基于多尺度卷积与Transformer的抑郁症脑电信号分类方法及系统

本发明涉及电子信息，尤其涉及一种基于多尺度卷积与transformer的抑郁症脑电信号分类方法及系统。

背景技术：

1、抑郁状态识别在精神健康辅助筛查和脑机智能研究领域始终是一项难点任务。当前，随着社会环境不断变化，多样化的压力导致人们抑郁症患病率呈不断上升趋势。然而，现有抑郁识别方式多为传统筛查手段，如量表评估、临床问诊及基于主观经验判断等，这些方式都存在诸多局限性，尤其高度依赖于主观判断。例如受试者瞬时心理状态波动、量表主观性及医师临床经验差异等因素均可能导致诊断结果出现偏差。此外，在实际应用中，这些方法难以实现大规模推广，针对一次完整评估需要几十分钟，显然无法满足快速筛查的实际需求。因此，探索一个更加客观、可量化且自动化程度更高的抑郁状态识别方法具有重要研究意义。

2、近年来，面对传统方法自动化程度不足、筛查效率较低等问题，随着脑机接口技术和人工智能技术的快速发展。脑电信号（eeg）逐渐成为研究重点。eeg具有无创采集、时间分辨率高、能够直接反馈大脑神经元群体活动等优势，并且具备为客观化识别提供了新的生理基础的能力，使其在情绪解码与神经精神疾病辅助诊断中体现出独特价值。现有的神经生理学研究指出，抑郁症患者在脑电节律分布、功能连接模式以及脑区激活程度等方面均表现出与健康人群不同的特征，这些神经电生理标记为基于计算模型的自动识别奠定了生物学前提。

3、目前，国内外学者已提出诸多基于机器学习和深度学习的eeg抑郁识别方法。以传统机器学习流程为例，研究者通常先提取人工设计的时频特征，再借助支持向量机或随机森林完成分类。然而，这类方法高度依赖人工特征工程，难以充分挖掘eeg信号中的复杂非线性模式。近年来，卷积神经网络（cnn）在自动特征提取上的优势使其在eeg信号分析领域得到了广泛应用，通过卷积操作能够有效提取局部时序特征和空间通道特征。与此同时，transformer结构因其优异的全局依赖建模能力，也逐渐被引入到脑电信号分析领域，用于学习长时间跨度的动态变化模式。

4、尽管现有基于脑电信号的智能识别方法在一定程度上提升了识别性能，但在实际应用中仍存在一些关键问题有待进一步解决。

5、一是现有模型对原始脑电信号的局部时序模式提取能力仍然有限，eeg信号具有信噪比低、个体变异大等特点，其中抑郁状态相关的判别信息往往埋藏在微伏级的波形起伏与短时瞬态变化中。如果模型无法有效捕捉这些细粒度局部模式，则容易导致重要判别信息丢失，从而影响识别性能。

6、二是现有方法普遍缺乏对关键通道特征和关键响应区域的有效增强机制。eeg信号来自多个脑区，不同脑区在情绪调节和认知活动中扮演不同的角色。例如，额叶区域通常与情绪调控密切相关，而顶叶和枕叶则更多参与感觉与认知处理。但是模型不能自适应地突出与抑郁状态密切相关的关键通道或关键时间区域，则会导致重要脑电特征易被背景噪声掩盖。

7、三是现有方法在建模脑电特征之间的长程依赖关系方面仍存在不足。eeg信号不仅包含局部的瞬时变化，还存在跨时间尺度的动态关联关系。传统的cnn结构虽然能够提取局部模式，但是无法同时兼顾局部细节与全局上下文信息；因此，如何有效融合局部特征提取能力与全局依赖建模能力，是提升脑电识别模型性能的重要问题之一。

8、此外，在实际eeg抑郁识别任务中，数据规模往往偏小，且采集成本较高，这容易导致模型在训练过程中出现过拟合问题，进而削弱模型在未知数据上的泛化能力。同时，脑电信号本身存在显著的个体差异，这对模型的鲁棒性和稳定性提出了更高要求。因此，如何在样本量有限的条件下增强模型的泛化能力，并借助合理的训练策略提高模型稳定性，成为当前研究需要重点关注的问题，同时，由于不同受试者在通道均值分布、波动强度及整体脑电风格上往往存在明显差异，若模型直接采用统一参数对特征进行判别，这容易影响识别结果的一致性与稳定性。因此，如何在不依赖额外个体标签信息的前提下，对脑电样本中的风格差异进行自适应补偿，也是需要进一步解决的问题。

9、基于上述问题，急需设计一种脑电信号抑郁识别方法，使其能够兼顾局部时序特征的提取、关键特征的注意力增强、全局依赖关系的建模，以及小样本稳健训练，从而实现对复杂eeg特征的高效建模。同时，考虑到实际精神健康筛查场景的需求，该方法还应具备良好的泛化能力和稳定性。因此，融合卷积神经网络、注意力机制与序列编码的各自优势来构建深度学习模型，对于提升抑郁状态识别的准确性、鲁棒性及其工程应用价值，具有较为重要的意义。

技术实现思路

1、针对现有技术中存在的问题，本发明旨在提出一种基于多尺度卷积与transformer的抑郁症脑电信号分类方法及系统，解决现有脑电抑郁识别方法中局部时序判别特征提取不足、关键脑电特征增强能力不足、全局依赖关系建模不充分、不同脑电样本之间个体风格差异难以补偿、以及小样本条件下训练稳定性和泛化能力较弱的问题。

2、本发明提出一种面向脑电信号抑郁识别任务的联合建模方案，通过构建多尺度特征提取结构、卷积块注意力增强结构和序列编码结构，实现脑电局部时序特征提取、关键特征增强和全局依赖关系建模通，优选地，还可引入个体风格自适应调制模块，对序列编码模块所输出的高层特征进行自适应调整处理，补偿不同脑电样本之间的信号分布差异。同时，在训练过程中结合分段重构数据增强，加权损失，标签平滑，梯度裁剪与早停策略等机制，保证了小样本条件下的识别性能，训练稳定性与泛化能力。

3、为实现上述目的，本发明提供如下技术方案。

4、第一方面：本发明公开了一种基于多尺度卷积与transformer的抑郁症脑电信号分类方法，包括如下步骤：

5、步骤s1：数据采集与预处理：采集受试者的原始多通道脑电信号数据，构建脑电样本数据集，并对所述脑电样本数据进行预处理，得到统一格式的时序张量数据；

6、s2多尺度特征提取与注意力增强：将所述时序张量输入多尺度特征提取模块，所述多尺度特征提取模块通过不同尺度的卷积核分别捕获高频瞬态特征、中频时间尺度特征和低频趋势特征并进行融合压缩，并将融合后的脑电特征输入卷积块注意力增强模块，进行通道注意力加权和空间注意力加权处理，得到双重注意力增强脑电特征；

7、s3全局依赖建模：将所述增强脑电特征序列向量输入transformer编码器模块，通过多头自注意力机制逐层计算特征序列中不同切片位置的全局依赖关系，得到全局表征特征；

8、s4个体风格自适应调制：基于所述原始多通道脑电信号，按通道提取时域统计特征，将所述时域统计特征输入风格编码网络，生成与所述transformer编码器输出特征相匹配的缩放参数和偏移参数；利用所述缩放参数和偏移参数对所述transformer编码器输出的高层脑电特征进行样本级自适应调制，得到个体风格补偿后的高层脑电特征，以减弱不同受试者脑电信号分布差异对分类结果的影响；

9、s5分类输出：对调制后的高层特征进行分类输出，得到脑电样本对应的抑郁状态二分类识别结果

10、进一步地，步骤2中多尺度特征提取模块包括多个并行的卷积分支，具体流程：各分支采用不同大小的卷积核沿时间维度执行卷积，各分支连接批归一化层、非线性激活层及池化层。

11、将各并行分支的输出特征沿通道维度进行拼接融合，并将融合后的脑电特征输入卷积块注意力模块，所述卷积块注意力模块依次包括通道注意力子模块和空间注意力子模块。所述通道注意力子模块对输入特征图分别执行全局平均池化和全局最大池化处理，将池化结果通过共享的全连接网络后逐元素相加，并经激活函数生成通道注意力权重，将所述通道注意力权重与所述输入特征图逐元素相乘得到通道增强特征；

12、所述空间注意力子模块对所述通道增强特征沿通道维度分别进行平均池化和最大池化处理，将池化结果拼接后经卷积层与激活函数处理，得到双重注意力增强脑电特征。

13、所述增强脑电特征数据通过投影操作映射转换为适合transformer处理的特征序列向量。

14、进一步地，步骤4中transformer序列编码模块对增强后的特征序列进行全局依赖建模，并在输出端引入个体风格自适应调制过程，具体包括：

15、将所述特征序列输入至transformer编码器中，通过多头自注意力子层和前馈网络层提取序列的全局表征特征；

16、获取受试者的原始脑电信号，并基于所述原始脑电信号计算时域统计特征向量；

17、利用编码网络将所述时域统计特征向量映射为样本风格编码，并基于所述样本风格编码生成特征缩放参数和特征偏移参数；

18、利用所述特征缩放参数和所述特征偏移参数，对所述transformer编码器输出的高层特征进行自适应调制处理，以减弱不同脑电样本之间的个体差异影响

19、进一步地，步骤5所述对调制后的高层特征进行分类输出，具体包括：

20、对调制后的高层特征执行全局平均池化处理，得到全局特征向量；

21、对所述全局特征向量进行层归一化处理；

22、将归一化后的特征输入多层全连接分类网络，得到最终的抑郁症分类输出向量。

23、进一步地，在模型训练阶段，采用加权交叉熵损失函数作为损失计算方式，并采用带有梯度裁剪机制的adamw优化器进行参数更新；同时设置早停控制机制，当验证集损失在连续预设轮数内未能改善时停止当前训练过程，保留验证集性能最优的模型参数。

24、进一步地，在模型训练阶段，还包括分段重构的数据增强步骤：将每个脑电样本的时间轴等分为s个片段；对于训练集中同一类别的样本，从不同样本中随机抽取对应位置的时间片段进行重新拼接，生成新的增强样本；将所述增强样本的损失以预设权重系数加入总训练损失中进行联合优化。

25、进一步地，在训练过程中采用类别加权交叉熵损失函数、标签平滑、分段重构数据增强、学习率调度、梯度裁剪及早停机制对模型进行优化训练，以提高模型的稳健性以及泛化能力。

26、第二方面：本发明公开了一种基于多尺度卷积与transformer的抑郁症脑电信号分类系统，用于实现上述抑郁症脑电信号分类方法，包括：

27、数据采集与预处理模块，用于采集受试者原始脑电信号数据进行预处理，输出标准化脑电样本；同时对标准化脑电样本进行预处理；得到统一格式的时序张量数据；

28、特征增强模块包括多尺度特征提取模块和注意力增强模块，所述多尺度特征提取模块用于提取所述时序张量的多尺度特征并进行融合压缩，所述注意力增强模块融合后的脑电特征通道注意力增强和空间注意力增强，输出双重注意力增强脑电特征；

29、序列编码模块，所述序列编码模块为包含投影层和由多个编码器块组成的transformer编码器，将双重注意力增强脑电特征通过投影操作为特征序列，并输入至transformer 编码器模块中，运用多头自注意力机制与残差连接进行建模，以采集全局表征特征；

30、个体风格自适应调制模块，用于从原始脑电信号中提取通道统计特征并编码为样本风格向量，对序列编码模块的高层特征进行自适应调整；

31、分类输出模块，将所述全局表征特征进行分类映射，通过全局池化、归一化和多层全连接映射等机制最终输出脑电信号对应的抑郁识别判别结果；

32、训练优化模块，用于模型训练过程中分段重构数据增强，采用类别加权交叉熵损失、标签平滑、分段重构数据增强、学习率调度、梯度裁剪及早停控制等机制，提高模型的稳健性和泛化能力。

33、进一步地，所述多尺度特征提取模块包括三个并行分支：细粒度分支，采用第一尺寸的第一卷积核，用于捕获与高频脑电节律相关的短时瞬态特征；中粒度分支，采用第二尺寸的第二卷积核，用于捕获与中频脑电节律相关的中等时间尺度特征；粗粒度分支，采用第三尺寸的第三卷积核，用于捕获与低频脑电节律相关的长时间尺度趋势特征；将三个并行分支的输出沿通道维度进行拼接，得到融合特征图，并将所述融合特征图输入至所述卷积块注意力增强模块。

34、所述注意力增强模块包括依次串联的通道注意力子模块与空间注意力子模块；

35、所述通道注意力子模块基于全局平均池化和全局最大池化生成通道权重；

36、所述空间注意力子模块基于通道维度的池化操作生成空间注意力图；

37、进一步地，序列编码模块，中transformer编码器模块包含多个串联连接的transformer编码器块，每个编码器块由多头自注意力子层和前馈神经网络子层构成，且各子层之间通过残差连接与层归一化操作相连。

38、进一步地，所述分类输出模块采用至少两层的多层全连接网络，且在中间隐藏层引入dropout层以防止模型过拟合，使得最终输出层的维度与类别数保持一致，以输出目标类别的分类结果。

39、与现有技术相比，本发明的有益效果在于：

40、1.创新性地提出个体风格自适应调制机制，有效消除了脑电信号显著的个体差异干扰。 针对脑电信号信噪比低、受试者间波动大导致模型鲁棒性差的问题，本发明在序列编码模块后引入了个体风格自适应调制过程。该方法无需额外的个体标签信息，仅利用原始脑电信号的时域统计特征（如均值、标准差）生成缩放与偏移参数，对高层特征进行自适应调整。这一机制实现了对不同受试者信号分布差异的“风格补偿”，在不改变语义信息的前提下对齐了样本分布，显著提高了模型在跨被试场景下的识别一致性与稳定性。

41、2.多尺度并行卷积与注意力机制协同，解决了局部特征提取粗糙及关键信息淹没的问题。

42、针对现有技术难以捕捉微伏级波形起伏及短时瞬态变化的问题，本发明设计了多尺度并行卷积特征提取结构，利用不同时间尺度的卷积核分别捕获高频瞬态、中频时序及低频趋势特征，实现了对脑电信号细粒度局部模式的全方位提取。同时，结合卷积块注意力模块（cbam），从通道维度和空间维度对融合特征进行双重加权，自适应地增强了与抑郁状态密切相关的额叶、顶叶等关键脑区通道及关键时间片段的特征响应，有效抑制了背景噪声干扰，显著提升了模型对有效判别信息的挖掘能力。

43、3.引入transformer全局依赖建模，突破了传统cnn在长程时序关联挖掘上的局限。 针对现有卷积神经网络难以兼顾局部细节与全局上下文信息的问题，本发明将增强后的脑电特征映射为序列向量，并输入transformer编码器模块。利用多头自注意力机制，模型能够突破局部感受野的限制，从全局视角计算不同时间切片位置之间的依赖关系。这种局部特征提取与全局依赖建模的深度融合，使得模型不仅能感知瞬时的脑电变化，还能捕捉跨时间尺度的动态演变模式，从而更准确地表征抑郁症患者复杂的脑电时空拓扑结构。

44、4.构建了多层次稳健训练策略体系，解决了小样本条件下的过拟合与泛化能力不足问题。 针对脑电数据采集成本高、样本规模小导致的模型易过拟合问题，本发明在训练过程中集成了分段重构数据增强、类别加权交叉熵损失、标签平滑、学习率调度、梯度裁剪及早停策略。这一整套稳健优化策略的协同作用，有效扩充了训练数据的多样性，平衡了类别分布，并规范了优化过程，从而在有限样本条件下显著提升了模型的训练稳定性，增强了模型在未知数据上的泛化能力。

45、5.实现了客观、自动化且高效的抑郁状态筛查，具有较高的临床应用价值。 本发明摒弃了传统量表评估和临床问诊的主观依赖性，建立了一套端到端的脑电信号智能分析框架。该方法能够自动完成从原始信号处理、深层特征提取到状态分类的全过程，不仅避免了人为经验偏差，还大幅缩短了筛查时间，能够满足大规模、快速精神健康筛查的实际需求，为抑郁症的辅助诊断提供了客观、量化的生物标记物支持。

46、本发明针对现有脑电抑郁识别方法中直接套用通用深度学习模型导致的特征淹没、靶向性差及小样本过拟合等问题，以及局部动态特征建模不足、关键脑区响应信息利用率低、全局时序关联挖掘不充分等问题，融合深度卷积特征提取、通道-空间联合注意力增强及transformer全局依赖建模，构建多层级特征增强与时序建模一体化网络，结合数据增强与稳健优化策略，实现识别性能、泛化能力及工程稳定性的整体提升。