(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111669451.0 (22)申请日 2021.12.31 (71)申请人 北京无线电测量研究所 地址 100854 北京市海淀区永定路5 0号 (72)发明人 温暖　刘金祥　 (74)专利代理 机构 北京正理专利代理有限公司 11257 代理人 白淑贤 (51)Int.Cl. A61B 5/369(2021.01) A61B 5/00(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于自注意力机制的脑电信号特征提 取方法 (57)摘要 本发明实施例公开一种基于自注意力机制 的脑电信号特征提取方法。 在一个具体的实施例 中， 所述方法包括： 通过多通道脑电采集设备得 到受试者的原始脑电信号并对其进行预处理； 基 于自注意力机制创建滤波器， 采用所述滤波器提 取待分类运动想象矩阵的第一特征向量； 基于黎 曼流形特征提取算法得到所述待分类运动想象 矩阵的第二特征向量； 基于所述第一特征向量和 第二特征向量得到待分类运动想象矩 阵的特征 向量。 权利要求书3页 说明书7页 附图1页 CN 114343669 A 2022.04.15 CN 114343669 A 1.一种基于自注意力机制的脑电信号特 征提取方法， 其特 征在于， 包括： 通过多通道 脑电采集设备 得到受试者的原 始脑电信号并对其进行 预处理； 基于自注意力 机制创建滤波器， 采用所述滤波器提取待分类运动想象矩阵的第 一特征 向量； 基于黎曼流形 特征提取算法得到所述待分类运动想象矩阵的第二特 征向量； 基于所述第一特 征向量和第二特 征向量得到待分类运动想象矩阵的特 征向量。 2.根据权利要求1所述的方法， 其特 征在于， 所述预处 理包括对原 始脑电信号的滤波、 去噪和离 散处理。 3.根据权利要求1所述的方法， 其特 征在于， 所述基于自注意力 机制创建滤波器， 采用所述滤波器组提取待分类运动想象矩阵的第 一特征向量包括： 从多通道的脑电接口数据中提取出两分类脑电信号的时空信号矩阵X1和X2， 基于所述 时空信号矩阵X1和X2得到混合空间协方差矩阵R， 对所述混合空间协方差矩阵R进行特征值 分解得到其白化矩阵P； 基于所述时空信号矩阵X1和X2的源信号S1和S2做主成分分解得到其 特征矩阵B， 基于所述白化矩阵P和特 征矩阵B得到投影矩阵W作为滤波器： W＝BTP 将待分类运动想象矩阵X通过 所述滤波器W即可 得到第一特 征向量Zself‑attention1： Zself‑attention1＝W·X。 4.根据权利要求1所述的方法， 其特 征在于， 所述基于黎曼流形 特征提取算法得到待分类运动想象矩阵的第二特 征向量包括： 基于所述自注意力机制中的距离特 征提取算法计算所述第二特 征向量Zself‑attention2： 其中， X为待分类运动想象矩阵， 为第一类脑电信号的平均时空信号矩阵， 为平均 第二类脑电信号的平均时空信号矩阵， 为矩阵X和 之间的黎曼距离， 为 矩阵X和 之间的黎曼距离 。 5.根据权利要求1所述的方法， 其特 征在于， 所述基于所述第一特征向量和第二特征向量得到待分类运动想象矩阵的特征向量包 括： 通过集成学习方法中的Ba gging算法融合所述第一特 征向量和第二特 征向量： Z＝α1Zself‑attention1+α2Zself‑attention2 其中， α1∈[0,1]， α2∈[0,1]且α1+α2∈[0,1]， 所述系数α1和α2具体数值根据所述 Bagging算法学习决定 。 6.根据权利要求3所述的方法， 其特 征在于， 所述从多通道的脑电接口数据中提取 出两分类脑电信号的时空信号矩阵X1和X2包括： 在所述两分类脑电信号运动想象任务情况下， 采用复合源的数学模型描述所述两分类 脑电信号：权　利　要　求　书 1/3 页 2 CN 114343669 A 2第一类脑电信号的时空信号矩阵X1表示为： 第二类脑电信号的时空信号矩阵X2表示为： 其中， S1和S2分别代表两种想象任务下的源信号， SM代表两种类型任务下所共同拥有的 源信号， 若S1是由m1个源构成， S2是由m2个源构成， 则C1和C2便是由S1和S2相关的m1和m2个共 同空间模式组成的， CM为与SM相应的共有的空间模式。 7.根据权利要求6所述的方法， 其特 征在于， 所述基于所述时空信号矩阵X1和X2得到混合空间协方差矩阵R包括： 对所述时空矩阵信号X1和X2进行归一 化处理得到对应的协方差矩阵R1和R2： 其中， XT表示X矩阵的转置， trace()表示矩阵对角线上元素的和， 基于所述协方差矩阵 R1和R2求混合空间协方差矩阵R： 其中， 分别为所述协方差矩阵R1和R2的平均协方差矩阵。 8.根据权利要求7 所述的方法， 其特 征在于， 所述对所述混合空间协方差矩阵R进行 特征值分解得到其白化矩阵P包括： 对混合空间协方差矩阵R进行 特征值分解： R＝U λUT 其中， U为矩阵λ的特征向量矩阵， λ是所述混合空间协方差矩阵R的特征值构成的对角 矩阵。 将式中的特征值进行降序排列， 得到白化矩阵P： 9.根据权利要求8所述的方法， 其特 征在于， 所述基于所述时空信号矩阵X1和X2的源信号S1和S2做主成分分解得到其特征矩阵B包 括： 对平均协方差矩阵 进行如下变换： 对源信号S1和S2做主成分 分解， 得到： 权　利　要　求　书 2/3 页 3 CN 114343669 A 3