CN110472395A - 脑波数据处理方法、装置、设备、介质及脑波数据处理器 - Google Patents
脑波数据处理方法、装置、设备、介质及脑波数据处理器 Download PDFInfo
- Publication number
- CN110472395A CN110472395A CN201910715817.XA CN201910715817A CN110472395A CN 110472395 A CN110472395 A CN 110472395A CN 201910715817 A CN201910715817 A CN 201910715817A CN 110472395 A CN110472395 A CN 110472395A
- Authority
- CN
- China
- Prior art keywords
- brain wave
- wave data
- noise reduction
- value
- data
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种脑波数据处理方法、装置、设备、介质及脑波数据处理器,该方法包括:获取用户的脑波数据;将脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据,预测修正数据包括不同时间点下的预测修正值;将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据,降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值;将预测修正数据和降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。该方法分别通过自联想记忆神经网络和异联想记忆神经网络对获取的脑波数据进行处理,可以大大降低脑波数据中的噪声,并可以进一步的对未来脑波数据进行预测。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种脑波数据处理方法、装置、设备、介质及脑波数据处理器。
背景技术
在医疗领域中,尽管目前有严格的政策法规来确保医疗数据的安全和隐私,但日益增长的网络安全隐患仍为医疗数据的安全性带来威胁。基于区块链的存储系统使用分布式存储技术,其内置的加密技术可以使存储的数据不易被篡改,因此,将区块链技术用于医疗数据的存储可以大大提高数据的安全性,并且存储可以访问医疗数据的用户的身份信息,当用户想要访问医疗数据时,需登录系统的信息与存储的身份信息匹配成功才可进行访问操作。
通常,存储于系统中的用户身份信息通常为指纹信息、人脸图像信息等,但当恶意用户想要登录系统时,其可以通过一定方式伪造真实用户的身份信息,这样仍导致医疗数据安全性降低。
那么,使用不易被伪造的用户脑波数据来进行用户身份鉴别可提高用户身份的真实性,但由于使用传感器采集到的用户脑波数据带有大量噪声,因此,需要对采集到的用户脑波数据进行降噪以进一步提高用户身份鉴别的准确性。
发明内容
基于此,有必要针对采集到的用户脑波数据进行降噪以进一步提高用户身份鉴别的准确性,提供一种脑波数据处理方法、装置、设备、介质及脑波数据处理器。
第一方面,本申请实施例提一种脑波数据处理方法,包括:
获取用户的脑波数据;脑波数据包括不同时间点下的脑波信号值;
将脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据;预测修正数据包括不同时间点下的预测修正值,预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异;
将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据;降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值;
将预测修正数据和降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。
在其中一个实施例中,在得到合并处理后的脑波数据之后,上述方法还包括:
将合并处理后的脑波数据输入身份权限判断网络进行身份权限判断处理,得到用户的身份权限判断结果。
在其中一个实施例中,将预测修正数据和降噪后的累计平均脑波数据进行合并,得到合并处理后的脑波数据,包括:
根据包含的关系式,得到合并处理后的脑波数据,为预测修正数据,为降噪后的累计平均脑波数据。
在其中一个实施例中,将脑波数据输入自联想记忆神经网络中进行预测处理,得到预测修正数据,包括:
根据包含的关系式,得到第t+1时间点的预测修正值其中,为自联想记忆神经网络的网络权重,为第t-1时间点到第t时间点的脑波数据的修正值,σ1为自联想记忆神经网络中的激活函数。
在其中一个实施例中,将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据,包括:
根据包含的关系式,得到第t+1时间点的降噪后的脑波信号累计平均值其中,为异联想记忆神经网络的网络权重,为第j时间点的脑波信号累计平均值,为第t时间点到第t+1时间点的脑波数据的修正值,σ2为异联想记忆神经网络中的激活函数。
在其中一个实施例中,上述身份权限判断网络为误差反向传播BP神经网络。
第二方面,本申请实施例提供一种脑波数据处理装置,包括:
获取模块,用于获取用户的脑波数据;脑波数据包括不同时间点下的脑波信号值;
预测模块,用于将脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据;预测修正数据包括不同时间点下的预测修正值,预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异;
降噪模块,用于将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据;降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值;
合并模块,用于将预测修正数据和降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取用户的脑波数据;脑波数据包括不同时间点下的脑波信号值;
将脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据;预测修正数据包括不同时间点下的预测修正值,预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异;
将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据;降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值;
将预测修正数据和降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取用户的脑波数据;脑波数据包括不同时间点下的脑波信号值;
将脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据;预测修正数据包括不同时间点下的预测修正值,预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异;
将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据;降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值;
将预测修正数据和降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。
第五方面,本申请实施例提供一种脑波数据处理器,包括脑波采集传感器、存储器和处理器,处理器与脑波采集传感器、存储器连接,脑波采集传感器用于采集用户的脑波数据,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取用户的脑波数据;脑波数据包括不同时间点下的脑波信号值;
将脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据;预测修正数据包括不同时间点下的预测修正值,预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异;
将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据;降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值;
将预测修正数据和降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。
上述脑波数据处理方法、装置、设备、介质及脑波数据处理器,首先获取用户的脑波数据;然后将脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据,预测修正数据包括不同时间点下的预测修正值,预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异;再将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据,降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值;最后将预测修正数据和降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。该方法分别通过自联想记忆神经网络和异联想记忆神经网络对获取的脑波数据进行处理,可以大大降低脑波数据中的噪声,并可以进一步的对未来脑波数据进行预测。
附图说明
图1为一个实施例提供的脑波数据处理方法的流程示意图;
图1a为一个实施例提供的联想记忆神经网络的网络结构示意图;
图1b为一个实施例提供的降噪合并的脑波数据与原始数据的对比示意图;
图1c为一个实施例提供的误差反向传播神经网络的网络结构示意图;
图2为一个实施例提供的脑波数据处理装置的结构示意图;
图3为另一个实施例提供的脑波数据处理装置的结构示意图;
图4为一个实施例提供的计算机设备的内部结构示意图;
图5为一个实施例提供的脑波数据处理器的结构示意图。
附图标记说明:
21:脑波采集传感器;22:存储器;23:处理器。
具体实施方式
本实施例提供的脑波数据处理方法,可以适用于在用户登录医疗系统时采集用户的脑波数据,并对用户的脑波数据进行降噪及预测的过程;对于降噪后的脑波数据,还可用于进行用户身份权限判断以及对恶意用户限制登录或在登录后限制其在医疗系统中的权限。
为了使本申请的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本申请实施例中的技术方案进行进一步的详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,下述方法实施例的执行主体可以是脑波数据处理装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
图1为一个实施例提供的脑波数据处理方法的流程示意图。本实施例涉及的是计算机设备获取用户的脑波数据,并对该脑波数据进行预测降噪的具体过程。如图1所示,该方法包括:
S101,获取用户的脑波数据;脑波数据包括不同时间点下的脑波信号值。
具体的,用户的脑波数据可以通过脑波采集仪或其他脑波采集传感器进行采集,然后计算机设备从脑波采集仪上获取用户的脑波数据。其中,该脑波数据可以为在用户输入账户密码以登录医疗系统时进行采集,其包括不同时间点下的脑波信号值。当然,针对不同的应用场景,该脑波数据也可以为在其他动作下进行采集,本实施例对此不做限定。
S102,将脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据;预测修正数据包括不同时间点下的预测修正值,预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异。
具体的,在得到用户的脑波数据后,由于使用的脑波采集仪或其他脑波传感器的硬件噪声,导致脑波数据含有大量的噪声,那么计算机设备可以将脑波数据输入自联想记忆神经网络中进行预测处理,得到预测修正数据,以使脑波数据波形平滑。
其中,联想记忆神经网络包括自联想记忆神经网络(Auto-Associative Memory)和异联想记忆神经网络(Hetero-Associative Memory),联想记忆神经网络的网络结构可以参见图1a所示。上述自联想记忆神经网络能将网络中输入模式映射到存贮在网络中不同模式的一种,一般情况下,该网络的输入模式与输出模式具有相同的维度。预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异,可选的,可以根据包含的关系式表示预测修正值,表示当前时间点的脑波信号值,表示上一时间点的脑波信号累计平均值。
可选的,在自联想记忆神经网络进行数据处理之前,计算机设备还需对该网络进行训练以达到收敛。本实施例中的训练数据为大量的用户脑波数据,该用户脑波数据可以为从基于区块链的存储系统中获取的,由于区块链的安全性较高,可以保证存储系统中的用户脑波数据不被篡改,因此可以使得训练得到的自联想记忆神经网络精度较高。
S103,将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据;降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值。
具体的,为进一步降低获取的用户脑波数据的噪声,计算机设备还可以将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据。
其中,异联想记忆神经网络在受到具有一定噪音的输入模式激发时,能通过状态的演化联想到原来模式的模式对。脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值,可选的,可以根据包含的关系式表示脑波信号累计平均值,xt为各时间点的降噪脑波信号值。
可选的,在异联想记忆神经网络进行数据处理之前,计算机设备也同样需对该网络进行训练以达到收敛。本实施例中的训练数据也为大量的用户脑波数据,该用户脑波数据同样可以为从基于区块链的存储系统中获取的,因此可以使得训练得到的异联想记忆神经网络精度较高。
S104,将预测修正数据和降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。
具体的,在得到上述预测修正数据和降噪后的累计平均脑波数据之后,计算机设备可以将这两个数据进行合并,得到最终的脑波数据。关于降噪合并后的脑波数据和原始数据对比可以参见图1b所示,可以看出本实施例得到的脑波数据相对于原数据波形比较平滑,降低了硬件噪声对脑波数据的干扰。
进一步的,本实施例的方法除了对获取的用户脑波数据进行降噪之外,还可以预测用户将来的脑波数据,例如,假设获取的脑波数据为第1s-10s的数据,计算机设备利用本实施例的方法可以预测第10s-15s的脑波数据,且该段数据也为降噪后的脑波数据。
本实施例提供的脑波数据处理方法,计算机设备将获取的脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据,以及将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据,然后将预测修正数据与降噪后的累计平均脑波数据进行合并,得到合并后的脑波数据。该方法分别通过自联想记忆神经网络和异联想记忆神经网络对获取的脑波数据进行处理,可以大大降低脑波数据中的噪声,并可以进一步的对未来脑波数据进行预测。
可选的,在其中一些实施例中,得到上述合并处理后的脑波数据之后,上述方法还可以包括:将合并处理后的脑波数据输入身份权限判断网络进行身份权限判断处理,得到用户的身份权限判断结果。
具体的,由于用户的脑波信号不易被篡改,可以唯一确定用户的身份,那么利用脑波数据来进行用户身份权限的判断可以提高判断结果的准确性。因此,计算机设备可以将上述合并处理后的脑波数据输入身份权限判断网络,得到该用户的身份权限判断结果。可选的,上述用户的身份权限判断结果可以包括非入侵型,表示登录系统后不具备入侵倾向的用户,给予最基本的操作权限;非交互型,表示登录系统后禁止交互权限的用户;非限制型,表示登录系统后不受特定权限限制的用户;非终止型,表示登录系统后不受时限控制的用户,其权限水平最高。
可选的,身份权限判断网络可以为误差反向传播神经网络(Error BackPropagation Training,BP),该网络包括输入层、隐含层和输出层,其网络结构可以参见图1c所示。在该网络进行数据处理之前同样需要先进行训练至收敛状态,网络训练时使用上述各权限类型的样本量分别为5000个,训练过程包括两个阶段,第一阶段是信号的前向传播,从输入层经过隐含层,到达输出层;第二阶段为误差的反向传播,从输出层到隐含层,再到输入层,依次调整隐含层到输出层的权重和偏置、输入层到隐含层的权重和偏置,直至网络达到收敛。
进一步的,当计算机设备利用身份权限判断网络判断得到某用户具有恶意行为时,还可以限制其登录系统或登录后限制其在系统中的权限,进一步提高医疗系统的安全性。
可选的,在其中一些实施例中,上述将预测修正数据和降噪后的累计平均脑波数据进行合并,得到合并处理后的脑波数据,包括:根据包含的关系式,得到合并处理后的脑波数据,为预测修正数据,为降噪后的累计平均脑波数据。可选的,计算机设备还可以根据的加权关系式,得到合并处理后的脑波数据。
可选的,在其中一些实施例中,上述将脑波数据输入自联想记忆神经网络中进行预测处理,得到预测修正数据,包括:根据的关系式,得到第t+1时间点的预测修正值其中,为自联想记忆神经网络的网络权重,为第t-1时间点到第t时间点的脑波数据的修正值,σ1为自联想记忆神经网络中的激活函数。
具体的,σ1为自联想记忆神经网络中的激活函数,可以为soft-sigmoid函数,其可以将结果映射到(0,1)之间。为自联想记忆神经网络的网络权重,该权重可以在自联想记忆神经网络处理数据之前,由大量的用户数据输入训练收敛的自联想记忆神经网络中计算得到。为第t-1时间点到第t时间点的脑波数据的修正值,本实施例实现的方法即由第t时间点的脑波数据的修正值预测第t+1时间点的预测修正值
可选的,在其中一些实施例中,上述将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据,包括:根据包含的关系式,得到第t+1时间点的降噪后的脑波信号累计平均值其中,为异联想记忆神经网络的网络权重,为第j时间点的脑波信号累计平均值,为第t时间点到第t+1时间点的脑波数据的修正值,σ2为异联想记忆神经网络中的激活函数。
具体的,σ2为异联想记忆神经网络中的激活函数,可以为soft-sigmoid函数,其可以将结果映射到(0,1)之间。为异联想记忆神经网络的网络权重,该权重同样可以在异联想记忆神经网络处理数据之前,由大量的用户数据输入训练收敛的异联想记忆神经网络中计算得到。为第t时间点到第t+1时间点的脑波数据的修正值,为第j时间点的脑波信号累计平均值,本实施例实现的方法即降低第t+1时间点的脑波信号累计平均值的噪声。另外,由于使用的异联想记忆神经网络内部因素,虽然其可以训练达到收敛,但是仍会存在一些网络噪声,但是相对于硬件噪声来说对降噪结果影响甚微,可以忽略不计。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图2为一个实施例提供的脑波数据处理装置的结构示意图。如图2所示,该装置包括:获取模块11、预测模块12、降噪模块13和合并模块14。
具体的,获取模块11,用于获取用户的脑波数据;脑波数据包括不同时间点下的脑波信号值。
预测模块12,用于将脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据;预测修正数据包括不同时间点下的预测修正值,预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异。
降噪模块13,用于将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据;降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值。
合并模块14,用于将预测修正数据和降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。
本实施例提供的脑波数据处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图3为另一个实施例提供的脑波数据处理装置的结构示意图。在上述图2所示实施例的基础上,如图3所示,该装置还包括:权限判断模块15。
具体的,权限判断模块15,用于将合并处理后的脑波数据输入身份权限判断网络进行身份权限判断处理,得到用户的身份权限判断结果。
本实施例提供的脑波数据处理装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述合并模块14,具体用于根据包含的关系式,得到合并处理后的脑波数据,为预测修正数据,为降噪后的累计平均脑波数据。
在其中一个实施例中,上述预测模块12,具体用于根据包含的关系式,得到第t+1时间点的预测修正值其中,为自联想记忆神经网络的网络权重,为第t-1时间点到第t时间点的脑波数据的修正值,σ1为自联想记忆神经网络中的激活函数。
在其中一个实施例中,上述降噪模块13,具体用于根据包含的关系式,得到第t+1时间点的降噪后的脑波信号累计平均值其中,为异联想记忆神经网络的网络权重,为第j时间点的脑波信号累计平均值,为第t时间点到第t+1时间点的脑波数据的修正值,σ2为异联想记忆神经网络中的激活函数。
在其中一个实施例中,上述身份权限判断网络为误差反向传播BP神经网络。
关于脑波数据处理装置的具体限定可以参见上文中对于脑波数据处理方法的限定,在此不再赘述。上述脑波数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种脑波数据处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取用户的脑波数据;脑波数据包括不同时间点下的脑波信号值;
将脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据;预测修正数据包括不同时间点下的预测修正值,预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异;
将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据;降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值;
将预测修正数据和降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将合并处理后的脑波数据输入身份权限判断网络进行身份权限判断处理,得到用户的身份权限判断结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据包含的关系式,得到合并处理后的脑波数据,为预测修正数据,为降噪后的累计平均脑波数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据包含的关系式,得到第t+1时间点的预测修正值其中,为自联想记忆神经网络的网络权重,为第t-1时间点到第t时间点的脑波数据的修正值,σ1为自联想记忆神经网络中的激活函数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据包含的关系式,得到第t+1时间点的降噪后的脑波信号累计平均值其中,为异联想记忆神经网络的网络权重,为第j时间点的脑波信号累计平均值,为第t时间点到第t+1时间点的脑波数据的修正值,σ2为异联想记忆神经网络中的激活函数。
在一个实施例中,上述身份权限判断网络为误差反向传播BP神经网络。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取用户的脑波数据;脑波数据包括不同时间点下的脑波信号值;
将脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据;预测修正数据包括不同时间点下的预测修正值,预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异;
将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据;降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值;
将预测修正数据和降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将合并处理后的脑波数据输入身份权限判断网络进行身份权限判断处理,得到用户的身份权限判断结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据包含的关系式,得到合并处理后的脑波数据,为预测修正数据,为降噪后的累计平均脑波数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据包含的关系式,得到第t+1时间点的预测修正值其中,为自联想记忆神经网络的网络权重,为第t-1时间点到第t时间点的脑波数据的修正值,σ1为自联想记忆神经网络中的激活函数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据包含的关系式,得到第t+1时间点的降噪后的脑波信号累计平均值其中,为异联想记忆神经网络的网络权重,为第j时间点的脑波信号累计平均值,为第t时间点到第t+1时间点的脑波数据的修正值,σ2为异联想记忆神经网络中的激活函数。
在一个实施例中,上述身份权限判断网络为误差反向传播BP神经网络。
图5为一个实施例提供的脑波数据处理器的结构示意图。如图5所示,该脑波数据处理器包括脑波采集传感器21、存储器22和处理器23,处理器23与脑波采集传感器21、存储器22连接,脑波采集传感器21用于采集用户的脑波数据,存储器22存储有计算机程序,处理器23执行计算机程序时可以实现以下步骤:
获取用户的脑波数据;脑波数据包括不同时间点下的脑波信号值;
将脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据;预测修正数据包括不同时间点下的预测修正值,预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异;
将脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据;降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值;
将预测修正数据和降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种脑波数据处理方法,其特征在于,包括:
获取用户的脑波数据;所述脑波数据包括不同时间点下的脑波信号值;
将所述脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据;所述预测修正数据包括不同时间点下的预测修正值,所述预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异;
将所述脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据;所述降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,所述降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值;
将所述预测修正数据和所述降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。
2.根据权利要求1所述的方法,其特征在于,在所述得到合并处理后的脑波数据之后,所述方法还包括:
将所述合并处理后的脑波数据输入身份权限判断网络进行身份权限判断处理,得到所述用户的身份权限判断结果。
3.根据权利要求1或2所述的方法,其特征在于,所述将所述预测修正数据和所述降噪后的累计平均脑波数据进行合并,得到合并处理后的脑波数据,包括:
根据包含的关系式,得到所述合并处理后的脑波数据,所述为所述预测修正数据,所述为所述降噪后的累计平均脑波数据。
4.根据权利要求3所述的方法,其特征在于,所述将所述脑波数据输入自联想记忆神经网络中进行预测处理,得到预测修正数据,包括:
根据包含的关系式,得到第t+1时间点的预测修正值其中,所述为所述自联想记忆神经网络的网络权重,所述为第t-1时间点到第t时间点的脑波数据的修正值,所述σ1为自联想记忆神经网络中的激活函数。
5.根据权利要求3所述的方法,其特征在于,所述将所述脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据,包括:
根据包含的关系式,得到第t+1时间点的降噪后的脑波信号累计平均值其中,所述为所述异联想记忆神经网络的网络权重,所述为第j时间点的脑波信号累计平均值,所述为第t时间点到第t+1时间点的脑波数据的修正值,所述σ2为异联想记忆神经网络中的激活函数。
6.根据权利要求2所述的方法,其特征在于,所述身份权限判断网络为误差反向传播BP神经网络。
7.一种脑波数据处理装置,其特征在于,包括:
获取模块,用于获取用户的脑波数据;所述脑波数据包括不同时间点下的脑波信号值;
预测模块,用于将所述脑波数据输入自联想记忆神经网络进行预测处理,得到预测修正数据;所述预测修正数据包括不同时间点下的预测修正值,所述预测修正值表征当前时间点的脑波信号值与上一时间点的脑波信号累计平均值之间的预测差异;
降噪模块,用于将所述脑波数据输入异联想记忆神经网络进行降噪处理,得到降噪后的累计平均脑波数据;所述降噪后的累计平均脑波数据包括不同时间点下的降噪后的脑波信号累计平均值,所述降噪后的脑波信号累计平均值表征从初始时间点到当前时间点之间的脑波信号值的降噪平均值;
合并模块,用于将所述预测修正数据和所述降噪后的累计平均脑波数据进行合并处理,得到合并处理后的脑波数据。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
10.一种脑波数据处理器,包括脑波采集传感器、存储器和处理器,其特征在于,所述处理器与所述脑波采集传感器、所述存储器连接,所述脑波采集传感器用于采集用户的脑波数据,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715817.XA CN110472395B (zh) | 2019-08-05 | 2019-08-05 | 脑波数据处理方法、装置、设备、介质及脑波数据处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910715817.XA CN110472395B (zh) | 2019-08-05 | 2019-08-05 | 脑波数据处理方法、装置、设备、介质及脑波数据处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472395A true CN110472395A (zh) | 2019-11-19 |
CN110472395B CN110472395B (zh) | 2021-04-20 |
Family
ID=68509450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910715817.XA Active CN110472395B (zh) | 2019-08-05 | 2019-08-05 | 脑波数据处理方法、装置、设备、介质及脑波数据处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472395B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053421A (zh) * | 2020-10-14 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 信号降噪处理方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106955112A (zh) * | 2017-03-17 | 2017-07-18 | 泉州装备制造研究所 | 基于量子小波神经网络模型的脑电波情绪认知方法 |
CN107015632A (zh) * | 2016-01-28 | 2017-08-04 | 南开大学 | 基于脑电驾驶的车辆控制方法、系统 |
CN107193378A (zh) * | 2017-05-20 | 2017-09-22 | 吉林大学 | 基于脑电波机器学习的情感判定装置及方法 |
CN108073284A (zh) * | 2017-12-15 | 2018-05-25 | 南京信息工程大学 | 基于脑电波识别情绪的购物系统 |
CN108182470A (zh) * | 2018-01-17 | 2018-06-19 | 深圳市唯特视科技有限公司 | 一种基于注意模块的递归神经网络的用户识别方法 |
CN108776788A (zh) * | 2018-06-05 | 2018-11-09 | 电子科技大学 | 一种基于脑电波的识别方法 |
US20190156203A1 (en) * | 2017-11-17 | 2019-05-23 | Samsung Electronics Co., Ltd. | Neural network training method and device |
-
2019
- 2019-08-05 CN CN201910715817.XA patent/CN110472395B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107015632A (zh) * | 2016-01-28 | 2017-08-04 | 南开大学 | 基于脑电驾驶的车辆控制方法、系统 |
CN106955112A (zh) * | 2017-03-17 | 2017-07-18 | 泉州装备制造研究所 | 基于量子小波神经网络模型的脑电波情绪认知方法 |
CN107193378A (zh) * | 2017-05-20 | 2017-09-22 | 吉林大学 | 基于脑电波机器学习的情感判定装置及方法 |
US20190156203A1 (en) * | 2017-11-17 | 2019-05-23 | Samsung Electronics Co., Ltd. | Neural network training method and device |
CN108073284A (zh) * | 2017-12-15 | 2018-05-25 | 南京信息工程大学 | 基于脑电波识别情绪的购物系统 |
CN108182470A (zh) * | 2018-01-17 | 2018-06-19 | 深圳市唯特视科技有限公司 | 一种基于注意模块的递归神经网络的用户识别方法 |
CN108776788A (zh) * | 2018-06-05 | 2018-11-09 | 电子科技大学 | 一种基于脑电波的识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053421A (zh) * | 2020-10-14 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 信号降噪处理方法、装置、设备及存储介质 |
CN112053421B (zh) * | 2020-10-14 | 2023-06-23 | 腾讯科技(深圳)有限公司 | 信号降噪处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110472395B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10805798B2 (en) | Multi-tiered user authentication methods | |
CN111031014B (zh) | 网络安全系统主机风险的评估方法、装置及设备 | |
KR101985421B1 (ko) | 보안 위험 평가 기반 보안 투자 방법 및 장치 | |
CN112787971B (zh) | 侧信道攻击模型的构建方法、密码攻击设备及计算机存储介质 | |
CN113762350A (zh) | 异常数据检测方法、装置、计算机设备和存储介质 | |
CN109377388B (zh) | 医保投保方法、装置、计算机设备和存储介质 | |
CN110472395A (zh) | 脑波数据处理方法、装置、设备、介质及脑波数据处理器 | |
KR20180069657A (ko) | 클라우드 서비스 특성을 고려한 보안 투자 방법, 장치 및 컴퓨터 프로그램 | |
CN109376068A (zh) | 软件可靠性预测方法、装置、计算机设备和存储介质 | |
US11748806B2 (en) | Controlling a spending account based on user spending habits | |
CN113704372B (zh) | 基于深度对抗网络的遥感影像转换地图迁移方法和装置 | |
CN114756727A (zh) | 一种获得数据补全模型、数据补全的方法、装置及介质 | |
CN112507334B (zh) | 违规访问检测方法,装置,系统,电子设备及存储介质 | |
CN113269259B (zh) | 一种目标信息的预测方法及装置 | |
CN111047447B (zh) | 通证发放数额确定方法、装置、计算机设备和存储介质 | |
EP2928152B1 (de) | Authentifizieren eines Benutzers eines Mobilgerätes mit mehreren Sensoren | |
Köylü et al. | Deterministic and statistical strategies to protect anns against fault injection attacks | |
CN115208611A (zh) | 身份认证方法、装置、计算机设备、存储介质和程序产品 | |
CN113793396A (zh) | 一种基于对抗生成网络训练图像重构模型的方法 | |
CN109815853A (zh) | 活体检测方法、装置、计算机设备和存储介质 | |
CN112000676A (zh) | 车辆信息更新方法、装置、设备和存储介质 | |
CN110648048A (zh) | 小程序签约事件处理方法、装置、服务器及可读存储介质 | |
CN113268772B (zh) | 基于差分隐私的联合学习安全聚合方法及装置 | |
Tomar et al. | A proposed artificial intelligence and blockchain technique for solving health insurance challenges | |
CN117240607B (zh) | 一种基于安全计算机的安全认证方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: 430206 Lianying medical headquarters base, No. 99, gaokeyuan Road, Donghu high tech Development Zone, Wuhan, Hubei Province Patentee after: WUHAN UNITED IMAGING HEALTHCARE Co.,Ltd. Address before: No. 818, Gaoxin Avenue, Donghu high tech Development Zone, Wuhan, Hubei 430206 Patentee before: WUHAN UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CP02 | Change in the address of a patent holder |