本發(fā)明屬于聽覺腦機接口領域，尤其涉及一種基于多尺度頻空注意力網(wǎng)絡的聽覺注意解碼方法及系統(tǒng)，可應用于神經(jīng)驅(qū)動的聽覺輔助設備（人工耳蝸或助聽器）開發(fā)等。

背景技術(shù)：

1、在復雜的聲學環(huán)境中，人類能夠展現(xiàn)出“雞尾酒會效應”，即在多重聲音混雜的環(huán)境中聚焦于感興趣的目標語音，同時忽略其他聲音的干擾。然而，對于聽力損失人群而言，背景噪聲對目標語音的掩蔽效應顯著增強，使得聽覺選擇性注意能力受損，難以有效聚焦目標語音。神經(jīng)科學研究表明，相較于非目標語音，大腦皮層的神經(jīng)活動與目標語音的振幅包絡呈現(xiàn)更強的相似性。因此，基于腦電（eeg）信號解碼聽覺注意力方向（即聽覺注意力解碼），可為神經(jīng)驅(qū)動的聽覺輔助設備提供關鍵技術(shù)支撐。

2、目前，已有研究證實了從eeg中解碼聽覺注意力的可行性，并且基于eeg的聽覺注意力解碼算法主要分為刺激重建和直接分類兩種類型。刺激重建算法在實際應用中面臨巨大挑戰(zhàn)，因為它需要從混合語音中分離出純凈的語音，這在現(xiàn)實場景下難度極高。直接分類法雖然在實際應用方面更具潛力，但傳統(tǒng)的線性解碼器存在明顯缺陷。由于大腦聽覺系統(tǒng)具有非線性特性，傳統(tǒng)線性解碼器難以捕捉eeg信號中的非線性映射關系，這就導致其決策時間窗較長，而且隨著解碼窗口長度縮短，解碼準確率會迅速下降。近年來，深度學習技術(shù)在聽覺注意力解碼研究中得到了廣泛應用，但現(xiàn)有的方法仍存在諸多問題。1）頻域特征提取復雜且不優(yōu)：在提取腦電頻域特征時，現(xiàn)有方法通常需要預先對eeg信號進行濾波，然后手動提取固定頻段的微分熵特征。這種操作不僅增加了數(shù)據(jù)預處理的復雜性，而且由于固定的頻帶劃分方式，很難獲取與聽覺注意力解碼最匹配的最優(yōu)頻域解碼范圍，導致無法充分挖掘腦電信號中的頻域信息。2）卷積核適應性差：大多數(shù)基于卷積神經(jīng)網(wǎng)絡的方法采用固定大小的卷積核來學習局部特征。然而，在實際情況中，不同被試以及不同時間點下，最優(yōu)的卷積核大小是變化的。固定卷積核大小的方法無法適應這種變化，限制了模型對不同腦電數(shù)據(jù)特征的有效提取。3）3d卷積存在局限：部分研究嘗試將二維eeg映射為三維數(shù)據(jù)，并使用3d卷積來處理時空或頻空特征，以此來利用腦電信號的空間分布特征。但3d卷積在訓練過程中面臨諸多困難，計算復雜度高，模型難以優(yōu)化。同時，它也難以捕捉eeg信號中不同腦區(qū)之間的長距離依賴關系和動態(tài)變化信息，無法全面反映大腦在聽覺注意力過程中的活動特征。4）缺乏有效注意力機制：目前在聽覺注意力解碼領域，尚未有充分研究基于空間和頻域特征的注意力機制。由于缺乏這種能夠全面整合和分析eeg數(shù)據(jù)中空間和頻域信息的機制，現(xiàn)有方法無法充分捕捉與聽覺注意力相關的關鍵信息，導致模型的性能受到限制。

3、綜上所述，現(xiàn)有聽覺注意力解碼技術(shù)在特征提取、模型訓練及信息捕獲等方面仍存在瓶頸，亟需一種創(chuàng)新的方法來優(yōu)化解碼策略，提高短時間窗下的解碼精度，并增強系統(tǒng)的實時性和適應性，從而為神經(jīng)驅(qū)動的聽覺輔助設備提供更精準、高效的技術(shù)支撐。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對現(xiàn)有聽覺注意力解碼技術(shù)的不足，提出了一種基于多尺度頻空注意力網(wǎng)絡的聽覺注意解碼方法及系統(tǒng)，旨在提高解碼的準確性和計算效率，特別是在復雜聲學環(huán)境和短決策窗口下的解碼性能。

2、為實現(xiàn)本發(fā)明的目的所采用的技術(shù)方案是：

3、一種基于多尺度頻空注意力網(wǎng)絡的聽覺注意解碼方法，包括以下步驟：

4、步驟1，獲取專注聆聽不同方向語音時的腦電數(shù)據(jù)，并使用滑動窗口對所述腦電數(shù)據(jù)進行劃分，生成一系列決策窗口，每個決策窗口包含一段腦電信號；

5、步驟2，將所述決策窗口的腦電信號輸入多尺度頻空注意力網(wǎng)絡（mssanet模型），所述多尺度頻空注意力網(wǎng)絡包括多尺度時域卷積模塊、頻空注意力模塊和全連接層分類模塊：

6、步驟2.1，所述多尺度時域卷積模塊對輸入的腦電信號進行處理，提取不同頻率范圍的時域特征：所述多尺度時域卷積模塊包括多尺度殘差卷積單元和時域?qū)?shù)方差計算單元，在所述多尺度殘差卷積單元中，利用 n個大小為1×1的卷積核對單個輸入樣本 r進行升維操作，然后將升維后的輸出y按照通道維度劃分為k組，對于每一組輸出yb再利用不同的卷積核進行深度卷積得到，將分組深度卷積后的結(jié)果按照輸出通道維度進行拼接得到多尺度卷積輸出，多尺度卷積輸出經(jīng)過時域?qū)?shù)方差計算得到；

7、同時，對于每一組輸出yb通過固定卷積操作convres處理得到殘差卷積輸出，殘差卷積輸出經(jīng)過時域?qū)?shù)方差計算得到；

8、和相加得到多尺度時域卷積模塊的輸出，即不同頻率范圍的時域特征；

9、步驟2.2，所述頻空注意力模塊將所述時域特征轉(zhuǎn)換為頻空特征圖，進一步通過自注意力機制和可學習位置編碼捕獲不同腦區(qū)之間的全局依賴關系，提取與聽覺注意力相關的頻譜空間信息；

10、步驟2.3，所述全連接層分類模塊基于所述頻譜空間信息，輸出預測語音方向為左側(cè)或者右側(cè)方向的概率。

11、在上述技術(shù)方案中，所述步驟1中，在對腦電數(shù)據(jù)進行劃分前，還包括數(shù)據(jù)預處理步驟，所述數(shù)據(jù)預處理步驟包括降采樣、濾波、去偽跡和/或通道歸一化。

12、若所述腦電數(shù)據(jù)來自kul數(shù)據(jù)集，先將腦電數(shù)據(jù)降采樣到128?hz，再用8階巴特沃斯濾波器進行?0.1-50?hz?帶通濾波，最后進行通道歸一化；

13、若所述腦電數(shù)據(jù)來自dtu數(shù)據(jù)集，先濾波去除50?hz線性噪聲和偽跡，通過聯(lián)合去相關性分析去除眼偽跡，進行全腦平均重參考，然后降采樣到128?hz并進行通道歸一化。

14、在上述技術(shù)方案中，，其中，為核為1的卷積， r為每個決策窗口內(nèi)的腦電信號，w1是1×1卷積核的權(quán)重矩陣，b1是偏置向量，y∈rn×c×t是升維后的輸出，n為卷積的數(shù)量，c為腦電信號的通道數(shù)，t為表示每個決策窗口內(nèi)的樣本點數(shù)。

15、在上述技術(shù)方案中，y=[y1，y2，…，yk]，其中yb∈rn/k×c×t，b=1，2，…，k，第b組使用大小為(1， k b)的卷積核進行深度卷積，，其中，為深度卷積， k b為不同的卷積核尺寸，w2 b是第 b組卷積核的權(quán)重矩陣，b2 b是偏置向量，z b為深度卷積后的腦電數(shù)據(jù)，z b∈rn/k×c×t，。

16、在上述技術(shù)方案中，，其中，為殘差卷積，w3是殘差卷積核的權(quán)重矩陣，b3偏置向量。

17、在上述技術(shù)方案中，時域?qū)?shù)方差的計算公式為，其中，∈表示第 i導聯(lián)的個樣本點，為步幅，表示樣本點的方差，所述樣本點為或。

18、在上述技術(shù)方案中，所述步驟2.2中，將多尺度時域卷積模塊得到的輸出轉(zhuǎn)換為大小為n×m的頻-空特征圖f∈rn×m，其中m=c×d， d表示腦電時域長度按照 t'步長劃分的數(shù)量，將頻空特征圖f通過可學習位置編碼保留eeg信號的空間位置信息輸出特征 p，并采用transformer?encoder對特征 p進行跨頻域處理得到，，為與聽覺注意力相關的頻譜空間信息。

19、在上述技術(shù)方案中，所述步驟2.3中，先將頻空注意力特征進行展平，然后經(jīng)過兩個全連接層進行聽覺注意解碼方向的概率的預測得到，，其中，為模型輸出的預測概率，w4是轉(zhuǎn)換的權(quán)重矩陣，b4是偏置向量。

20、在上述技術(shù)方案中，所述步驟2中，利用交叉熵損失函數(shù)對多尺度頻空注意力網(wǎng)絡進行評估，，其中，代表樣本數(shù)，是分類數(shù)，是真實值，是預測值， i為第 i個樣本， c為類別數(shù)，對應左或右。

21、本發(fā)明的另一方面，還包括可實現(xiàn)所述基于多尺度頻空注意力網(wǎng)絡的聽覺注意解碼方法的系統(tǒng)，包括數(shù)據(jù)導入模塊、數(shù)據(jù)預處理模塊、所述的多尺度頻空注意力網(wǎng)絡、模型訓練模塊和結(jié)果可視化模塊；

22、所述數(shù)據(jù)導入模塊用于選擇不同類型的數(shù)據(jù)集并導入數(shù)據(jù)，所述數(shù)據(jù)預處理模塊對導入的數(shù)據(jù)進行預處理，所述預處理包括降采樣、高通濾波、低通濾波和/或歸一化；

23、所述模型訓練模塊用于設置時間窗的長短以及數(shù)據(jù)集劃分比例，以優(yōu)化多尺度頻空注意力網(wǎng)絡的訓練效果，以適應不同的聽覺注意力解碼任務需求；

24、所述結(jié)果可視化模塊可視化展示多尺度頻空注意力網(wǎng)絡訓練后模型預測結(jié)果的準確率，當步驟2.3中預測語音方向為左側(cè)概率高時，模型預測結(jié)果為“左側(cè)”，當步驟2.3中預測語音方向為右側(cè)概率高時，模型預測結(jié)果為“右側(cè)”，所述準確率為所有樣本中預測正確的占總樣本的百分比。

25、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

26、（1）高效特征提取與自適應頻域信息獲?。罕景l(fā)明提出的mssanet模型通過多尺度時域卷積提取不同頻域范圍內(nèi)的eeg局部特征，能夠模擬濾波過程，避免手動提取頻域特征的復雜預處理，且能自適應獲取與聽覺注意力解碼相關的頻域信息。時域?qū)?shù)方差計算單元對eeg信號進行處理時，一方面能夠高效地提取時域信息，另一方面巧妙地保留了信號中的空間信息經(jīng)實驗驗證，相比傳統(tǒng)卷積和池化操作，顯著提高聽覺注意解碼準確率；

27、（2）增強模型性能的頻空注意力模塊：該模塊借助自注意力機制和可學習位置編碼，有效捕獲不同腦區(qū)之間的長范圍依賴和全局依賴性，全面獲取與聽覺注意力相關的頻域和空間信息，提升模型性能。自注意力機制可通過增強與聽覺注意相關的腦區(qū)對的交互權(quán)重，抑制無關頻段/腦區(qū)的干擾。該模塊實現(xiàn)了對eeg信號中跨頻段空間依賴關系的顯式建模，為聽覺注意力解碼提供了更具全局視角的特征表示；

28、（3）卓越的實驗表現(xiàn)與高實用價值：在kul和dtu公開數(shù)據(jù)集實驗中，mssanet?展現(xiàn)超強實力，在極短的0.1秒、0.5秒以及常規(guī)的1秒決策窗口下，均呈現(xiàn)最高分類準確率。這種在短解碼時間窗下的優(yōu)異表現(xiàn)，為實時聽覺注意力解碼筑牢根基，極大提升了響應速度與精準度。憑借此優(yōu)勢，其在神經(jīng)驅(qū)動的聽覺輔助設備（人工耳蝸或者助聽器）等實際應用場景中，極具實用價值，能切實滿足現(xiàn)實需求，為相關領域發(fā)展注入強大動力；

29、（4）構(gòu)建高效自動化解碼系統(tǒng)：本發(fā)明基于多尺度頻空注意力網(wǎng)絡框架開發(fā)聽覺注意力解碼系統(tǒng)，集成數(shù)據(jù)導入、預處理、模型訓練、結(jié)果可視化等模塊。支持多種數(shù)據(jù)集及格式導入，經(jīng)降采樣等預處理，通過可調(diào)時間窗等訓練參數(shù)優(yōu)化模型，以準確率可視化呈現(xiàn)結(jié)果，實現(xiàn)全流程自動化分析。具備參數(shù)靈活可調(diào)、高效處理數(shù)據(jù)能力，減少人工誤差，為聽覺注意力相關研究與應用提供有力工具。