1.一种基于多尺度时空图注意力融合网络的癫痫检测方法,其特征在于,包括以下步骤:步骤1、获取脑电信号,对其预处理得到降噪后的对应时域数据Xd;
步骤2、构建结构完全相同的宏观多尺度融合模块和微观多尺度融合模块;将步骤1所得时域数据Xd进行序列分解得到脑电信号的宏观变化序列trend和微观变化序列season;宏观变化序列trend输入宏观多尺度融合模块进行时序特征提取,同时微观变化序列season输入微观多尺度融合模块进行时序特征提取;
两类变化序列分别进行降采样操作、使用图注意力机制GAT进行逐层特征提取;两类特征进行相加融合得到时空动态融合特征Xt;
步骤3、将步骤2所得时空动态融合特征Xt输入全局依赖提取模块,全局依赖提取模块使用稀疏注意机制捕捉脑电信号的全局依赖关系;全局依赖提取模块利用稀疏注意力机制提取全局依赖信息的具体方法为:先对X={x1,x2,…,xL}进行线性变换,公式如下:Q=XWQ,K=XWK,V=XWV;
其中,是可学习的权重矩阵,dk是特征的维度,L表示时间戳的个数;
然后,通过点积计算查询和密钥之间的相似度:
Z=αV;
其中α∈RL×L是注意力矩阵,每个元素αmn表示序列中元素xm和元素xn之间的注意力得分,Z是最终输出;A是一个L×L的矩阵,矩阵A中每一行是一个长度为L的向量,Amn表示时间戳m与时间戳n之间的注意力得分,Amn越高表示第m个时间戳越依赖于第n个时间戳;
稀疏关注机制通过引入查询稀疏度测量来衡量每个查询的重要性,从而降低了计算复杂度;测量值的计算方法是其中,M(qm,K)衡量第m-th个查询的重要性;通过选取排名前u的查询并将其他查询置0来减少计算量,其中u=c·lnL;
步骤4、使用由全连接层MLP组成的分类器进行癫痫检测分类。
2.根据权利要求1所述的基于多尺度时空图注意力融合网络的癫痫检测方法,其特征在于,所述步骤1的详细方法为:首先,选择特定导联对收集到的原始脑电信号进行归一化处理,保留1到40Hz之间的频段信息;
然后,使用斯皮尔曼相关系数对脑电信号进行构图,得到脑电信号空间结构的邻接矩阵,图中各节点代表对应脑电信号的通道;
其中,MRaw和MNorm分别表示原始样本和经过归一化处理后的数据;
其中,和表示M、N两个序列中的第i个秩值,和表示RMi和RNi的平均数;
接着,去除脑电信号中的伪影,方法为:先通过快速傅立叶变换FFT将归一化后的时域脑电图数据X转换为频域数据Xf,然后,将频域数据Xf与可学习的去噪矩阵相乘,接着,通过反傅里叶变换IFFT将去噪数据转换为时域数据Xd,并通过一维卷积降低特征维度;降噪过程写为:Xf=W1(FFT(X));
Xd=conv1d(IFFT(Xf));
其中,W1是指去噪矩阵,X∈RB×C×L,Xd∈RB×C×L′,B是批量大小,C是通道数目,L是特征长度,L’是降噪后的特征长度。
3.根据权利要求1所述的基于多尺度时空图注意力融合网络的癫痫检测方法,其特征在于,所述步骤2中对时域数据Xd进行分解的公式为:trend=AvgPool(Xd);
season=Xd-trend;
其中,AvgPool表示平均池化,宏观变化序列trend∈RB×C×L′,微观变化序列season∈RB×C×L′。
4.根据权利要求1所述的基于多尺度时空图注意力融合网络的癫痫检测方法,其特征在于,所述步骤2中宏观/微观多尺度融合模块特征提取具体的内容如下,步骤1)、对输入的宏观变化序列trend和微观变化序列season进行降采样,得到不同尺度的一组时间序列;
步骤2)、分别对两组时间序列进行特征提取和融合,的过程可写成如下:tm+1=tm+1+GAT(tm),m∈{0,…,M};
sm+1=sm+1+GAT(sm),m∈{0,…,M};
上式中,m是指第m采样次数,tm+1和sm+1分别经过m+1次降采样后的宏观和微观时间序列;GAT( )使用图注意力机制GAT操作;
步骤3)、分别对tm+1和sm+1融合得到tM和sM,并将融合所得特征tM和sM相加后输出时空动态融合特征Xt;
Xt=tM+sM;
步骤2)中通过图注意力机制GAT汇总各尺度时间序列的时空信息,图注意力机制GAT操作过程中,图中各节点代表对应脑电信号的通道,每个节点的特征首先乘以参数矩阵进行映射,实现时间特征企图,之后,计算每个节点之间的注意力系数,并汇总每个节点及其相邻节点,实现空间特征提取:其中,hi、hj别代表节点i和节点j的节点表示,αij表示节点i和节点j间的注意力系数,Ni表示节点i相邻节点集,W∈RF×F′,a∈R2F′是可训练的权重参数,F是输入特征维度,F’是输出特征维度。
5.根据权利要求1所述的基于多尺度时空图注意力融合网络的癫痫检测方法,其特征在于,所述步骤4使用由全连接组成的分类器完成基于脑电图的癫痫分类任务;
使用Focal Loss损失函数FL(pt)动态调整模型参数,Focal Loss损失函数FL(pt)以交叉熵损失函数为基础,引入一个关于样本比例的参数,通过给正负样本的损失分配不同的权重来减轻正负样本失衡对模型的影响;
Focal Loss损失函数表达式为:
FL(pt)=-αt(1-pt)γlog(pt);
其中,pt代表目标类别的预测概率,α和γ是超参数。