1.一种基于混合脉冲深层网络的癫痫脑电信号识别方法,其特征在于,该方法包括以下步骤:S1、获取以固定频率采样并保存为单通道的原始脑电信号数据;
S2、对原始脑电信号数据进行数据切分得到脑电信号数据片段;
S3、将脑电信号数据片段输入到时频表示层得到不同频带的多通道脑电信号,并通过注意力网络层对时频特征进行特征加强;
S4、构建脉冲编码层将多通道脑电信号编码成多通道二值脉冲序列;
S5、构建混合脉冲深层网络对多通道二值脉冲序列进行特征映射,用以提取脑电信号中与空间信息和时间信息相对应的时空特征;
S6、构建脉冲全连接网络对从脑电信号中提取的时频特征、时空特征进行特征融合;
S7、运用脉冲神经元突触学习机制对混合脉冲深层网络进行更新,并应用于对癫痫脑电信号的识别分类。
2.根据权利要求1所述的癫痫脑电信号识别方法,其特征在于,在步骤S4中,具体为通过LIF神经元模型构建脉冲编码层,对优化后的多通道脑电信号上式中,
3.根据权利要求2所述的癫痫脑电信号识别方法,其特征在于,所述脉冲编码层基于脉冲卷积层完成构建并作为混合脉冲深层网络的最上层,将实值的多通道脑电信号通过脉冲卷积和LIF神经元的映射,转化为脉冲形式的二值输出为多通道二值脉冲序列,脉冲编码层之间的数据传输形式是脉冲二值序列,其脉冲卷积的表达式为:上式中,
4.根据权利要求1所述的癫痫脑电信号识别方法,其特征在于,在步骤S5中,所述混合脉冲深层网络包括基于LIF神经元模型构建用于提取多通道二值脉冲序列空间信息的脉冲卷积网络,以及用于提取多通道二值脉冲序列时间信息的脉冲Bi-LSTM网络;
所述脉冲卷积网络包括5个卷积层、2个批标准化层和5个LIF神经元层,卷积层通过不同大小的卷积和对不同区域的数据信息进行特征提取,得到不同的空间特征;
所述脉冲Bi-LSTM网络包括3个脉冲Bi-LSTM层和2个Dropout层,脉冲卷积网络输出的新的脑电信号特征矩阵
5.根据权利要求4所述的癫痫脑电信号识别方法,其特征在于,所述脉冲卷积网络的网络层之间神经元连接的表达式为:上式中,
6.根据权利要求4所述的癫痫脑电信号识别方法,其特征在于,所述脉冲Bi-LSTM网络包括依次连接的第一层脉冲Bi-LSTM层,第二层Dropout层,第三层脉冲Bi-LSTM层,第四层Dropout层,第五层脉冲Bi-LSTM层。
7.根据权利要求6所述的癫痫脑电信号识别方法,其特征在于,脉冲Bi-LSTM层的结构为:上式中,
8.根据权利要求1所述的癫痫脑电信号识别方法,其特征在于,所述脉冲全连接网络由两层脉冲线性层和脉冲softmax层构成,通过脉冲全连接层的特征融合,得到最后一层的脉冲输出,第一层脉冲线性层的维数为16,第二层脉冲线性层的维数为2,最后的分类结果通过softmax函数实现。
9.根据权利要求1所述的癫痫脑电信号识别方法,其特征在于,在步骤S7中,具体过程包括:构建混合脉冲深层网络的损失函数,表达式为:
上式中,T表示总的时间步长,Y表示数据真实标签,
运用STDP学习机制来调整突触前后神经元的连接权值,突触权值的改变量用上式中,