本发明涉及孤独症识别，具体涉及一种基于脑电数据的轻量级卷积神经网络识别孤独症方法及系统。
背景技术：
1、孤独症是最常见的神经发育障碍之一，始于儿童早期，并持续一生。孤独症患者的特征表现为社会交往障碍、语言交流障碍和重复刻板行为。据世界卫生组织报道，孤独症在全球的患病率约为1％，并且随着时间的推移在全球范围内呈上升趋势。目前，在临床上，孤独症的诊断在很大程度上仍然依赖于对儿童行为的评估，这会导致人为诊断错误。脑电技术通过放置在头皮上的电极记录大脑产生的脑电信号，由于其优异的时间分辨率、方便性、低设置成本和非侵入性而得到广泛应用。为了更加准确地识别出患者，将深度学习结合脑电信号数据从而辅助医生诊断变得尤为重要。然而，现有的模型会浪费大量的计算能力，导致模型识别孤独症的效率低下，并且也会导致模型训练较为耗时。因此，我们设计一种新颖的时空注意力机制将时间维度和空间维度的特征整合起来，提出了一种基于脑电数据的轻量级卷积神经网络识别孤独症方法，以解决模型识别孤独症的效率低下且训练耗时的问题。
技术实现思路
1、本发明提出了一种基于脑电数据的轻量级卷积神经网络识别孤独症方法，以解决上述背景技术中提到的问题。本发明的技术方案步骤如下：
2、步骤1：脑电数据采集和预处理模块，采集孤独症儿童和正常健康儿童的脑电数据，并利用matlab平台上的eeglab工具箱对脑电数据进行预处理操作：
3、步骤1.1：使用128个电极阵列采集脑电数据，采样率为1000hz，共获取73名儿童的脑电数据，其中41名孤独症儿童，年龄为4-7岁，32名正常健康儿童，年龄为6-8岁，将每个儿童的脑电数据分成10-13个片段，每个片段的长度为4s；
4、步骤1.2：首先，对1-45hz范围内的128通道脑电数据进行带通滤波；随后，使用平均参考作为重参考方法；然后，检测并处理有问题的电极通道，通过插值来修复不良通道；最后，使用独立成分分析去除伪影，独立成分分析能够将多通道脑电数据分解为空间不变、时间独立的多个分量，在生成独立成分分析分量后，去除每一类的伪影分量，得到干净的脑电图；这些儿童的脑电数据可以作为模型的输入：x＝[x0，x1，...，xn]，xn∈r128×4000，其中n表示脑电数据片段的总数。
5、步骤2：时间卷积模块，采用多尺度时间卷积核提取脑电信号在时间维度上不同尺度的信息。将预处理后的脑电信号送入到时间卷积模块，首先使用多尺度时间卷积核并行进行一维卷积运算，这些时间卷积核在时间维度上的长度分别为采样率的1/2，1/4，1/8，1/16，其尺度分别为(1，500)，(1，250)，(1，125)，(1，62)。然后，使用relu激活函数获取卷积操作后的特征更丰富的表示，并且提升运算速度，减少模型训练和推理的时间成本。最后，采用平均池化方法减轻噪声的影响，同时降低特征维数，得到脑电信号在时间维度上不同尺度的特征：
6、
7、其中，表示四个不同尺度的时间卷积核，u＝[1，2，3，4]，conv1d表示时间卷积核大小为的一维卷积运算，relu表示激活函数，avgpool表示平均池化。
8、将每一层时间核的输出沿着特征维度进行拼接，并采用批处理归一化来稳定和加速模型的训练。时间卷积模块的输出zt可以表示为：
9、
10、其中，fbn表示批处理归一化，[·]表示每一层时间卷积核输出的拼接。
11、步骤3：时空注意力模块，将时间维度和空间维度的特征整合起来，从而有效地提取脑电信号特征。首先，对得到的特征图进行时域自适应平均池化，提取时间信息；同时，保留了空间域中的所有信息。然后，我们利用卷积运算有效地减少参数的数量，进一步提取空间信息。最后，使用softmax函数对注意力权重进行归一化处理。由于脑电图对幅度变化很敏感，我们采用标量乘法进一步扩展softmax函数的输出，从而将其匹配到与时间卷积得到的特征相同的数量级。设l为时空注意力模块的输入特征，则生成特征图：
12、m(l)＝(softmax(conv((pooling(l))t)))t*c′ (3)
13、其中，softmax表示softmax函数，pooling表示自适应平均池化。
14、步骤4：空间卷积模块，采用多尺度空间卷积核提取脑电信号在空间维度上的信息，其大小与脑电图通道的位置相关。首先对多尺度空间卷积核并行进行一维卷积运算，这里，我们使用全局空间卷积核和半球空间卷积核。一方面，全局空间卷积核可以捕获全局空间模式，其大小与输入脑电数据的通道数相同，即全局空间卷积核的大小设置为(128，1)，步长为(1，1)；另一方面，半球空间卷积核可以有效地捕获和建模左右半球之间的相关性，即半球空间卷积核的大小和步长都设置为(64，1)。然后，使用relu激活函数获取卷积操作后的特征更丰富的表示，最后，采用平均池化方法减轻噪声的影响，同时降低特征维数，得到脑电信号在空间维度上不同尺度的特征：
15、
16、其中，表示全局空间卷积核和半球空间卷积核，v＝[0，1]，v＝0时表示全局空间卷积核，v＝1时表示半球空间卷积核，convld表示空间卷积核大小为的一维卷积运算，relu表示激活函数，avgpool表示平均池化。
17、将每一层空间卷积核的输出沿着空间维度进行拼接，并采用批处理归一化来稳定和加速模型的训练。空间卷积模块的输出zs可以表示为：
18、
19、其中，fbn表示批处理归一化，[·]表示每一层空间卷积核输出的拼接。全局空间卷积核的输出长度为1；半球空间卷积核的输出长度为2，分别代表两个半球。拼接后，总长度为3。
20、步骤5：可分离卷积模块，它由深度卷积和逐点卷积组成，其中深度卷积通过为每个输入通道共享一个卷积核来减少参数的数量，逐点卷积通过仅对一个通道的输出操作每个卷积核来减少参数的数量。此外，在深度卷积中，每个特征图的核心特征被学习总结，实现了特征内和特征间关系的显式解耦；在逐点卷积中，学习到的特征图以最优的方式组合在一起。
21、步骤6：分类模块，用于对步骤5学习到的特征图进行分类，具体地说，将学习到的特征图通过一个全连接层，然后通过softmax层得到最终的预测结果。
22、一种基于脑电数据的轻量级卷积神经网络识别孤独症系统，其特征在于，包括脑电数据采集和预处理模块，时间卷积模块，时空注意力模块，空间卷积模块，可分离卷积模块和分类模块；
23、脑电数据采集和预处理模块：采集孤独症儿童和正常健康儿童的脑电数据，并利用matlab平台上的eeglab工具箱对脑电数据进行预处理操作；
24、时间卷积模块：采用多尺度时间卷积核提取脑电信号在时间维度上不同尺度的信息；
25、时空注意力模块：将时间维度和空间维度的特征整合起来，从而有效地提取脑电信号特征；
26、空间卷积模块：采用多尺度空间卷积核提取脑电信号在空间维度上的信息；
27、可分离卷积模块：每个特征图的核心特征被学习总结，实现了特征内和特征间关系的显式解耦，学习到的特征图以最优的方式组合在一起；
28、分类模块：将学习到的特征图通过一个全连接层，然后通过softmax层得到最终的预测结果。
29、实施本发明的一种基于脑电数据的轻量级卷积神经网络识别孤独症方法及系统，具有以下有益效果：本发明提出一种基于脑电数据的轻量级卷积神经网络识别孤独症方法及系统，采用多尺度的时间卷积层和空间卷积层同时从时间维度和空间维度学习不同的特征表示，引入了一种新的时空注意机制，将时间维度和空间维度的特征整合起来，实现了更准确的孤独症分类，为孤独症识别技术的应用提供了更加可靠和高效的解决方案，并且具有更少的参数量，所需的推理时间也更短，解决了模型识别孤独症的效率低下且训练耗时的问题。
30、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
1.一种基于脑电数据的轻量级卷积神经网络识别孤独症方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于脑电数据的轻量级卷积神经网络识别孤独症方法，其特征在于，在所述步骤1中的脑电数据采集和预处理模块的子步骤为：
3.一种基于脑电数据的轻量级卷积神经网络识别孤独症系统，其特征在于，包括脑电数据采集和预处理模块、时间卷积模块、时空注意力模块、空间卷积模块、可分离卷积模块、分类模块；
