基于脉冲神经网络和斯托克威尔变换的脑电信号分类方法

本发明涉及脑电信号处理的，更具体地，涉及一种基于脉冲神经网络和斯托克威尔变换的脑电信号分类方法。

背景技术：

1、脑电图（electroencephalogram ，eeg）反映了脑电波的电活动，是评估与大脑相关疾病的最广泛使用的生物电波信号之一。经过多年的实践，医疗专业人员已经能够识别和分类各种脑电图模式。然而，手动分类脑电图信号容易出错，并且需要大量的时间和精力，因此人们开始探索用于脑电图分类的计算模型。

2、脉冲神经网络（spiking neural network，snn）包含具有时序动力学特性的神经元节点、稳态-可塑性平衡的突触结构和功能特异性的网络环路等，深受局部非监督（如脉冲时序依赖可塑性、短时突触可塑性、局部稳态调节等）和全局弱监督（如多巴胺奖赏学习、基于能量的函数优化等）生物优化方法的启发。因此，snn具备强大的时空信息表征、异步事件信息处理和网络自组织学习能力。

3、由于脑电信号的波形复杂，直接使用传统的神经网络来提取脑闹信号的特征信息效果不理想，进而影响脑电信号的识别分类效果；并且，传统的神经网络结构复杂，参数量大，需要消耗巨大的计算资源和存储资源。因此，亟需提出一种计算量小且分类准确的脑电信号分类方法。

技术实现思路

1、本发明为克服上述现有对脑电信号分类时计算量大且分类效果差的缺陷，提供一种基于脉冲神经网络和斯托克威尔变换的脑电信号分类方法，能够快速准确的对脑电信号进行分类。

2、为解决上述技术问题，本发明的技术方案如下：

3、本发明公开了一种基于脉冲神经网络和斯托克威尔变换的脑电信号分类方法，包括：

4、s1：获取若干个健康受试者和抑郁症受试者的不同波长脑电信号图，组成原始数据集；

5、s2：利用斯托克威尔变换法对所述原始数据集进行时频分析，获得相关波长脑电信号图，组成训练数据集；

6、s3：对所述训练数据集进行数据增强，获得增强训练数据集；

7、s4：将所述增强训练数据集输入构建的对抗神经网络模型中，设置总损失函数进行优化，当总损失函数值达到最小值时，获得训练好的对抗神经网络模型及其神经元权重；

8、s5：基于训练好的对抗神经网络模型及其神经元权重，构建脉冲神经网络模型；

9、s6：获取待分类的脑电信号图，输入所述脉冲神经网络模型中进行分类，获得分类结果。

10、优选地，所述不同波长脑电信号图包括波脑电信号图、波脑电信号图、波脑电信号图、波脑电信号图、波脑电信号图和全波段脑电信号图。

11、其中，波脑电信号图对应的波脑电信号的频率范围为1~4hz，波脑电信号图对应的波脑电信号的频率范围为4~8hz，波脑电信号图对应的波脑电信号的频率范围为8~12hz，波脑电信号图对应的波脑电信号的频率范围为13~30hz，波脑电信号图对应的波脑电信号的频率范围为30~40hz，全波段脑电信号图对应的全波段脑电信号的频率范围为1~40hz。

12、优选地，利用斯托克威尔变换法对所述原始数据集进行时频分析，获得相关波长脑电信号图，组成训练数据集，包括：

13、设置采样频率，建立高斯窗函数；将所有不同波长脑电信号图分别与所述高斯窗函数相乘，获得所有不同波长脑电信号图对应的时频图；

14、设置滤波器，对所有不同波长脑电信号图对应的时频图进行滤波，确定相关波长脑电信号图，组成训练数据集。

15、时频分析中最重要的就是对于时频特征的分析，传统的傅里叶变换反映的是信号在频域的整体特征，分析非平稳信号时往往不能满足分析要求。利用托克威尔变换法，将频率引入建立高斯窗函数，使为高斯窗函数随频率变化而变化，即高斯窗的高度和宽度随频率变化，不仅提高了时域和频域的分辨率，还增强了信号特征的局部化和集中化程度，克服了短时傅里叶变化窗口高度和宽度固定的缺陷，实现了对非平稳的脑电信号的准确分析。

16、所述滤波器包括低通滤波器或带通滤波器中；其中，若选择低通滤波器，则以30hz作为截止频率，4阶巴特沃斯滤波器去除肌电噪声和其他高频干扰；若选择带通滤波器，则设置1-40 hz的频率进行滤波。最终确定与抑郁症高度相关的脑电信号的频率，选择相关波长脑电信号图，组成训练数据集。

17、优选地，所述高斯窗函数为：

18、

19、式中，表示高斯窗函数，表示滑动参数，表示第个脑电信号图中的脑电信号频率，表示时刻；

20、获得所有不同波长脑电信号图对应的时频图，包括：

21、

22、式中，表示第个脑电信号图对应的时频图，表示第个脑电信号图中的脑电信号在时间域上的表示，表示虚部。

23、优选地，所述相关波长脑电信号图包括波脑电信号图、波脑电信号图和波脑电信号图。

24、优选地，对所述训练数据集进行数据增强，获得增强训练数据集，包括：

25、s31：随机设置噪声系数；

26、s32：将所述噪声系数与高斯白噪声相乘后，与训练数据集中的任一个相关波长脑电信号图相加，获得对应的加噪相关波长脑电信号图；

27、s33：重复若干次步骤s31-s32，获得所有相关波长脑电信号图对应的加噪相关波长脑电信号图；

28、s34：利用所有加噪相关波长脑电信号图组成增强训练数据集。

29、优选地，所述对抗神经网络模型包括依次连接的生成器、脑电信号分类器和身份分类器；

30、所述生成器包括依次连接的第一全连接层、第一反卷积层、第二反卷积层、第三反卷积层和第四反卷积层；

31、所述脑电信号分类器包括依次连接的2d挤压模块、第一3d挤压模块、第一激励模块、第二3d挤压模块和第二激励模块；

32、所述身份分类器包括依次连接的第三3d挤压模块、第三激励模块、第四3d挤压模块和第四激励模块；

33、所述第一3d挤压模块、第二3d挤压模块、第三3d挤压模块和第四3d挤压模块的结构相同，均包括依次连接的第一卷积层和第二卷积层；

34、所述第一激励模块、第二激励模块、第三激励模块和第四激励模块的结构相同，均包括依次连接的全局池化层、第二全连接层、relu激活函数层、第三全连接层和sigmoid激活函数层。

35、生成器中使用反卷积层进行网络构建，对于输入的低维噪音，需要进行反卷积操作用于获得更多的像素特征，可以对于已添加噪声的输入脑电波信号提取更多电波特征；

36、在脑电信号分类器和身份分类器均采用具有注意机制的se-block组成网络结构，一个3d挤压模块和一个激励模块组成se-block，通过显式地建模通道之间的相互依赖性，自适应地重新校准通道特征响应。

37、优选地，所述总损失函数包括：

38、

39、

40、

41、式中，表示总损失函数，表示抑郁分类损失函数，表示身份分类损失函数，表示权重；表示增强训练数据集中第个加噪相关波长脑电信号图的真实标签，表示增强训练数据集中第个加噪相关波长脑电信号图的预测概率，表示增强训练数据集中第个加噪相关波长脑电信号图属于第个受试者，表示增强训练数据集中第个加噪相关波长脑电信号图属于第个受试者的预测概率，表示受试者总数。

42、可以理解的是，相关波长脑电信号图的真实标签包括处于抑郁发作期和处于非抑郁发作期，其中处于抑郁发作期标记为1，处于非抑郁发作期标记为0，表示抑郁分类是二分类任务。而身份分类损失使对抗神经网络模型提取患者不变特征，而不是单独的特征，使对抗神经网络模型更好地推广到未见过的不同患者，改善对抗神经网络模型跨患者的表现。

43、优选地，基于训练好的对抗神经网络模型及其神经元权重，构建脉冲神经网络模型，包括：

44、建立初始脉冲神经网络模型，所述初始脉冲神经网络模型的网络结构与训练好的对抗神经网络模型的网络结构相同；

45、将所述初始脉冲神经网络模型的relu激活函数层的神经元替换为脉冲神经元，并赋予相应的所述神经元权重，获得脉冲神经网络模型。

46、可以理解的是，脉冲神经元接受来自其他神经元的输入脉冲后进行积分，然后计算膜电位和阈值以及积分值，最终产生输出脉冲；使用lif神经元模型作为脉冲神经元，表达式为：

47、

48、式中，表示神经元的膜时间常数，表示时刻的膜电位，表示膜电位的静息值，表示时刻的输入脉冲，表示电阻；

49、膜电位的重置值的表达式为：

50、

51、式中，表示膜电位的重置值，表示脉冲发射时间，表示重置时间间隔。

52、本发明还提供了一种基于脉冲神经网络和斯托克威尔变换的脑电信号分类系统，基于上述的分类方法，包括：

53、数据获取模块，用于获取若干个健康受试者和抑郁症受试者的不同波长脑电信号图，组成原始数据集；

54、数据分析模块，用于利用斯托克威尔变换法对所述原始数据集进行时频分析，获得相关波长脑电信号图，组成训练数据集；

55、数据增强模块，用于对所述训练数据集进行数据增强，获得增强训练数据集；

56、对抗神经网络模型训练模块，用于将所述增强训练数据集输入构建的对抗神经网络模型中，设置总损失函数进行优化，当总损失函数值达到最小值时，获得训练好的对抗神经网络模型及其神经元权重；

57、脉冲神经网络模型构建模块，用于基于训练好的对抗神经网络模型及其神经元权重，构建脉冲神经网络模型；

58、脑电信号分类模块，用于获取待分类的脑电信号图，输入所述脉冲神经网络模型中进行分类，获得分类结果。

59、与现有技术相比，本发明技术方案的有益效果是：

60、本发明首先获取若干个健康受试者和抑郁症受试者的不同波长脑电信号图，组成原始数据集，利用斯托克威尔变换法进行时频分析，在时间、频率和空间域上提取信号特征，整合有效特征信息，从原始数据集中确定与抑郁症相关的相关波长脑电信号图建立训练数据集，减少后续训练过程的数据量；之后对训练数据集进行数据增强，利用增强训练数据集对构建的对抗神经网络模型进行训练，优化总损失函数，获得训练好的对抗神经网络模型及其神经元权重；最后利用训练好的对抗神经网络模型及其神经元权重，构建脉冲神经网络模型，用于对待分类的脑电信号图进行分类，通过脉冲形式的网络学习和信息传递，降低数据负载和计算量，保证了分类精确度。