一种基于预训练-微调和时空拓扑解耦的脑电分类方法

本技术属于脑电信号处理，尤其涉及一种基于预训练-微调和时空拓扑解耦的脑电分类方法。

背景技术：

1、脑电信号通过分布于头皮不同位置的电极记录神经电活动，具有时间分辨率高、采集方式灵活等特点。同一时间点不同电极之间的协同变化能够反映空间同步关系，不同时间点和不同电极之间的延迟变化能够反映神经活动的传播关系。因此，对脑电信号中的空间连接和时间传播进行联合建模，是形成有效脑电表征的重要途径。

2、现有脑电分类方法通常针对单一数据集或单一任务设计卷积、图学习或注意力结构。此类方法依赖数量有限的有标签数据，所学习的特征容易与特定数据集的采集条件相耦合，难以迁移至具有不同电极配置或类别体系的脑电数据。为提高迁移能力，部分方法利用大规模无标签脑电数据进行自监督预训练，再将预训练模型迁移至下游分类任务。

3、但是，现有脑电预训练方法多将连续信号划分为片段或补丁，并通过掩码重构、上下文预测或通用注意力机制学习特征。片段级处理弱化了单个时间-电极点之间的一一对应关系，模型内部的注意力权重或隐式关联也不能直接表示同一时刻的同步连接以及跨时刻的异步传播连接。由此得到的预训练表征难以显式保留脑电信号的点间时空拓扑。

4、此外，脑电拓扑不仅与目标类别有关，还会随年龄、性别、采集设备和采集条件等非目标因素发生变化。直接利用有标签数据进行微调时，模型可能将与非目标因素相关的变化作为类别判别依据，导致分类表征出现偏差，脑电分类准确性低。

技术实现思路

1、本技术实施例提供了一种基于预训练-微调和时空拓扑解耦的脑电分类方法，可以解决脑电分类准确性低的问题。

2、本技术实施例提供了一种基于预训练-微调和时空拓扑解耦的脑电分类方法，包括：

3、获取脑电数据，并对脑电数据进行预处理，得到多个原始脑电样本；

4、分别针对每个原始脑电样本，将原始脑电样本输入脑电编码器进行处理，得到每个原始脑电样本的拓扑感知脑电表征；在脑电编码器的每层网络层中，将网络层的输入特征划分为多个局部时间邻域，并分别针对每个局部时间邻域，在局部时间邻域内选取锚点时间，在锚点时间的不同电极之间构建同步拓扑连接矩阵，利用同步拓扑连接矩阵对锚点时间的电极特征进行同步编码，得到同步编码特征，按照锚点时间之前的时间点与锚点时间的偏移量设置锚点前异步编码特征，按照锚点时间之后的时间点与锚点时间的偏移量设置锚点后异步编码特征，对同步编码特征、锚点前异步编码特征和锚点后异步编码特征进行融合，得到局部时间邻域的拓扑感知脑电表征；每层网络层的输出由该层网络层对应的所有局部时间邻域的拓扑感知脑电表征构成，脑电编码器的最后一层网络层的输出为脑电编码器的输出；

5、基于每个原始脑电样本的拓扑感知脑电表征，对脑电编码器和脑电解码器进行自监督预训练，得到预训练后的脑电编码器；

6、获取具有类别标签的多个微调脑电样本及每个微调脑电样本对应的临床信息，并根据临床信息对多个微调脑电样本进行域划分，得到多个样本域；

7、基于预训练后的脑电编码器构建分类模型，并利用多个样本域对分类模型进行微调训练，得到脑电分类模型；

8、利用脑电分类模型对待分类脑电数据进行分类，得到脑电类别结果。

9、可选的，将网络层的输入特征划分为多个局部时间邻域，包括：

10、使用奇数长度的滑动时间窗，将网络层的输入特征划分为多个局部时间邻域。

11、可选的，在局部时间邻域内选取锚点时间，包括：

12、将局部时间邻域的中心时间点作为锚点时间。

13、可选的，利用同步拓扑连接矩阵对锚点时间的电极特征进行同步编码，得到同步编码特征，包括：

14、通过如下公式计算得到同步编码特征：

15、；

16、；

17、其中，表示第层网络层中第个局部时间邻域对应的同步编码特征，表示原始脑电样本序号，表示同步编码，表示第层网络层、第个时间偏移所对应的同步拓扑连接矩阵，，表示根据当前电极位置获得的子空间嵌入矩阵，表示的转置矩阵，表示第层网络层中第个原始脑电样本在第个局部时间邻域内、第个时间偏移对应的电极特征，表示第层网络层的可学习特征变换参数，表示局部时间邻域长度。

18、可选的，锚点前异步编码特征为：

19、；

20、其中，表示第层网络层中第个局部时间邻域对应的锚点前异步编码特征，表示锚点前异步编码；

21、锚点后异步编码特征为：

22、；

23、其中，表示第层网络层中第个局部时间邻域对应的锚点后异步编码特征，表示锚点后异步编码。

24、可选的，对同步编码特征、锚点前异步编码特征和锚点后异步编码特征进行融合，得到局部时间邻域的拓扑感知脑电表征，包括：

25、通过如下公式计算得到局部时间邻域的拓扑感知脑电表征：

26、；

27、其中，表示第层网络层中第个局部时间邻域的拓扑感知脑电表征。

28、可选的，根据临床信息对多个微调脑电样本进行域划分，得到多个样本域，包括：

29、利用多个微调脑电样本对应的临床信息对域划分模型进行训练，得到训练后的域划分模型；

30、分别针对每个微调脑电样本，利用训练后的域划分模型计算微调脑电样本属于不同样本域的概率，并将微调脑电样本划分至最大概率对应的样本域。

31、可选的，域划分模型包括临床信息编码器和域划分头；

32、对域划分模型进行训练时的损失函数为：

33、；

34、其中，表示条件熵，表示临床信息分支预测的样本域概率分布，表示一个批次中的临床信息，表示由临床信息诱导得到的样本域类别，表示平均样本域分布的边缘熵，表示批次内样本域预测概率的平均分布；

35、；

36、表示批次中的样本数，表示第个微调脑电样本属于样本域的概率，，表示第个微调脑电样本对应的临床信息，表示临床信息编码器，表示域划分头。

37、可选的，分类模型包括预训练后的脑电编码器和分类头，预训练后的脑电编码器的输出端与分类头的输入端连接；

38、对分类模型进行微调训练时的损失函数为：

39、；

40、；

41、；

42、；

43、其中，表示脑电类别结果与类别标签之间的分类损失，、、均表示权重，表示领域自适应损失，表示样本域划分损失，表示临床信息类别预测损失，表示跨样本域分布对齐损失，表示样本域数量，表示属于样本域的微调脑电样本的拓扑感知脑电表征，表示属于样本域的微调脑电样本的拓扑感知脑电表征，表示sinkhorn散度，表示熵正则最优传输距离。

44、可选的，基于每个原始脑电样本的拓扑感知脑电表征，对脑电编码器和脑电解码器进行自监督预训练，得到预训练后的脑电编码器，包括：

45、将每个原始脑电样本的拓扑感知脑电表征输入脑电解码器对脑电样本进行重构；

46、以原始脑电样本与重构脑电样本之间的重构损失作为预训练目标，对脑电编码器和脑电解码器进行自监督预训练，得到预训练后的脑电编码器。

47、本技术的上述方案有如下的有益效果：

48、在本技术的实施例中，通过在锚点时间的不同电极之间进行同步编码，再对锚点时间前后的跨时间、跨电极连接进行异步编码，并融合两类编码特征，使模型构建过程具有明确、连续的时空拓扑编码关系；且模型的预训练为自监督预训练，使模型能够从无类别标签的脑电数据中学习同步和异步拓扑编码参数，得到可迁移至不同脑电分类任务的模型；同时，在预训练后，根据临床信息对微调脑电样本进行域划分，并基于划分的样本域对预训练模型进行微调，从而使得最终的脑电分类模型能够降低年龄、性别和采集属性等非目标因素造成的表征偏差，提升脑电分类准确性。

49、本技术的其它有益效果将在随后的具体实施方式部分予以详细说明。