CN119385578A 一种基于自适应通道混合注意力机制和解耦学习的rsvp类不平衡脑电信号分类方法 （北京工业大学）

一种基于自适应通道混合注意力机制和解本发明提出了一种基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡脑电信号卷积层和空间卷积层提取多尺度时间和空间特使用优化后的FocalLoss进行特征学习和分类21.一种基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡脑电信号分类方步骤2，构建ACMA_DL模型；对于基于自适应通道混合注2.如权利要求1所述的基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡脑(5)对于表示学习阶段的训练数据集为每个正类样本生成40个三元组，每个三元组包3.如权利要求1所述的基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡脑3信号中的时序变化；为了在提取多尺度时间特征的过程中保证卷积操作后的输出尺寸一致，在每一个卷积层中应用了零填充；具体来说，每个卷积层都进行了左右各kernel_卷积核大小(kernelsize)设置为(1,3)，即在时间维度上使用3个时间点作为卷积窗在卷积操作之后，批归一化被用于标准化卷积输出，确保卷积接着，使用ELU(ExponentialLinearUnit)激活函数引入非线性，为了实现这一目标，首先定义目标尺寸size尺寸；选择了时间维度上最高粒度的特征图(64,8,1,31)作为目标尺寸；随后，使用经过插值调整，所有特征图将被转换为相同的目标尺寸，形在自适应通道混合注意力机制中，首先通过全局上下文分支4k是键向量的维度；接着，通过可训练参数gamma对自注意力特征和全局上下文特征此外，通道注意力分支通过全局平均池化和全局最大池化生成输入特征图的全局特4.如权利要求1所述的基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡脑通过反向传播和梯度下降优化模型参数；余弦相似度CosineSimilarity(a,n)用于计算两5DifficultyWeight＝softmax(Entropy+VarianceImpact_MarginImpact)+1其中，VarianceImpact＝sigmoid(VarMarginImpact＝1_sigmoid(Margi其中，Margin表示前两个预测概率之间的差值；通过sigmoid函数将这个差值映射到高概率类别的预测概率，TopTwoProbs[1]是次高概率类别的预测概率；最终的FocalCELossweighted＝CELossxDifficultyWeightxt是根据加权交叉熵损失计算出的概率值，用于衡量模型在该样本上的预测信5.如权利要求1所述的基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡脑将步骤1中的测试集输入到步骤3中已训练好的模型中进行分类识别，并评价分类的6[0001]本发明公开了一种基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡[0002]脑机接口(Brain_ComputerInterface，BCI)是一种通过采集脑电信号(Electroencephalogram，EEG)或其他与人脑活动有关的生理信号来控制计算机或外部设速序列视觉呈现的脑机接口系统(RapidSerialVisualPresentationBrain_Computer方面，Sajda等人提出了一种名为层次判别成分分析(HierarchicalDiscriminant间特征，并使用逻辑回归获取时间特征。Alpert等人提出了空间加权FLD_主成分分析训练集下也能有效检测微小的ERPs。Cui等人设计了一种时空混合的公共空间模式(CSP)_机器学习算法，深度学习可以自动从脑活动的EEG记录中提取具有判别力的数据表示。例7网络，名为EEGNet，用于基于EEG的BCI，并在各种EEG分类任务中取得了显著的性能。Vá8意力机制和多任务协作的RSVP类不平衡脑电信号分类方法，相较于经典的EEGNet和DRL模[0010]本发明提出了一种基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡习阶段引入基于难度样本采样的三元组损失和在分类器学习阶段使用优化后的FocalLoss函数通过引入样本难度权重和类别权重来提高对难分类样本和不平衡类别的处理能力；同时通过在特征提取时使用自适应通道混合注意力机制来提取更具区别性的时空特出的方法中AUC和RECALL等指标具有明显[0015]步骤2，构建ACMA_DL模型。对于基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡脑电信号分类方法(AnRSVP_basedEEGsignalclassificationmodelusinganadaptivechannelmixingattentionmechanismanddecoupledlearning,更有效地优化三元组损失，因为选择最难的负样本可以更好地拉大正负样本之间的距离，准确利用提取的特征进行分类。将步骤1中构建好的用于分类器学习阶段的训练集输入到9[0017]步骤4.在测试评估阶段，使用训练以同时对脑电信号进行局部和长程时间和空间特征的提取。通过多次高斯滤波和下采样，元组损失和在分类器学习阶段使用结合样本难度权重和类别权重的Focalloss来提高对难分类器学习阶段引入基于样本难度和类别权重的focalloss来缓解信号的类不平衡问题。[0036](5)对于表示学习阶段的训练数据集为每个正类样本生成40个三元组，每个三元层和自适应通道混合注意力机制。此处使用Pytorch构建模型。以下是每一部分的详细说一致，我们在每一个卷积层中应用了零填充。具体来说，每个卷积层都进行了左右各了卷积操作在空间维度上充分覆盖所有通道，确保信号的空间特征被完整提取。步长度特征的捕捉能力。首先，输入到特征融合层的是一个包含4个不同尺寸特征图的列表[0050]在自适应通道混合注意力机制中，首先通过全局上下文分支对输入特征进行处包括一个自注意力分支。该分支通过三个一维卷积层来生成查询(Query)、键(Key)和值[0054]在表示学习阶段，ACMA_DL模型使用三元组损失函数(TripletLoss)进行特征学[0065]DifficultyWeight＝softmax([0066]其中，公式将三个因素(Entropy(熵)、VarianceImpact(方差影响)和MarginProbs表示每个类别的预测概率分布。这个公式通过对每个类别概率乘以其对数值并求和[0073]Margin＝TopTwweighted[0084]本发明使用清华大学提供的基于RSVP的脑_机接口基准数据集，该数据集包含64宽为0.1–30Hz的巴特沃斯滤波器对EEG数据进行滤波。在每次图像刺激开始后