，即提取到了时空变化同步的脑电信号特征，使得所获得的脑电信号特征能够更全面、更准确地描述脑电信号的特性，从而提高脑电识别任务的准确性。