脑电信号自监督表示学习方法、系统和存储介质

技术特征：
1.一种脑电信号自监督表示学习方法，其特征在于，包括以下步骤：获取各时间段的原始多信道脑电信号数据，利用编码器获得各时间段的局部隐表示和自身上下文表示；根据全局上下文表示计算各时间段的不同信道的相关性，得到稀疏细粒度相关性矩阵，根据稀疏细粒度相关性矩阵计算各时间段各信道的全局表示；根据所有时间段的全局表示预测k1步内时间段的局部隐表示，计算瞬时时移预测任务的损失；根据各时间段的原始多信道脑电信号数据，计算不同时间段不同信道之间的长期相关性矩阵，构造长期相关性伪标签；根据各时间段的自身上下文表示得到段表示，预测不同时间段不同信道之间的相关概率，计算延迟时移预测任务的损失；对所述的各时间段的局部隐表示进行随机替换，根据替换后的新局部隐表示计算新自身上下文表示，根据新自身上下文表示预测各个原始信道对应的局部隐表示是否被其他信道替换，计算替换判别学习预测任务的损失；结合所述的瞬时时移预测任务的损失、延迟时移预测任务的损失和判别学习预测任务的损失，对编码器进行训练；利用训练好的编码器获得待处理的原始多信道脑电信号数据的自身上下文表示，并得到段表示，将所述的段表示作为学习到的脑电信号自监督表示，用于癫痫发作预测任务。2.根据权利要求1所述的一种脑电信号自监督表示学习方法，其特征在于，所述的利用编码器获得各时间段的局部隐表示和自身上下文表示包括：使用非线性编码器g
enc
将观察到的时间段内所有信道的脑电信号数据映射到局部，得到局部隐表示：其中，s
t
是t时间段的脑电信号数据，是经过g
enc
变换后的序列长度，z
t
是t时间段的局部隐表示，表示第t时间段第步的隐表示；利用自回归模型g
ar
对每个信道前τ长的历史局部信息进行汇总，得到各自的上下文表示，如下所示：其中，z
t,τ-1
表示第t时间段第τ步的隐表示，表示t时间段第τ步的自身上下文表示，当3.根据权利要求1所述的一种脑电信号自监督表示学习方法，其特征在于，所述的根据全局上下文表示计算各时间段的不同信道的相关性，得到稀疏细粒度相关性矩阵的公式为：a
1,t
(i,j)＝a0(i,j) σ
t
(i,j)
×
n
t
(i,j)其中，mlp表示多层感知机，表示t时间段第i个信道第τ步的自身上下文表示，表示t时间段第j个信道第τ步的自身上下文表示，n
t
(i,j)表示从标准正态分布中采样的值，softplus(.)是softplus激活函数，σ
t
(i,j)表示t时间段第i、j个信道的相关性所遵循高斯分布的标准差，a
1,t
(i,j)表示t时间段第i、j个信道的相关性；
过滤相关性小于θ1的元素，得到稀疏细粒度相关性矩阵a
t
：其中，a
t
(i,j)表示稀疏细粒度相关性矩阵a
t
中的第i行第j列的元素，用于表示稀疏化后的t时间段第i、j个信道的相关性。4.根据权利要求3所述的一种脑电信号自监督表示学习方法，其特征在于，根据稀疏细粒度相关性矩阵计算各时间段各信道的全局表示的公式为：粒度相关性矩阵计算各时间段各信道的全局表示的公式为：其中，表示t时间段第i个信道聚集前τ步的其他信道信息的表示，θ是可学习的变换矩阵，relu(.)是relu激活函数，c
t,τ
表示t时间段第i个信道聚集前τ步的全局表示，5.根据权利要求1所述的一种脑电信号自监督表示学习方法，其特征在于，所述的根据当前时间段的全局表示预测k1步内时间段的局部隐表示，计算瞬时时移预测任务的损失，包括：其中，n
t,i
表示包含一个正样本和若干负样本的隐表示的随机噪声集合，表示集合n
t,i
中的一个正样本的局部隐表示，即t时间段第τ k1步的第i个信道的局部隐表示，c
t,τ,i
表示t时间段第i个信道聚集前τ步的全局表示，z
j
表示集合n
t,i
中的第j个样本的局部隐表示，表示期望操作，即对所有时间段所有信道k1步内的对比损失求均值；表示瞬时时移预测任务的损失；是第k1步预测所对应的可学习双线性矩阵；上角标表示转置。6.根据权利要求1所述的一种脑电信号自监督表示学习方法，其特征在于，所述的根据各时间段的原始多信道脑电信号数据，计算不同时间段不同信道之间的长期相关性矩阵，构造长期相关性伪标签，包括：其中，j＝1,
…
,c表示信道的索引，k2表示时间步，s
t,i
表示t时间段第i个信道的数据，表示t k2时间段第j个信道的数据，表示t时间段第i个信道与第t k2时间段j信道的长期相关性值；构造相关性伪标签：其中，表示t时间段第i个信道与第t k2时间段j信道是否相关的伪标签，θ2为相
关性阈值。7.根据权利要求6所述的一种脑电信号自监督表示学习方法，其特征在于，所述的根据各时间段的自身上下文表示得到段表示，预测不同时间段不同信道之间的相关概率，计算延迟时移预测任务的损失，公式为：延迟时移预测任务的损失，公式为：延迟时移预测任务的损失，公式为：其中，pooling(.)表示池化操作，h
t
是t时间段的段表示，是t时间段第步的自身上下文表示，mlp(.)表示多层感知机，是两个段高度相关的预测概率，h
t,i
表示t时间段第i个信道的段表示，c表示信道数，表示t k2时间段第j个信道的段表示，表示期望操作，即对所有时间段所有信道k2步内与其他信道的交叉熵损失求均值，是延迟时移预测任务的损失。8.根据权利要求1所述的一种脑电信号自监督表示学习方法，其特征在于，计算替换判别学习预测任务的损失时，包括：根据替换后的新局部隐表示生成伪标签：其中，是替换后的t时间段的新局部隐表示中的元素，即替换后的第t时间段第τ步第i信道的隐表示；y
t
(τ,i)表示第τ步的第i个信道的伪标签；i(.)表示新局部隐表示被替换前对应的信道索引；计算替换判别学习预测任务的损失：替换判别学习预测任务的损失：其中，是新自身上下文表示中对应第i个信道的向量，是第i个信道被其他信道替换的预测概率，e
t,τ,i
[.]表示期望操作，即对所有时间段所有信道τ步内的交叉熵损失求均值，是替换判别学习预测任务的损失。9.一种脑电信号自监督表示学习系统，用于实现权利要求1所述的脑电信号自监督表示学习方法，其特征在于，所述的系统包括：脑电信号获取模块，其用于获取获取各时间段的原始多信道脑电信号数据；编码器模块，其用于获得各时间段的局部隐表示和自身上下文表示；相关性学习模块，其用于根据全局上下文表示计算各时间段的不同信道的相关性，得到稀疏细粒度相关性矩阵；时移预测学习模块，其用于根据稀疏细粒度相关性矩阵计算各时间段各信道的全局表示；根据所有时间段的全局表示预测k1步内时间段的局部隐表示，计算瞬时时移预测任务
的损失；以及，用于根据各时间段的原始多信道脑电信号数据，计算不同时间段不同信道之间的长期相关性矩阵，构造长期相关性伪标签；根据各时间段的自身上下文表示得到段表示，预测不同时间段不同信道之间的相关概率，计算延迟时移预测任务的损失；替换判别学习模块，其用于对所述的各时间段的局部隐表示进行随机替换，根据替换后的新局部隐表示计算新自身上下文表示，根据新自身上下文表示预测各个原始信道对应的局部隐表示是否被其他信道替换，计算替换判别学习预测任务的损失；训练模块，其用于结合时移预测学习模块和替换判别学习模块计算得到的损失值，对编码器模块进行训练；自监督表示生成模块，其利用训练好的编码器获得待处理的原始多信道脑电信号数据的自身上下文表示，并根据各时间段的自身上下文表示得到段表示，将所述的段表示作为生成的脑电信号自监督表示，用于癫痫发作预测任务。10.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，用于实现权利要求1-8中任一项所述的脑电信号自监督表示学习方法。

技术总结
本发明提出了一种脑电信号自监督表示学习方法、系统和存储介质，属于信号处理和模式识别技术领域。利用编码器获得各时间段的多信道脑电信号数据的局部隐表示和自身上下文表示，并得到全局表示，计算瞬时时移预测任务的损失；根据各时间段的自身上下文表示得到段表示，预测不同时间段不同信道之间的相关概率，计算延迟时移预测任务的损失；对所述的各时间段的局部隐表示进行随机替换，根据替换后的新局部隐表示计算新自身上下文表示，根据新自身上下文表示预测各个原始信道对应的局部隐表示是否被其他信道替换，计算替换判别学习预测任务的损失；通过三个自监督任务，实现在脑电信号数据上的自监督表示学习，并将所学表示用于癫痫发作预测应用。于癫痫发作预测应用。于癫痫发作预测应用。


技术研发人员：杨洋 蔡东鸿 涂世豪
受保护的技术使用者：浙江大学
技术研发日：2022.06.09
技术公布日：2022/9/6