CN109770896A - 梦境图像重现方法、装置及存储介质、服务器 - Google Patents
梦境图像重现方法、装置及存储介质、服务器 Download PDFInfo
- Publication number
- CN109770896A CN109770896A CN201910015343.8A CN201910015343A CN109770896A CN 109770896 A CN109770896 A CN 109770896A CN 201910015343 A CN201910015343 A CN 201910015343A CN 109770896 A CN109770896 A CN 109770896A
- Authority
- CN
- China
- Prior art keywords
- neural network
- dreamland
- fmri
- image
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像检测、图像分类技术领域,本申请实施例提供的一种梦境图像重现方法,包括:采集用户在睡眠状态时的脑电数据,依据所述脑电数据确定用户进入梦境状态;获取用户梦境状态下的测试fMRI数据,基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征;基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别。主要通过深度神经网络实现本申请前述的过程,在实现过程中,通过深度神经网络对fMRI数据进行解析,并通过深度神经网络对解析得到的神经网络特征进行匹配计算,实现概率的梦境中物体类别的判别,进而实现梦境图像的重现。
Description
技术领域
本发明涉及图像检测、图像分类技术领域,具体涉及一种梦境图像重现方法、装置及存储介质、服务器。
背景技术
睡眠中的梦是是一种自发的大脑活动,伴随出现高度真实的视觉场景。人们通常认为梦是由睡眠期间自发的大脑活动产生的,其活动模式与清醒时的经验相同。梦一般都包含了典型的清醒时的经验特征,如形状、大小和纹理特征等。因此体内外各种刺激因素都可能导致人们在睡眠时产生梦境,例如心理、生理、病理、环境因素等作用于大脑特定的皮层所产生的,其形式可以为影像、声音、思想、感觉等研究表明,美好的梦境在一定程度上可以带给人主观上较为愉悦的感受,人甚至可以在梦境中找到解决实际问题的灵感,但由于梦境的产生不受人体主观意识控制,从而人体从睡眠状态醒来后,通常不会记忆起完整清晰的梦境。
发明内容
为克服以上技术问题,特别是现有梦境图像中物体识别率不够准确导致梦境图像重现困难的问题,特提出以下技术方案:
本发明实施例提供的一种梦境图像重现方法,包括:
采集用户在睡眠状态时的脑电数据,依据所述脑电数据确定用户进入梦境状态;
获取用户梦境状态下的测试fMRI数据,基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征;
基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别。
可选地,所述基于采集用户在睡眠状态时的脑电数据之前,包括:
获取样本图像,通过所述样本图像训练深度神经网络,确定所述深度神经网络的fMRI解析模型。
可选地,所述获取样本图像,通过所述样本图像训练深度神经网络,确定所述深度神经网络的fMRI解析模型,包括:
随机标记不包括最后一层神经网络的所有神经网络中预设数量神经元以及最后一层神经网络中全部神经元;
获取样本图像,将所述样本图像输入所述深度神经网络,获得标记后的所述神经元的输出作为第一样本神经网络特征;
获取用户感知所述样本图像时的拟合fMRI数据,通过所述深度神经网络解析所述拟合fMRI数据,获得所述标记后的神经元输出的第二样本神经网络特征;
根据所述第一样本神经网络特征和所述第二样本神经网络特征,确定所述深度神经网络的拟合值,将所述拟合值输入所述深度神经网络,确定所述深度神经网络的fMRI解析模型;
所述预设数量神经元与所述最后一层神经网络中全部神经元的数量相等。
可选地,所述确定所述深度神经网络的fMRI解析模型之后,包括:
依次获取用户在感知同一类可感知对象时的训练fMRI数据,将所述训练fMRI数据输入所述深度神经网络的fMRI解析模型,确定所述训练fMRI数据对应的训练神经网络特征;
对同一类可感知对象的所述训练神经网络特征进行运算,确定同一类可感知对象的平均神经网络特征;
将所述平均神经网络特征与获得该平均神经网络特征的可感知对象类别以关联关系进行存储。
可选地,所述基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别,包括:
将所述神经网络特征与所述平均神经网络特征进行匹配,确定匹配值最大的所述平均神经网络特征;
基于所述将所述平均神经网络特征与可感知对象的关联关系类别确定所述神经网络特征对应的目标物体类别。
可选地,所述采集用户在睡眠状态时的脑电数据,包括:
采集用户在睡眠状态时的脑电数据以及用户对梦境的描述信息;
依据所述描述信息确定用户梦境中是否出现同一梦境图像。
可选地,所述基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征,包括:
获取所述同一梦境图像对应的两个以上的所述测试fMRI数据;
基于两个以上的所述测试fMRI数据确定所述同一梦境图像的平均fMRI数据;
基于所述深度神经网络的fMRI解析模型确定所述平均fMRI数据对应的所述神经网络特征。
本发明实施例还提供了一种梦境图像重现装置,包括:
梦境状态确定模块,用于采集用户在睡眠状态时的脑电数据,依据所述脑电数据确定用户进入梦境状态;
神经网络特征确定模块,用于获取用户梦境状态下的测试fMRI数据,基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征;
目标物体类别确定模块,用于基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现任一技术方案所述的梦境图像重现方法。
本发明实施例还提供了一种服务器,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行根据任一技术方案所述的梦境图像重现方法的步骤。
本发明与现有技术相比,具有以下有益效果:
1、本申请实施例提供的一种梦境图像重现方法,包括:采集用户在睡眠状态时的脑电数据,依据所述脑电数据确定用户进入梦境状态;获取用户梦境状态下的测试fMRI数据,基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征;基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别。本申请提供的梦境图像重现方法,主要通过深度神经网络对用户在梦境状态下的fMRI数据进行解析,以确定该fMRI数据对应神经网络特征,基于神经网络特征与网络/样本图像之间的对应,确定用户在梦境状态中的图像,将实现梦境图像的重现。梦境图像的确定主要是确定梦境图像中包含的物体类别,本申请通过神经网络对fMRI数据进行解析以及分类,可以高概率地识别梦境图像类别,实现梦境图像的重现。
2、本申请实施例提供的一种梦境图像重现方法,所述获取样本图像,通过所述样本图像训练深度神经网络,确定所述深度神经网络的fMRI解析模型,包括:随机标记不包括最后一层神经网络的所有神经网络中预设数量神经元以及最后一层神经网络中全部神经元;获取样本图像,将所述样本图像输入所述深度神经网络,获得标记后的所述神经元的输出作为第一样本神经网络特征;获取用户感知所述样本图像时的拟合fMRI数据,通过所述深度神经网络解析所述拟合fMRI数据,获得所述标记后的神经元输出的第二样本神经网络特征;根据所述第一样本神经网络特征和所述第二样本神经网络特征,确定所述深度神经网络的拟合值,将所述拟合值输入所述深度神经网络,确定所述深度神经网络的fMRI解析模型;所述预设数量神经元与所述最后一层神经网络中全部神经元的数量相等。通过深度神经网络提取样本图像和fMRI数据中的特征,进而能够排除图像和fMRI数据中的干扰特征,并将两者的特征进行拟合,可以修正单一特征对应的误差,进而能够更为准确的识别梦境图像中物体类别,提高梦境图像重现的准确率。
本发明附加的方面和优点将在下面的描述中部分给出,这些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为本发明梦境图像重现方法的典型实施例中一种实施方式的流程示意图;
图2为本发明梦境图像重现装置的典型实施例的结构示意图;
图3为本发明服务器的一实施例结构示意图。
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,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本领域技术人员应当理解,本发明所称的“应用”、“应用程序”、“应用软件”以及类似表述的概念,是业内技术人员所公知的相同概念,是指由一系列计算机指令及相关数据资源有机构造的适于电子运行的计算机软件。除非特别指定,这种命名本身不受编程语言种类、级别,也不受其赖以运行的操作系统或平台所限制。理所当然地,此类概念也不受任何形式的终端所限制。
本申请实施例提供的一种梦境图像重现方法,在其中一种实施方式中,如图1所示,包括:S100、S200、S300。
S100:采集用户在睡眠状态时的脑电数据,依据所述脑电数据确定用户进入梦境状态;
S200:获取用户梦境状态下的测试fMRI数据,基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征;
S300:基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别。
本申请提供的梦境图像重现方法,主要通过深度神经网络对用户在梦境状态下的fMRI数据进行解析,以确定该fMRI数据对应神经网络特征,基于神经网络特征与网络/样本图像之间的对应,确定用户在梦境状态中的图像,将实现梦境图像的重现。其中,fMRI数据为功能性磁共振成像的数据。结合前述过程,为了实现梦境图像的重新,在本申请中,通过脑电图来检测用户的睡眠状态,同时扫描用户大脑活动,通过特定的脑电特征确定用户进入梦境状态。当用户进入梦境状态之后,获取用户在梦境状态下的测试fMRI数据,将该测试fMRI数据输入由深度神经网络构建的fMRI数据解析模型,以便于解析模型能够对测试fMRI数据进行解析,得到测试fMRI数据对应神经网络特征,之后便则可以通过深度神经网络的分类方法对神经网络特征进行分类,确定用户梦境状态中的梦境图像。具体梦境图像的确定主要是确定梦境图像中包含的物体类别,本申请通过神经网络对fMRI数据进行解析以及分类,可以高概率地识别梦境图像类别,实现梦境图像的重现。
可选地,所述基于采集用户在睡眠状态时的脑电数据之前,包括:
获取样本图像,通过所述样本图像训练深度神经网络,确定所述深度神经网络的fMRI解析模型。
在本申请提供的实施例中,主要通过深度神经网络的fMRI解析模型确定用户的梦境图像,为了能够实现对梦境图像的准确分类,在进行测试fMRI数据分析之前,首先需要确定用户的梦境图像重现的模型。由于在本申请中主要通过深度神经网络实现梦境图像的重新,因此,本申请的解析模型也是通过深度神经网络实现的,为了能够确定梦境图像对应物体的类别,以便于其可以作为后续测试fMRI数据分类基准,在本申请中,获取样本图像,将样本图像输入神经网络,其中样本图像中包括了物体如:人、狗、汽车等,以便于确定该类别的物体在神经网络中对应的特征。
可选地,所述获取样本图像,通过所述样本图像训练深度神经网络,确定所述深度神经网络的fMRI解析模型,包括:
随机标记不包括最后一层神经网络的所有神经网络中预设数量神经元以及最后一层神经网络中全部神经元;
获取样本图像,将所述样本图像输入所述深度神经网络,获得标记后的所述神经元的输出作为第一样本神经网络特征;
获取用户感知所述样本图像时的拟合fMRI数据,通过所述深度神经网络解析所述拟合fMRI数据,获得所述标记后的神经元输出的第二样本神经网络特征;
根据所述第一样本神经网络特征和所述第二样本神经网络特征,确定所述深度神经网络的拟合值,将所述拟合值输入所述深度神经网络,确定所述深度神经网络的fMRI解析模型;
所述预设数量神经元与所述最后一层神经网络中全部神经元的数量相等。
结合前文所述,为了能够得到分类更为准确的深度神经网络的fMRI解析模型,在进入用户梦境图像重现之前,将前述的样本图像输入神经网络中,进而可以便于通过样本图像对神经网络进行预训练。为了使得后续通过解析模型得到的神经网络特征更具有参考性。需要对神经网路的神经元进行标记,进而在进行神经网络训练以及后续fMRI过程中,能够将对应神经元输出的特征进行对比拟合,在此基础上获得的梦境图像更为准确。为了使得提取出的神经网络特征能够形成矩阵,所述预设数量神经元与所述最后一层神经网络中全部神经元的数量相等。在神经元标记完成之后,将样本图像输入所述深度神经网络,得到样本图像通过深度神经网络后标记的神经元输出的第一样本神经网络特征;将用户感知样本图像时产生的fMRI输入深度神经网络,通过深度神经网络解析后,得到深度神经网络中标记神经元输出的第二样本神经网络特征,将第一样本神经网络特征和第二样本神经网络特征进行拟合,确定两者的拟合值,将拟合值输入深度神经网络之后,便可以的到前述的深度神经网络的fMRI解析模型。在本申请提供的实施例中,采用一个8层预训练好的神经网络来做特征提取。在前七层中每层随机选1000个神经元,以及第八层的全部1000个神经元,即对选取的神经元进行标记,把一张图片前向传播过网络后,这些神经元的输出作为神经网络特征。这样每张图片前向传播之后,可以获得一个8层*1000特征/层的特征矩阵。之后用户感知样本图像时产生利用fMRI数据集来训练前述的深度神经网络,从该fMRI数据产生的神经网络特征来拟合不同层中不同特征的值,以便于后续能够实现从fMRI数据到特征空间的转换。
可选地,所述确定所述深度神经网络的fMRI解析模型之后,包括:
依次获取用户在感知同一类可感知对象时的训练fMRI数据,将所述训练fMRI数据输入所述深度神经网络的fMRI解析模型,确定所述训练fMRI数据对应的训练神经网络特征;
对同一类可感知对象的所述训练神经网络特征进行运算,确定同一类可感知对象的平均神经网络特征;
将所述平均神经网络特征与获得该平均神经网络特征的可感知对象类别以关联关系进行存储。
在前述的基础上确定深度神经网络的fMRI解析模型之后,为了能够将图像进行重现,依次获取用户感知同一类可感知对象时的训练fMRI数据,即可感知对象包括多种状态,如多种状态下人、狗、汽车等,将该训练fMRI数据输入前述的模型之后,便可以确定用户感知该类可感知对象的神经网络特征,其中该神经网络特征已经被前述的解析模型中的拟合值修正过,进而该神经网络特征可以更为准确的体现出图像对应的神经网络特征。由于同一类可感知对象可能有多种状态,为了更为准确,将同一类可感知对象的不同状态对应的神经网络特征做平均处理,进而可以获得同一类可感知对象对应的平均神经网络特征,即该平均神经网络特征能够更大范围的表征同一类可感知对象,为了在测试过程中能够快速地基于神经网络特征确定用户梦境中包含的物体,即梦境图像的重现,将平均神经网络特征与获得该平均神经网络特征的可感知对象类别以关联关系进行存储。
可选地,所述基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别,包括:
将所述神经网络特征与所述平均神经网络特征进行匹配,确定匹配值最大的所述平均神经网络特征;
基于所述将所述平均神经网络特征与可感知对象的关联关系类别确定所述神经网络特征对应的目标物体类别。
在前述的基础上确定了用户的神经网络特征之后,由于平均神经网络特征表征的物体类别范围较大,进而用户测试的fMRI数据可能对应有多个类别的平均神经网络特征。为了能够准确地确定用户梦境图像中包含的物体类别,以实现梦境图像的重现,获取测试fMRI数据得到的神经网络特征对应的平均神经网络特征,将用户测试得到的神经网络特征与平均神经网络特征进行匹配,即计算神经网络特征与平均神经网络特征的相关系数(前述的匹配值),获取相关系数最大的平均神经网络特征,将该评审神经网络特征对应的物体类别作为用户梦境图像中包含的类别,实现梦境图像的重现。结合前述可知,在解析模型过程中,通过对深度神经网络对样本图像以及用户感知样本图像时产生的fMRI数据进行分析,并对两者分析的结果进行拟合,使得解析模型解析出对应物体类别的神经网络特征的准确率更高,之后通过平均值以及相关系数的计算,深层次的增加了物体类别判断项目,进而使得物体类别的判断范围逐渐缩小,使得梦境图像重现的准确率更高。
可选地,所述采集用户在睡眠状态时的脑电数据,包括:
采集用户在睡眠状态时的脑电数据以及用户对梦境的描述信息;
依据所述描述信息确定用户梦境中是否出现同一梦境图像。
可选地,所述基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征,包括:
获取所述同一梦境图像对应的两个以上的所述测试fMRI数据;
基于两个以上的所述测试fMRI数据确定所述同一梦境图像的平均fMRI数据;
基于所述深度神经网络的fMRI解析模型确定所述平均fMRI数据对应的所述神经网络特征。
用户在测试过程中,同一梦境图像可能多次的重复出现,为了能够降低计算次数,缩短用户的测试时间,在采集用户在睡眠状态时的脑电数据时,同时叫醒用户,以使得用户能够描述对梦境中的物体等,进而可以获取到用户对梦境的描述信息,依据该用户描述信息便可以确定用户是否有相同的梦境图像出现,当相同梦境图像出现时,将该相同梦境图像对应的所有fMRI数据进行求和,并求取平均值,获得平均fMRI数据,之后将该平均fMRI数据通过前述深度神经网络的fMRI解析模型进行解析,获得该平均fMRI数据对应的神经网络特征,之后将该神经网络特征通过前述的方法确定梦境图像,实现梦境图像的重现,具体过程如前所述,在此不做赘述。
本发明实施例还提供了一种梦境图像重现装置,在其中一种实施方式中,如图2所示,包括:梦境状态确定模块100、神经网络特征确定模块200、目标物体类别确定模块300:
梦境状态确定模块100,用于采集用户在睡眠状态时的脑电数据,依据所述脑电数据确定用户进入梦境状态;
神经网络特征确定模块200,用于获取用户梦境状态下的测试fMRI数据,基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征;
目标物体类别确定模块300,用于基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别。
进一步地,如图2所示,本发明实施例中提供的一种梦境图像重现方法装置还包括:解析模型确定模块101,用于获取样本图像,通过所述样本图像训练深度神经网络,确定所述深度神经网络的fMRI解析模型。标记单元1011,用于随机标记不包括最后一层神经网络的所有神经网络中预设数量神经元以及最后一层神经网络中全部神经元;第一样本神经网络特征获得单元1012,用于获取样本图像,将所述样本图像输入所述深度神经网络,获得标记后的所述神经元的输出作为第一样本神经网络特征;第二样本神经网络特征获得单元1013,用于获取用户感知所述样本图像时的拟合fMRI数据,通过所述深度神经网络解析所述拟合fMRI数据,获得所述标记后的神经元输出的第二样本神经网络特征;解析模型确定单元1014,用于根据所述第一样本神经网络特征和所述第二样本神经网络特征,确定所述深度神经网络的拟合值,将所述拟合值输入所述深度神经网络,确定所述深度神经网络的fMRI解析模型;所述预设数量神经元与所述最后一层神经网络中全部神经元的数量相等。训练神经网络特征确定单元1015,用于依次获取用户在感知同一类可感知对象时的训练fMRI数据,将所述训练fMRI数据输入所述深度神经网络的fMRI解析模型,确定所述训练fMRI数据对应的训练神经网络特征;平均神经网络特征确定单元1016,用于对同一类可感知对象的所述训练神经网络特征进行运算,确定同一类可感知对象的平均神经网络特征;存储单元1017,用于将所述平均神经网络特征与获得该平均神经网络特征的可感知对象类别以关联关系进行存储。匹配单元310,用于将所述神经网络特征与所述平均神经网络特征进行匹配,确定匹配值最大的所述平均神经网络特征;目标物体类别确定单元320,用于基于所述将所述平均神经网络特征与可感知对象的关联关系类别确定所述神经网络特征对应的目标物体类别。描述信息获取单元110,用于采集用户在睡眠状态时的脑电数据以及用户对梦境的描述信息;判断单元120,用于依据所述描述信息确定用户梦境中是否出现同一梦境图像。测试fMRI数据获取单元210,用于获取所述同一梦境图像对应的两个以上的所述测试fMRI数据;平均fMRI数据确定单元220,用于基于两个以上的所述测试fMRI数据确定所述同一梦境图像的平均fMRI数据;神经网络特征确定单元230,用于基于所述深度神经网络的fMRI解析模型确定所述平均fMRI数据对应的所述神经网络特征。
本发明实施例提供的一种梦境图像重现方法装置可以实现上述梦境图像重现方法的实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
本发明实施例提供的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现任一项技术方案所述的梦境图像重现方法。其中,所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSS Memory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储设备包括由设备(例如,计算机、手机)以能够读的形式存储或传输信息的任何介质,可以是只读存储器,磁盘或光盘等。
本发明实施例提供的一种计算机可读存储介质,可实现上述梦境图像重现方法的实施例,在本申请中主要通过深度神经网络实现本申请前述的过程,在实现过程中,通过深度神经网络对fMRI数据进行解析,并通过深度神经网络对解析得到的神经网络特征进行匹配计算,实现概率的梦境中物体类别的判别,进而实现梦境图像的重现;本申请实施例提供的一种梦境图像重现方法,包括:采集用户在睡眠状态时的脑电数据,依据所述脑电数据确定用户进入梦境状态;获取用户梦境状态下的测试fMRI数据,基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征;基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别。本申请提供的梦境图像重现方法,主要通过深度神经网络对用户在梦境状态下的fMRI数据进行解析,以确定该fMRI数据对应神经网络特征,基于神经网络特征与网络/样本图像之间的对应,确定用户在梦境状态中的图像,将实现梦境图像的重现。其中,fMRI数据为功能性磁共振成像的数据。结合前述过程,为了实现梦境图像的重新,在本申请中,通过脑电图来检测用户的睡眠状态,同时扫描用户大脑活动,通过特定的脑电特征确定用户进入梦境状态。当用户进入梦境状态之后,获取用户在梦境状态下的测试fMRI数据,将该测试fMRI数据输入由深度神经网络构建的fMRI数据解析模型,以便于解析模型能够对测试fMRI数据进行解析,得到测试fMRI数据对应神经网络特征,之后便则可以通过深度神经网络的分类方法对神经网络特征进行分类,确定用户梦境状态中的梦境图像。具体梦境图像的确定主要是确定梦境图像中包含的物体类别,本申请通过神经网络对fMRI数据进行解析以及分类,可以高概率地识别梦境图像类别,实现梦境图像的重现。
此外,在又一种实施例中,本发明还提供一种服务器,如图3所示,所述服务器处理器503、存储器505、输入单元507以及显示单元509等器件。本领域技术人员可以理解,图3示出的结构器件并不构成对所有服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储器505可用于存储应用程序501以及各功能模块,处理器503运行存储在存储器505的应用程序501,从而执行设备的各种功能应用以及数据处理。存储器505可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器505只作为例子而非作为限定。
输入单元507用于接收信号的输入,以及用户输入的个人信息和相关的身体状况信息。输入单元507可包括触控面板以及其它输入设备。触控面板可收集客户在其上或附近的触摸操作(比如客户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元509可用于显示客户输入的信息或提供给客户的信息以及计算机设备的各种菜单。显示单元509可采用液晶显示器、有机发光二极管等形式。处理器503是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储器503内的软件程序和/或模块,以及调用存储在存储器内的数据,执行各种功能和处理数据。图3中所示的一个或多个处理器503能够执行、实现图2中所示的梦境状态确定模块100的功能、神经网络特征确定模块200的功能、目标物体类别确定模块300的功能、解析模型确定模块101的功能、标记单元1011的功能、第一样本神经网络特征获得单元1012的功能、第二样本神经网络特征获得单元1013的功能、解析模型确定单元1014的功能、训练神经网络特征确定单元1015的功能、平均神经网络特征确定单元1016的功能、存储单元1017的功能、匹配单元310的功能、目标物体类别确定单元320的功能、描述信息获取单元110的功能、判断单元120的功能、测试fMRI数据获取单元210的功能、平均fMRI数据确定单元220的功能、神经网络特征确定单元230的功能。
在一种实施方式中,所述服务器包括一个或多个处理器503,以及一个或多个存储器505,一个或多个应用程序501,其中所述一个或多个应用程序501被存储在存储器505中并被配置为由所述一个或多个处理器503执行,所述一个或多个应用程序301配置用于执行以上实施例所述的梦境图像重现方法。
本发明实施例提供的一种服务器,可实现上述梦境图像重现方法的实施例,在本申请中主要通过深度神经网络实现本申请前述的过程,在实现过程中,通过深度神经网络对fMRI数据进行解析,并通过深度神经网络对解析得到的神经网络特征进行匹配计算,实现概率的梦境中物体类别的判别,进而实现梦境图像的重现;本申请实施例提供的一种梦境图像重现方法,包括:采集用户在睡眠状态时的脑电数据,依据所述脑电数据确定用户进入梦境状态;获取用户梦境状态下的测试fMRI数据,基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征;基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别。本申请提供的梦境图像重现方法,主要通过深度神经网络对用户在梦境状态下的fMRI数据进行解析,以确定该fMRI数据对应神经网络特征,基于神经网络特征与网络/样本图像之间的对应,确定用户在梦境状态中的图像,将实现梦境图像的重现。其中,fMRI数据为功能性磁共振成像的数据。结合前述过程,为了实现梦境图像的重新,在本申请中,通过脑电图来检测用户的睡眠状态,同时扫描用户大脑活动,通过特定的脑电特征确定用户进入梦境状态。当用户进入梦境状态之后,获取用户在梦境状态下的测试fMRI数据,将该测试fMRI数据输入由深度神经网络构建的fMRI数据解析模型,以便于解析模型能够对测试fMRI数据进行解析,得到测试fMRI数据对应神经网络特征,之后便则可以通过深度神经网络的分类方法对神经网络特征进行分类,确定用户梦境状态中的梦境图像。具体梦境图像的确定主要是确定梦境图像中包含的物体类别,本申请通过神经网络对fMRI数据进行解析以及分类,可以高概率地识别梦境图像类别,实现梦境图像的重现。
本发明实施例提供的服务器可以实现上述提供的梦境图像重现方法的实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种梦境图像重现方法,其特征在于,包括:
采集用户在睡眠状态时的脑电数据,依据所述脑电数据确定用户进入梦境状态;
获取用户梦境状态下的测试fMRI数据,基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征;
基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别。
2.根据权利要求1所述的梦境图像重现方法,其特征在于,所述基于采集用户在睡眠状态时的脑电数据之前,包括:
获取样本图像,通过所述样本图像训练深度神经网络,确定所述深度神经网络的fMRI解析模型。
3.根据权利要求2所述的梦境图像重现方法,其特征在于,所述获取样本图像,通过所述样本图像训练深度神经网络,确定所述深度神经网络的fMRI解析模型,包括:
随机标记不包括最后一层神经网络的所有神经网络中预设数量神经元以及最后一层神经网络中全部神经元;
获取样本图像,将所述样本图像输入所述深度神经网络,获得标记后的所述神经元的输出作为第一样本神经网络特征;
获取用户感知所述样本图像时的拟合fMRI数据,通过所述深度神经网络解析所述拟合fMRI数据,获得所述标记后的神经元输出的第二样本神经网络特征;
根据所述第一样本神经网络特征和所述第二样本神经网络特征,确定所述深度神经网络的拟合值,将所述拟合值输入所述深度神经网络,确定所述深度神经网络的fMRI解析模型;
所述预设数量神经元与所述最后一层神经网络中全部神经元的数量相等。
4.根据权利要求3所述的梦境图像重现方法,其特征在于,所述确定所述深度神经网络的fMRI解析模型之后,包括:
依次获取用户在感知同一类可感知对象时的训练fMRI数据,将所述训练fMRI数据输入所述深度神经网络的fMRI解析模型,确定所述训练fMRI数据对应的训练神经网络特征;
对同一类可感知对象的所述训练神经网络特征进行运算,确定同一类可感知对象的平均神经网络特征;
将所述平均神经网络特征与获得该平均神经网络特征的可感知对象类别以关联关系进行存储。
5.根据权利要求4所述的梦境图像重现方法,其特征在于,所述基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别,包括:
将所述神经网络特征与所述平均神经网络特征进行匹配,确定匹配值最大的所述平均神经网络特征;
基于所述将所述平均神经网络特征与可感知对象的关联关系类别确定所述神经网络特征对应的目标物体类别。
6.根据权利要求1至5任一项所述的梦境图像重现方法,其特征在于,所述采集用户在睡眠状态时的脑电数据,包括:
采集用户在睡眠状态时的脑电数据以及用户对梦境的描述信息;
依据所述描述信息确定用户梦境中是否出现同一梦境图像。
7.根据权利要求6所述的梦境图像重现方法,其特征在于,所述基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征,包括:
获取所述同一梦境图像对应的两个以上的所述测试fMRI数据;
基于两个以上的所述测试fMRI数据确定所述同一梦境图像的平均fMRI数据;
基于所述深度神经网络的fMRI解析模型确定所述平均fMRI数据对应的所述神经网络特征。
8.一种梦境图像重现装置,其特征在于,包括:
梦境状态确定模块,用于采集用户在睡眠状态时的脑电数据,依据所述脑电数据确定用户进入梦境状态;
神经网络特征确定模块,用于获取用户梦境状态下的测试fMRI数据,基于深度神经网络的fMRI解析模型确定所述测试fMRI数据对应的神经网络特征;
目标物体类别确定模块,用于基于所述神经网络特征确定用户在梦境状态下的梦境图像中的目标物体类别。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现权利要求1至7任一项所述的梦境图像重现方法。
10.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行根据权利要求1至7任一项所述的梦境图像重现方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910015343.8A CN109770896A (zh) | 2019-01-08 | 2019-01-08 | 梦境图像重现方法、装置及存储介质、服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910015343.8A CN109770896A (zh) | 2019-01-08 | 2019-01-08 | 梦境图像重现方法、装置及存储介质、服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109770896A true CN109770896A (zh) | 2019-05-21 |
Family
ID=66499910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910015343.8A Pending CN109770896A (zh) | 2019-01-08 | 2019-01-08 | 梦境图像重现方法、装置及存储介质、服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109770896A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111671396A (zh) * | 2020-06-11 | 2020-09-18 | 北京脑陆科技有限公司 | 一种基于eeg信号的睡眠梦境反馈方法 |
CN112017773A (zh) * | 2020-08-31 | 2020-12-01 | 吾征智能技术(北京)有限公司 | 一种基于噩梦的疾病认知模型构建方法及疾病认知系统 |
CN113208627A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 基于脑电eeg信号的梦境判别方法及系统 |
CN115359914A (zh) * | 2022-08-26 | 2022-11-18 | 山东心法科技有限公司 | 基于量化描述向量的心理状态区分方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140221779A1 (en) * | 2013-02-06 | 2014-08-07 | Daniel Carleton Schoonover | Dream Enhancement Apparatus and Method |
US20180168452A1 (en) * | 2015-08-05 | 2018-06-21 | Seiko Epson Corporation | Brain image reconstruction apparatus |
CN108363487A (zh) * | 2018-01-29 | 2018-08-03 | 阿里巴巴集团控股有限公司 | 梦境重现模型的构建方法、梦境重现方法及装置 |
US20180286272A1 (en) * | 2015-08-28 | 2018-10-04 | Atentiv Llc | System and program for cognitive skill training |
-
2019
- 2019-01-08 CN CN201910015343.8A patent/CN109770896A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140221779A1 (en) * | 2013-02-06 | 2014-08-07 | Daniel Carleton Schoonover | Dream Enhancement Apparatus and Method |
US20180168452A1 (en) * | 2015-08-05 | 2018-06-21 | Seiko Epson Corporation | Brain image reconstruction apparatus |
US20180286272A1 (en) * | 2015-08-28 | 2018-10-04 | Atentiv Llc | System and program for cognitive skill training |
CN108363487A (zh) * | 2018-01-29 | 2018-08-03 | 阿里巴巴集团控股有限公司 | 梦境重现模型的构建方法、梦境重现方法及装置 |
Non-Patent Citations (1)
Title |
---|
TOMOYASU HORIKAWA等: "Hierarchical Neural Representation of Dreamed Objects Revealed by Brain Decoding with Deep Neural Network Features", 《FRONTIERS IN COMPUTATIONAL NEUROSCIENCE》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111671396A (zh) * | 2020-06-11 | 2020-09-18 | 北京脑陆科技有限公司 | 一种基于eeg信号的睡眠梦境反馈方法 |
CN112017773A (zh) * | 2020-08-31 | 2020-12-01 | 吾征智能技术(北京)有限公司 | 一种基于噩梦的疾病认知模型构建方法及疾病认知系统 |
CN112017773B (zh) * | 2020-08-31 | 2024-03-26 | 吾征智能技术(北京)有限公司 | 一种基于噩梦的疾病认知模型构建方法及疾病认知系统 |
CN113208627A (zh) * | 2021-04-07 | 2021-08-06 | 北京脑陆科技有限公司 | 基于脑电eeg信号的梦境判别方法及系统 |
CN115359914A (zh) * | 2022-08-26 | 2022-11-18 | 山东心法科技有限公司 | 基于量化描述向量的心理状态区分方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cichy et al. | AM/EEG-fMRI fusion primer: resolving human brain responses in space and time | |
US6546378B1 (en) | Signal interpretation engine | |
CN109770896A (zh) | 梦境图像重现方法、装置及存储介质、服务器 | |
KR102282961B1 (ko) | 감각 및 인지 프로파일링을 위한 시스템 및 방법 | |
Parra et al. | Spatiotemporal linear decoding of brain state | |
KR101680995B1 (ko) | 생물 물리학적 신호의 수집된 시간적 및 공간적 패턴에 기초한 뇌-컴퓨터 인터페이스(bci) 시스템 | |
JP6884344B2 (ja) | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル | |
CN109875579A (zh) | 情绪健康管理系统和情绪健康管理方法 | |
CN103294199B (zh) | 一种基于脸部肌音信号的无声信息识别系统 | |
Hanson et al. | High-resolution imaging of the fusiform face area (FFA) using multivariate non-linear classifiers shows diagnosticity for non-face categories | |
JP2017076193A (ja) | 脳活動解析装置、脳活動解析方法および脳活動解析プログラム | |
CN101932988A (zh) | 调整脑波信号识别方法的装置、方法以及程序 | |
CN110392549B (zh) | 确定引起期望行为的大脑刺激的系统、方法和介质 | |
CN111568412A (zh) | 一种利用脑电信号重建视觉图像的方法及装置 | |
Jaswal et al. | Empirical analysis of multiple modalities for emotion recognition using convolutional neural network | |
CN116595437B (zh) | 零校准迁移学习分类模型的训练方法、设备和存储介质 | |
RU2704497C1 (ru) | Способ формирования системы управления мозг-компьютер | |
Shen et al. | Spatial–temporal modelling of fMRI data through spatially regularized mixture of hidden process models | |
Tang et al. | Eye movement prediction based on adaptive BP neural network | |
Cecotti et al. | Suboptimal sensor subset evaluation in a p300 brain-computer interface | |
Manchala | Human computer interface using electroencephalography | |
Seric et al. | Human emotions classification using bag-of-words method on single electrode brain computer interface | |
Zaitcev | EEG source imaging for improved control BCI performance | |
Vanny et al. | Analysis of physiological signals for emotion recognition based on support vector machine | |
US20220054072A1 (en) | Brain Activation Matching |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |