基于时空隐含关系的脑电信号特征提取与识别关键技术研究

EEG analysis is an effective technique in revealing and understanding of human brain. It holds a significant position in Brain Sciences and Neuroinformatics. Feature extrication and analysis of EEG data continues to be a very challenging research field. So far, the usage of spatio-temporal latent correlations in EEG data is still insufficient, and deserves an in-depth research. Furthermore, the key breakthrough point of feature extrication and analysis of EEG data is the construction of compatible representation models that express spatio-temporal latent correlations in EEG data. This research studies on three aspects, that is “how to develop the usage of spatio-temporal property in EEG signals”, “how to increase the accuracy of EEG data recognition” and “how to use weakly labeled data in a more efficient way”. The main research contents concludes the following aspects, study of modeling EEG spatio-temporal latent correlations in both explicit and implicit expression; moreover, study of EEG discriminative features extraction and source signal separation; additionally, explore the approach on collaborative learning of spatio-temporal latent correlations and classification model, and EEG recognition methods based on spatio-temporal features and weakly labeled data; ultimately, build a complete series of methods from features extraction to the identification of EEG data. As a consequence, it can be provided as a new utility technology in diagnosis and rehabilitation of epilepsy, depression and other diseases.

脑电信号作为揭示和认识大脑功能的一种有效手段，在脑科学与神经信息学中拥有十分重要的地位，脑电信号特征提取与分析一直是一项非常具有挑战性的课题。但是，目前对于脑电信号时空隐含关系的利用还不充分，如何构建适合于表达脑电信号时空隐含关系的模型是提高脑电信号特征提取与分析性能的关键，有待深入研究。本项目围绕如何有效利用脑电信号的时空特性、提高脑电信号识别的准确率、充分利用弱标注数据三方面问题开展研究。内容包括：研究基于时空隐含关系的脑电信号显式建模和隐式建模方法；在此基础上，进一步展开基于隐含关系的判别性特征提取以及源信号特征分离的理论研究；最后，通过设计隐含关系与分类模型的协同学习方法，和基于时空特征及弱标注数据的识别方法，实现一套基于时空隐含关系的脑电信号特征提取与识别统一框架，为临床癫痫、抑郁症等疾病的诊断和康复提供的新型技术手段。

脑电信号特征提取与分析是一项具有挑战性的课题。本项目围绕如何有效利用脑电信号的时空特性、提高脑电信号识别的准确率、充分利用弱标注数据三方面问题开展研究。. 首先研究基于时空隐含关系的脑电信号显式建模和隐式建模方法。针对显式建模，提出了基于词袋模型的脑电显式特征提取方法、基于不对称性和互相关性特征的脑电特征提取方法、基于局部二值模式和奇异谱分析特征结合脑电特征提取方法。针对隐式建模，提出了神经网络结合时间多尺度的时空隐含关系的隐式建模方法、提出了基于非线性流形结构的脑电数据建模与可视化方法。. 其次，针对基于隐含关系的判别性特征提取以及源信号特征分离的开展理论研究。提出了基于优势电极组合与经验模式分解的脑电特征提取方法、基于核超限学习机的脑电信号特征学习方法、基于线性和非线性两路脑电特征融合脑电分类方法，构建判别性脑电特征优化学习模型，从而有效地结合信号的判别性特征学习表征信号的时空隐含关系。针对源信号分离问题，提出了基于可变遗忘因子的自适应滤波器的脑电信号时序随机噪声去除方法、基于核递推最小二乘自适应追踪算法的脑电信号重建技术。. 最后，在特征学习的基础上，进一步研究时空特征的脑电信号识别，具体研究内容包括隐含关系与分类模型协同学习的脑电信号识别、基于弱标注数据隐含关系的脑电信号识别。针对隐含关系与分类模型的协同学习方法的研究，提出了基于频带注意力残差网络的脑电信号分类方法、基于脉冲群智能优化的脑电分类算法、多模态信号数据间的协作分类方法。针对弱标注数据隐含关系的脑电信号识别问题，研究基于少量标注数据的癫痫脑电源定位问题，提出基于神经网络的脑电源定位方法。此外，通过对抗生成方法解决脑电数据的数据量少、标注数据少等问题，使得深度学习方法能有效应用于癫痫发作预测任务。. 总之，本项目提出的基于时空隐含关系的脑电信号特征提取与识别理论与方法为临床癫痫、抑郁症等疾病的诊断和康复提供的新型技术手段。