CN105944233B - 基于深度学习的视神经仿真方法及系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的视神经仿真方法及系统，其中，方法包括以下步骤：发射可见光信号；采集视觉神经电信号得到第一视觉神经仿真电信号，对大脑视觉处理皮层进行二维成像得到第一近红外脑功能区域仿真二维图像；对接收的可见光信号进行滤波、前修饰和采样，进而得到第二视觉神经仿真电信号与第二近红外功能区域仿真二维图像；进行分析和评估，评估后的数据作为修正深度学习模块的参数，以多维向量形式传输给深度学习模块，从而使用多维向量进行深度学习网络的重构。该方法可以使用深度学习方法对人脑和视觉神经系统进行医用仿真和康复训练，简单稳定，以及随着训练数据量增加，系统增益可以显著提高。

Description

基于深度学习的视神经仿真方法及系统

技术领域

本发明涉及计算机人工智能技术领域，特别涉及一种基于深度学习的视神经仿真方法及系统。

背景技术

随着脑神经科学的进步与人工智能深度学习的发展，以及神经信号处理技术的飞速进步，使用人工智能技术进行类脑计算和脑机接口实现，成为跨计算机科学、医学和生命科学三个领域的热点方向。使用电子设备和近红外设备采集脑电、脑区活跃热点和肌肉电信号成为可能。通过采集到的肌肉电信号可以实现对运动神经中传输的信息进行解析，从而实现对人造肌肉和外骨骼机械的控制，或替代因中风以及外伤等原因受损的运动神经，使用经皮电刺激技术驱动肌肉，实现残障人士的复原。通过采集到的脑电信号和近红外光电信号可以对人脑新皮层和皮下3厘米的大脑皮层进行实时脑神经活跃区域解析，从而实现对人脑思维活动的实时理解，实现新形式的脑机接口，驱动电脑输入设备等。

由于人脑和神经元链接方式的多样性和复杂度，在深度学习方法出现之前，人工神经元网络集中在使用越来越复杂的方法来仿真人脑和神经元链接处理图像识别和自然语言识别等问题。事实证明这个方法是无法收敛在有限搜索空间内的，并且随着数据量的增加，计算复杂度剧增，而效果增益并无显著提高，甚至存在过训练的倒退，远远无法和人脑的性能相提并论。深度学习方法的出现为理解人脑和神经元的工作链接方式，以及使用计算机模拟仿真人脑和神经，进而替代人脑和神经提供了一种可能的方法，是一种新的跨计算机科学、医学和生命科学三个专业的方向。

相比其他方法，深度学习方法具备单运算单元算法简单稳定，网络结构可自主学习进化，以及随着训练数据量增加，系统增益显著提高等优点。在人脸/图像识别和自然语言处理领域，深度学习取得了显著的成果，被广泛的应用在计算机人工智能领域。

发明内容

本申请是基于发明人对以下问题的认识和发现作出的：

在过去的医用神经康复领域，脑神经链接的复杂度过高，也缺乏有效探测手段，主要工作集中在相对简单的运动神经方向。然而，对由于中风造成运动神经失能而失去肢体控制的病人，使用脑电和肌电设备在脑干部分采集运动神经驱动信号，经过滤波取得较好的控制信号，通过导线替代失能的神经将控制信号传输到失去控制的肢体，使用经皮电刺激使肢体重新被控制。相比以控制信号传输为主要目标的运动神经，每个脑神经细胞的链接维度都更加丰富，在宏观上产生了几何级数的爆炸式增长。这种机械式的测量---传输---刺激的方法无法解释和分析脑对高复杂度的信号的刺激，比如光和声音。

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于深度学习的视神经仿真方法，该方法可以使用深度学习方法对人脑和视觉神经系统进行医用仿真和康复训练。

本发明的另一个目的在于提出一种基于深度学习的视神经仿真系统。

为达到上述目的，本发明一方面实施例提出了一种基于深度学习的视神经仿真方法，包括以下步骤：配置调制方式和频率控制LED控制设备，以通过所述可调制可见光光源同时发射可见光信号至用户与可见光传感器；通过脑电信号采集模块采集视觉神经电信号得到第一视觉神经仿真电信号，并且通过近红外脑功能成像模块对大脑视觉处理皮层进行二维成像得到第一近红外脑功能区域仿真二维图像；根据所述第一视觉神经仿真电信号与所述第一近红外脑功能区域仿真二维图像得到视觉系统反馈结果；通过深度学习模块的深度学习预处理子模块对所述可见光传感器接收的所述可见光信号进行滤波、前修饰和采样，进而导入深度学习模块的视觉神经电信号仿真子模块和近红外脑功能成像子模块，以得到第二视觉神经仿真电信号与第二近红外功能区域仿真二维图像；根据所述第二视觉神经仿真电信号与所述第二近红外脑功能区域仿真二维图像得到视觉系统反馈仿真结果；通过训练-学习-检测模块对所述视觉系统反馈结果与所述视觉系统反馈仿真结果进行分析和评估，评估后的数据作为修正所述深度学习模块的参数，以多维向量形式传输给所述深度学习模块，从而所述深度学习模块使用所述多维向量进行深度学习网络的重构。

本发明实施例的基于深度学习的视神经仿真方法，通过仿真患者/被使用者在不同光学特性和电子特性/调制方式的可见光影响下产生的不同视觉神经信号和脑功能活跃区域，实现对患者/被使用者的脑视觉中枢的调控和影响，从而达到舒缓神经，表达选择，促进血液循环、运动神经和脑区恢复等，通过使用深度学习方法对人脑和视觉神经系统进行医用仿真和康复训练，简单稳定，以及随着训练数据量增加，系统增益可以显著提高。

另外，根据本发明上述实施例的基于深度学习的视神经仿真方法还可以具有以下附加的技术特征：

可选地，在本发明的一个实施例中，所述调制方式可以为OFDM调制，所述频率可以为50Hz。

进一步地，在本发明的一个实施例中，所述脑电信号采集模块设置于用户的耳后。

进一步地，在本发明的一个实施例中，所述近红外脑功能成像模块设置于用户的额头上。

进一步地，在本发明的一个实施例中，在发射所述可见光信号之前，还包括：对所述可调制可见光光源进行初始化。

为达到上述目的，本发明另一方面实施例提出了一种基于深度学习的视神经仿真系统，包括：可见光传感器；LED控制设备，所述LED控制设备包括可调制可见光光源，所述LED控制设备通过配置调制方式和频率控制所述可调制可见光光源同时发射可见光信号至用户与所述可见光传感器；脑电信号采集模块，用于采集视觉神经电信号得到第一视觉神经仿真电信号；近红外脑功能成像模块，用于对大脑视觉处理皮层进行二维成像得到第一近红外脑功能区域仿真二维图像；深度学习模块，用于对所述可见光传感器接收的所述可见光信号进行滤波、前修饰和采样；视觉神经电信号仿真子模块和近红外脑功能成像子模块，用于接收所述深度学习模块导入的可见光信号，以得到第二视觉神经仿真电信号与第二近红外功能区域仿真二维图像；训练-学习-检测模块，用于根据所述第一视觉神经仿真电信号与所述第一近红外脑功能区域仿真二维图像得到视觉系统反馈结果，并且根据所述第二视觉神经仿真电信号与所述第二近红外脑功能区域仿真二维图像得到视觉系统反馈仿真结果，从而对所述视觉系统反馈结果与所述视觉系统反馈仿真结果进行分析和评估，评估后的数据作为修正所述深度学习模块的参数，以多维向量形式传输给所述深度学习模块，从而所述深度学习模块使用所述多维向量进行深度学习网络的重构。

本发明实施例的基于深度学习的视神经仿真系统，通过仿真患者/被使用者在不同光学特性和电子特性/调制方式的可见光影响下产生的不同视觉神经信号和脑功能活跃区域，实现对患者/被使用者的脑视觉中枢的调控和影响，从而达到舒缓神经，表达选择，促进血液循环、运动神经和脑区恢复等，通过使用深度学习方法对人脑和视觉神经系统进行医用仿真和康复训练，简单稳定，以及随着训练数据量增加，系统增益可以显著提高。

另外，根据本发明上述实施例的基于深度学习的视神经仿真系统还可以具有以下附加的技术特征：

可选地，在本发明的一个实施例中，所述调制方式可以为OFDM调制，所述频率可以为50Hz。

进一步地，在本发明的一个实施例中，所述脑电信号采集模块设置于用户的耳后。

进一步地，在本发明的一个实施例中，所述近红外脑功能成像模块设置于用户的额头上。

进一步地，在本发明的一个实施例中，在发射所述可见光信号之前，通过所述LED控制设备对所述可调制可见光光源进行初始化。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的基于深度学习的视神经仿真方法的流程图；

图2为根据本发明一个实施例的基于深度学习的视神经仿真系统的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的基于深度学习的视神经仿真方法及系统，首先将参照附图描述根据本发明实施例提出的基于深度学习的视神经仿真方法。

图1是本发明一个实施例的基于深度学习的视神经仿真方法的流程图。

如图1所示，该基于深度学习的视神经仿真方法包括以下步骤：

在步骤S101中，配置调制方式和频率控制LED控制设备，以通过可调制可见光光源同时发射可见光信号至用户与可见光传感器。

可选地，在本发明的一个实施例中，调制方式可以为OFDM调制，频率可以为50Hz。

进一步地，在本发明的一个实施例中，在发射可见光信号之前，还包括：对可调制可见光光源进行初始化。

可以理解为，首先配置调制方式和频率控制设备，对可调制可见光光源进行初始化。初始化后，可调制可见光光源发射出可见光信号。其中，可通过软件自由配置调制方式和频率控制参数的可见光发射设备。

在步骤S102中，通过脑电信号采集模块采集视觉神经电信号得到第一视觉神经仿真电信号，并且通过近红外脑功能成像模块对大脑视觉处理皮层进行二维成像得到第一近红外脑功能区域仿真二维图像。

进一步地，在本发明的一个实施例中，脑电信号采集模块可以设置于用户的耳后，近红外脑功能成像模块可以设置于用户的额头上。

在步骤S103中，根据第一视觉神经仿真电信号与第一近红外脑功能区域仿真二维图像得到视觉系统反馈结果。

具体而言，患者/被使用者和可见光传感器同时接收到相同的可见光信号作为输入。患者/被使用者的视觉神经和大脑视觉处理皮层对输入的可见光信号进行传输和处理，使用脑电信号采集模块在耳后采集视觉神经电信号，使用近红外脑功能成像模块对大脑视觉处理皮层进行二维成像。视觉神经电信号和近红外脑功能区域二维图像合在一起称为视觉系统反馈结果。

在步骤S104中，通过深度学习模块的深度学习预处理子模块对可见光传感器接收的可见光信号进行滤波、前修饰和采样，进而导入深度学习模块的视觉神经电信号仿真子模块和近红外脑功能成像子模块，以得到第二视觉神经仿真电信号与第二近红外脑功能区域仿真二维图像。

在步骤S105中，根据第二视觉神经仿真电信号与第二近红外脑功能区域仿真二维图像得到视觉系统反馈仿真结果。

具体地，可见光传感器将接收到相同的可见光信号转化为电信号作为输出。该电信号作为输入传输给深度学习模块，深度学习模块将可见光电信号分别进行滤波、前修饰和采样之后分别导入输入视觉神经电信号仿真子模块和近红外脑功能成像子模块，产生仿真的视觉神经电信号和近红外脑功能区域二维图像。由深度学习模块产生的仿真视觉神经电信号和仿真近红外脑功能区域二维图像合称为视觉系统仿真结果。

在步骤S106中，通过训练-学习-检测模块对视觉系统反馈结果与视觉系统反馈仿真结果进行分析和评估，评估后的数据作为修正深度学习模块的参数，以多维向量形式传输给深度学习模块，从而深度学习模块使用多维向量进行深度学习网络的重构。

也就是说，视觉系统反馈结果和视觉系统仿真结果作为两路输入到训练-学习-检测模块(Training-Learning-Detection，TLD模块)。训练-学习-检测模块对视觉系统反馈结果和视觉系统仿真结果进行分析评估，评估后的数据作为修正深度学习模块的参数，以多维向量形式传输给深度学习模块。深度学习模块使用该向量进行深度学习网络的重构，优化仿真结果。

下面以一个具体示例对本发明实施例的基于深度学习的视神经仿真方法进行详细描述。

在本发明的一个具体实施例中，以通过发送经过OFDM调制的50Hz可见光为例：

在步骤S1中，通过软件配置可见光发生设备发送50Hz经过OFDM方式调制的可见光信号。

在步骤S2中，部署在患者/被使用者耳后的脑电信号采集模块经过若干秒探测到视觉神经电信号中产生50Hz附近具有OFDM调制特性的神经传导波。

在步骤S3中，部署在患者/被使用者额头上的近红外脑功能成像模块产生视觉处理脑区的二维近红外图像/视频序列。

在步骤S4中，视觉神经电信号和近红外脑功能区域二维图像合在一起成为视觉系统反馈结果输入到训练-学习-检测模块。

在步骤S5中，可见光传感器模块输出的电信号的深度学习模块。

在步骤S6中，深度学习模块解调出50Hz，OFDM特性，在当前深度学习网络进行处理，得到由仿真视觉神经电信号和仿真近红外脑功能区域二维图像/视频序列组成的视觉系统仿真结果输入到训练-学习-检测模块。

在步骤S7中，训练-学习-检测模块对视觉系统仿真结果和视觉系统反馈结果进行分析判断，发现视觉系统仿真结果与视觉系统反馈结果相同，多维向量误差在可以接受的范围e内，判定此次仿真是正确的，显示在控制平台上，将多维向量误差传输给深度学习模块。

在步骤S8中，将50Hz附近OFDM调制特性的实例结果，输入数据库。

在步骤S9中，数据保存格式表1所示。表1为数据保存格式，如下所示：

表1

UserID

LED codec

LED Freq

NetworkFile

Vector

其中，UserID表示患者/被使用者的名称，LED codec表示此次可见光的调制方式，LED Freq表示此次可见光的工作频率，NetworkFile表示此次深度学习网络的结构，Vector表示此次TLD模块的误差评估向量，Type占用两个字节；LED codec占用两个字节；LED Freq占用两个字节；NetworkFile是一个文件链接，Vector是一个与NetworkFile等长的多维向量。

根据本发明实施例的基于深度学习的视神经仿真方法，适用于针对心理和生理康复阶段的患者进行其所处的可见光环境对视觉神经系统的影响进行分析，通过仿真患者/被使用者在不同光学特性和电子特性/调制方式的可见光影响下产生的不同视觉神经信号和脑功能活跃区域，实现对患者/被使用者的脑视觉中枢的调控和影响，从而达到舒缓神经，表达选择，促进血液循环、运动神经和脑区恢复等，通过使用深度学习方法对人脑和视觉神经系统进行医用仿真和康复训练，简单稳定，以及随着训练数据量增加，系统增益可以显著提高。

其次参照附图描述根据本发明实施例提出的基于深度学习的视神经仿真系统。

图2是本发明一个实施例的基于深度学习的视神经仿真系统的结构示意图。

如图2所示，该基于深度学习的视神经仿真系统包括：LED控制设备100、可见光传感器200、脑电信号采集模块、近红外脑功能成像模块、深度学习模块500和训练-学习-检测模块600。其中，深度学习模块500包括：深度学习预处理子模块501、视觉神经电信号仿真子模块502和近红外脑功能成像子模块503。

具体地，LED控制设备100包括可调制可见光光源，LED控制设备100通过配置调制方式和频率控制可调制可见光光源同时发射可见光信号至用户与可见光传感器200。脑电信号采集模块用于采集视觉神经电信号得到第一视觉神经仿真电信号。近红外脑功能成像模块用于对大脑视觉处理皮层进行二维成像得到第一近红外脑功能区域仿真二维图像。其中，深度学习预处理子模块501用于对可见光传感器接收的可见光信号进行滤波、前修饰和采样，视觉神经电信号仿真子模块502和近红外脑功能成像子模块503用于接收深度学习模块500导入的可见光信号，以得到第二视觉神经仿真电信号与第二近红外功能区域仿真二维图像。训练-学习-检测模块600用于根据第一视觉神经仿真电信号与第一近红外脑功能区域仿真二维图像得到视觉系统反馈结果，并且根据第二视觉神经仿真电信号与第二近红外脑功能区域仿真二维图像得到视觉系统反馈仿真结果，从而对视觉系统反馈结果与视觉系统反馈仿真结果进行分析和评估，评估后的数据作为修正深度学习模块500的参数，以多维向量形式传输给深度学习模块500，从而深度学习模块500使用多维向量进行深度学习网络的重构。

在本发明的实施例中，本发明实施例的系统可以仿真具有不同光学特性和电子特性/调制方式的光对人类/患者的大脑产生的影响，使使用者任意组合出具有特定属性的光，对被使用者/人类/患者的脑视觉中枢进行可以调控的影响，如舒缓神经，表达选择，促进血液循环和脑区恢复等。

可选地，调制方式和频率可以为多种，例如调制方式可以为OFDM调制，频率可以为50Hz。

进一步地，在本发明的一个实施例中，脑电信号采集模块可以设置于用户的耳后。

进一步地，在本发明的一个实施例中，近红外脑功能成像模块可以设置于用户的额头上。

进一步地，在本发明的一个实施例中，在发射可见光信号之前，通过LED控制设备100对可调制可见光光源进行初始化，从而提高仿真准确度。

需要说明的是，前述对基于深度学习的视神经仿真方法实施例的解释说明也适用于该实施例的基于深度学习的视神经仿真系统，为减少冗余，此处不再赘述。

根据本发明实施例的基于深度学习的视神经仿真系统，适用于针对心理和生理康复阶段的患者进行其所处的可见光环境对视觉神经系统的影响进行分析，通过仿真患者/被使用者在不同光学特性和电子特性/调制方式的可见光影响下产生的不同视觉神经信号和脑功能活跃区域，实现对患者/被使用者的脑视觉中枢的调控和影响，从而达到舒缓神经，表达选择，促进血液循环、运动神经和脑区恢复等，通过使用深度学习方法对人脑和视觉神经系统进行医用仿真和康复训练，简单稳定，以及随着训练数据量增加，系统增益可以显著提高。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于深度学习的视神经仿真方法，其特征在于，包括以下步骤：

配置调制方式和频率控制LED控制设备，以通过可调制可见光光源同时发射可见光信号至用户与可见光传感器；

通过脑电信号采集模块采集视觉神经电信号得到第一视觉神经仿真电信号，并且通过近红外脑功能成像模块对大脑视觉处理皮层进行二维成像得到第一近红外脑功能区域仿真二维图像；

根据所述第一视觉神经仿真电信号与所述第一近红外脑功能区域仿真二维图像得到视觉系统反馈结果；

通过深度学习模块的深度学习预处理子模块对所述可见光传感器接收的所述可见光信号进行滤波、前修饰和采样，进而导入深度学习模块的视觉神经电信号仿真子模块和近红外脑功能成像子模块，以得到第二视觉神经仿真电信号与第二近红外功能区域仿真二维图像；

根据所述第二视觉神经仿真电信号与所述第二近红外脑功能区域仿真二维图像得到视觉系统反馈仿真结果；以及

通过训练-学习-检测模块对所述视觉系统反馈结果与所述视觉系统反馈仿真结果进行分析和评估，评估后的数据作为修正所述深度学习模块的参数，以多维向量形式传输给所述深度学习模块，从而所述深度学习模块使用所述多维向量进行深度学习网络的重构。

2.如权利要求1所述的基于深度学习的视神经仿真方法，其特征在于，所述调制方式为OFDM调制，所述频率为50Hz。

3.如权利要求1所述的基于深度学习的视神经仿真方法，其特征在于，所述脑电信号采集模块设置于用户的耳后。

4.如权利要求1所述的基于深度学习的视神经仿真方法，其特征在于，所述近红外脑功能成像模块设置于用户的额头上。

5.如权利要求1所述的基于深度学习的视神经仿真方法，其特征在于，在发射所述可见光信号之前，还包括：

对所述可调制可见光光源进行初始化。

6.一种基于深度学习的视神经仿真系统，其特征在于，包括：

可见光传感器；

LED控制设备，所述LED控制设备包括可调制可见光光源，所述LED控制设备通过配置调制方式和频率控制所述可调制可见光光源同时发射可见光信号至用户与所述可见光传感器；

脑电信号采集模块，用于采集视觉神经电信号得到第一视觉神经仿真电信号；

近红外脑功能成像模块，用于对大脑视觉处理皮层进行二维成像得到第一近红外脑功能区域仿真二维图像；

深度学习模块，所述深度学习模块包括深度学习预处理子模块、视觉神经电信号仿真子模块和近红外脑功能成像子模块，其中，所述深度学习预处理子模块用于对所述可见光传感器接收的所述可见光信号进行滤波、前修饰和采样，所述视觉神经电信号仿真子模块和近红外脑功能成像子模块，用于接收所述深度学习模块导入的可见光信号，以得到第二视觉神经仿真电信号与第二近红外功能区域仿真二维图像；以及

训练-学习-检测模块，用于根据所述第一视觉神经仿真电信号与所述第一近红外脑功能区域仿真二维图像得到视觉系统反馈结果，并且根据所述第二视觉神经仿真电信号与所述第二近红外脑功能区域仿真二维图像得到视觉系统反馈仿真结果，从而对所述视觉系统反馈结果与所述视觉系统反馈仿真结果进行分析和评估，评估后的数据作为修正所述深度学习模块的参数，以多维向量形式传输给所述深度学习模块，从而所述深度学习模块使用所述多维向量进行深度学习网络的重构。

7.如权利要求6所述的基于深度学习的视神经仿真系统，其特征在于，所述调制方式为OFDM调制，所述频率为50Hz。

8.如权利要求6所述的基于深度学习的视神经仿真系统，其特征在于，所述脑电信号采集模块设置于用户的耳后。

9.如权利要求6所述的基于深度学习的视神经仿真系统，其特征在于，所述近红外脑功能成像模块设置于用户的额头上。

10.如权利要求6所述的基于深度学习的视神经仿真系统，其特征在于，在发射所述可见光信号之前，通过所述LED控制设备对所述可调制可见光光源进行初始化。