一种EEG任务状态可靠解码方法及装置

摘要: 本发明涉及人工智能解码,尤其涉及一种eeg任务状态可靠解码方法及装置。背景技术:1、脑机接口(brain-computerinterface,bci)是一种利用...
一种EEG任务状态可靠解码方法及装置

本发明涉及人工智能解码,尤其涉及一种eeg任务状态可靠解码方法及装置。

背景技术:

1、脑机接口(brain-computer interface,bci)是一种利用脑电信号实现人脑与外部设备信息交互的技术。其中,基于脑电信号(electroencephalography,eeg)的任务状态解码是非侵入式脑机接口中的重要研究方向,其通过分析不同任务范式下脑电活动特征,实现对用户意图、认知状态或运动状态的识别,并进一步用于外部设备控制、人机交互以及辅助康复等应用场景。

2、不同eeg任务范式对应不同的神经生理响应特征,通常表现为特定时间段内的动态变化、特定频段范围内的节律响应以及不同脑区或头皮电极区域的空间分布特征。因此,如何充分利用eeg信号中的时间、频率和空间信息,实现稳定有效的任务状态特征提取,是提高eeg解码性能的关键。

3、现有eeg任务状态解码方法主要通过时域特征提取、频域特征分析、空间特征建模以及深度学习网络进行分类识别。例如,部分方法通过分别构建时间特征分支和频率特征分支,并对不同域特征进行融合,以提升特定eeg任务下的识别效果;部分方法通过卷积网络、transformer结构或多模块组合方式增强eeg信号的特征提取能力,提高复杂脑电模式下的分类性能;此外,部分方法进一步引入概率校准、不确定性估计或样本拒绝策略,对低可信分类结果进行筛选,以提高系统输出可靠性。

4、然而,现有技术仍存在一定不足。

5、一方面,现有eeg解码方法通常针对时间信息、频率信息或空间信息中的部分信息进行建模,对于不同任务范式对应的时频空联合响应特征利用不足,难以充分挖掘任务相关频段节律、脑区空间分布以及时序动态变化之间的协同关系。

6、另一方面,部分现有方法依赖较复杂的深度网络结构,通过增加网络层数或引入多种深度模块提升特征表达能力,但复杂模型结构会增加参数规模和计算开销,不利于脑机接口系统中的实时部署,同时在小样本、低信噪比以及个体差异明显的eeg场景下,模型稳定性仍有待提高。

7、另一方面,现有拒识或可靠性判断方法通常依据分类概率、不确定性估计结果或概率校准结果确定是否拒绝输出,其主要关注分类输出概率本身,尚未充分结合模型内部特征表示、候选分类结果以及特征融合过程中的信息贡献进行可靠性学习,导致拒识判断能力受到概率分布偏差影响。

8、因此,现有技术仍需要一种能够结合eeg任务范式先验信息,充分利用时频空多维特征,同时兼顾模型轻量化和输出可靠性的任务状态解码方法,以提高eeg任务状态识别的准确性、稳定性以及实际应用中的可信程度。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

2、本发明的主要目的在于提供一种eeg任务状态可靠解码方法。

3、本发明的另一个目的在于提出一种eeg任务状态可靠解码装置。

4、本发明的第三个目的在于提出一种电子设备。

5、为达上述目的,本发明第一方面实施例提出了一种eeg任务状态可靠解码方法,包括如下步骤:

6、s1、获取输入eeg试次信号,根据当前eeg任务范式配置对应的任务相关时间窗、任务相关频段集合以及任务相关空间通道分组集合;

7、s2、分别对所述输入eeg试次信号进行时空token提取、生理频带先导token提取以及脑区先导token提取,获得时空token、生理频带先导token和脑区先导token,并对三类token进行特征维度和序列长度统一;

8、s3、分别确定所述生理频带先导token和脑区先导token对应的可学习融合参与强度,将所述生理频带先导token和脑区先导token与所述时空token进行自适应融合,得到融合token表征;

9、s4、将所述融合token表征输入时序特征建模与分类模块,获得分类特征,并生成各任务状态类别对应的分类输出及候选任务状态类别;

10、s5、根据所述分类特征、分类输出、类别概率分布、候选任务状态类别以及所述生理频带先导token和脑区先导token在融合过程中的参与比例构建可靠性判别特征,通过可学习的可靠性判别模块获得候选任务状态类别对应的可靠性评分;

11、s6、根据所述可靠性评分与预设拒识阈值进行比较,当可靠性评分不低于所述拒识阈值时输出所述候选任务状态类别,当可靠性评分低于所述拒识阈值时输出拒识结果。

12、可选的,所述步骤s1中,

13、所述任务相关频段集合由多个任务相关频段组成,每一任务相关频段对应一个频率范围;

14、所述任务相关空间通道分组集合由多个空间通道组组成,每一空间通道组对应一个脑区或头皮电极通道集合;所述任务相关时间窗用于限定当前任务范式对应的eeg有效响应时间范围。

15、可选的,所述步骤s2中,时空token用于表征eeg信号的时间动态特征及空间通道关系,生理频带先导token依据所述任务相关频段集合提取任务相关频段节律特征,脑区先导token依据所述任务相关空间通道分组集合提取脑区空间响应特征;

16、统一后的三类token具有相同的特征维度和序列长度。

17、可选的,所述步骤s3中,

18、所述生理频带先导token和脑区先导token分别对应可学习融合系数,所述融合系数由可学习参数经过sigmoid函数映射并结合预设最大参与强度获得,以控制对应先导token参与融合的程度;

19、所述融合token表征由时空token、生理频带先导token及脑区先导token加权融合得到。

20、可选的,所述步骤s4中,

21、所述融合token表征经时序特征建模后获得分类特征,并通过分类映射获得分类输出,所述分类输出经softmax变换得到各任务状态类别对应的预测概率分布,根据所述预测概率分布确定候选任务状态类别。

22、可选的,所述步骤s5中,

23、所述可靠性判别特征至少包括分类特征、分类输出、类别概率分布、候选任务状态类别以及生理频带先导token和脑区先导token在融合过程中的参与比例;

24、所述可靠性判别模块输出取值范围为0~1的可靠性评分。

25、可选的,模型训练过程中,根据候选任务状态类别与真实任务状态标签是否一致构建可靠性监督信号,并采用可靠性判别损失对所述可靠性判别模块进行训练,以使所述可靠性评分与所述可靠性监督信号保持一致。

26、可选的,所述步骤s6中,

27、当可靠性评分满足预设拒识阈值时输出对应eeg任务状态类别;

28、当可靠性评分低于所述预设拒识阈值时输出拒识标记,以抑制低可靠性分类结果进入后续控制或状态识别过程。

29、为达上述目的,本发明第二方面实施例提出了一种eeg任务状态可靠解码装置,包括:

30、第一单元,用于获取输入eeg试次信号,根据当前eeg任务范式配置对应的任务相关时间窗、任务相关频段集合以及任务相关空间通道分组集合;

31、第二单元,用于分别对所述输入eeg试次信号进行时空token提取、生理频带先导token提取以及脑区先导token提取,获得时空token、生理频带先导token和脑区先导token,并对三类token进行特征维度和序列长度统一;

32、第三单元,用于分别确定所述生理频带先导token和脑区先导token对应的可学习融合参与强度,将所述生理频带先导token和脑区先导token与所述时空token进行自适应融合,得到融合token表征;

33、第四单元,用于将所述融合token表征输入时序特征建模与分类模块,获得分类特征,并生成各任务状态类别对应的分类输出及候选任务状态类别;

34、第五单元,用于根据所述分类特征、分类输出、类别概率分布、候选任务状态类别以及所述生理频带先导token和脑区先导token在融合过程中的参与比例构建可靠性判别特征,通过可学习的可靠性判别模块获得候选任务状态类别对应的可靠性评分;

35、第六单元,用于根据所述可靠性评分与预设拒识阈值进行比较,当可靠性评分不低于所述拒识阈值时输出所述候选任务状态类别,当可靠性评分低于所述拒识阈值时输出拒识结果。

36、为达上述目的,本技术第三方面实施例提出了一种电子设备,包括:处理器和存储器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如第一方面实施例所述的方法。

37、本发明实施例的具有以下有益效果:提升eeg任务相关时频空信息的完整利用能力。本发明可根据不同eeg任务范式配置相应的响应时窗、特征频段和空间通道分组,并通过模型分支提取时空token、生理频带先导token和脑区先导token,使时域动态、频域响应和空间分布信息共同参与解码表征构建,减少仅侧重局部时空特征造成信息利用不足。

38、2.提升轻量化自适应表征融合能力。本发明在三类token尺寸对齐的基础上,通过可学习融合系数对时空token、生理频带先导token和脑区先导token进行轻量化自适应融合,使不同来源的任务相关信息能够在不继续堆叠复杂深度主干的情况下协同参与分类识别,从而提升eeg任务状态识别的特征表达能力和解码稳定性。

39、3.提升低可信候选结果的可靠性判别能力。本发明在输出候选任务状态类别的同时,引入可学习可靠性判别模块,结合模型内部特征、分类输出状态、候选结果信息及先导token参与比例信息生成可靠性评分,并依据基础拒识阈值判断候选结果是否接受输出。对于可靠性不足的候选结果,系统拒绝输出本次候选类别,从而降低低可信eeg解码结果直接用于外部控制或状态判断的风险。