买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东北林业大学

摘要：本发明的有益成果：本发明综合考虑当前的深度学习模型没有充分利用空间、频域和时间特征之间的互补关系，影响了模型的分类的准确率。为解决该问题，本文提出了基于特征图像序列与时间序列的时空特征融合网络SFFNet用于脑电抑郁症识别。在EEG数据方面充分考虑EEG在受试者之间的差异性，从EEG中识别具有判别能力的稳健特征，对数据窗口化后，使用信号通道在大脑空间中拓扑结构与其电压密度构造特征矩阵图并将多频段的特征图进行通道叠加，组成多通道特征图序列，并将与其对应的窗口化EEG时间序列用作时间特征提取。利用SFFNet中的SCCN与LGTN网络模块对相关的特征进行提取，使用PAM与SWAM注意力模块对提取的特征进行特征融合，实现EEG的多特征互补融合，提高了网络在多特征上的学习能力与网络识别的精准度。

主权项：1.一种多特征序列时空特征融合学习的脑电信号抑郁症检测方法，其特征在于，包括如下步骤：步骤1：对数据进行预处理同时使用设计的算法对其进行特征提取；步骤2：构建针对本发明设计的序列权重注意模块的时空特征融合网络结构SFFNet；步骤1具体包括如下步骤：步骤1.1：选择50Hz陷波滤波器对信号进行首次滤波；步骤1.2：选择四阶巴特沃斯带通滤波器对第二阶段的信号进行滤波；步骤1.3：采用快速独立分量分析fastICA去除眼电信号和肌电信号伪影；步骤1.4：将选取的19通道脑电信号无重叠窗口化为60份1秒的时间序列；步骤1.5：采用频域上的离散傅里叶变换DFT，将EEG信号转换为频域的相关信息，将频域划分频带,导出各个频带各个通道的电压密度，其公式为： 其中i是通道数，xi[n]是离散时间信号,Xi[k]是信号在频域上的离散傅里叶变换。k是离散频率索引，N是信号的长度。以下是电压密度计算过程，我们给定通道的信号Xi[k]的离散傅里叶变换结果为：Xi[k]＝[X0,X1,X2,...,XN-1]其中N是信号的长度。频域信号Xi[k]的幅度谱绝对值谱Zi[k]可表示为：Zi[k]＝∣Xi[k]∣＝[∣X0∣,∣X1∣,∣X2∣,...,∣XN2∣]上述公式中，[X0,X1,X2,...,XN2]是频率分量对应的复数值，而[|X0|,|X1|,|X2|,...,|XN2|]则是对应的振幅值，即幅度谱。最后计算δ波、θ波、α波、β波和γ波五个频段的电压密度为： 上述公式中j为对应频段索引，Vi[j]为电压密度，’band_start'与’band_end'为对应频段的开头与结尾；把已得到的Vi[j]数据进行编排其中V为电压密度，i为对应通道数，j为对应频段索引。提取特征后映射为第n次EEG试验的多频段通道的特征图像Gn∈RH×W×J，转换为多频段通道的特征图像的转换函数为： 步骤2具体包括如下步骤：步骤2.1：把EEG时间序列则输入到LGTN中的多尺度时间卷积层，层中时间卷积核的长度我们设置为EEG采样率fs的不同比例。这个比例系数记为ak，其中k表示时间卷积层的级别，k的取值从1变化到ka＝0.5，k＝3。因此，第k层的T个核的大小可以表示为具体公式为： EEG信号在经过多尺度卷积后输入进长短期记忆递归神经网络；步骤2.2：使用空间组件智能卷积网络SCCN来学习脑电信号中的时序和空间相关性，结构如图3所示在空间域对数据进行过滤；步骤2.3：在SCCN模块之后使用空间注意模块PAM来处理局部特征并建立上下文关系模型。对于LGTN模块之后使用以双重注意模块为基础改进的序列权重注意模块SWAM。设L为序列输入集合，可定义为：L＝{L1,L2,…,LD}其中D表示EEG序列通道。置换层实现集合L的维度转换，得到集合L′。将集合L′通过softmax层，得到序列权重注意矩阵Y′，可以表示为： 通过置换层实现矩阵Y′i的量纲转换，得到矩阵Yi。然后，将结果乘以比例参数β，并与L执行逐元素求和运算，以获得最终输出：

全文数据：

权利要求：

百度查询： 东北林业大学 一种多特征序列时空特征融合的脑电抑郁检测方法