CN113705296A - 生理电信号分类处理方法、装置、计算机设备和存储介质 - Google Patents

生理电信号分类处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113705296A
CN113705296A CN202110262967.7A CN202110262967A CN113705296A CN 113705296 A CN113705296 A CN 113705296A CN 202110262967 A CN202110262967 A CN 202110262967A CN 113705296 A CN113705296 A CN 113705296A
Authority
CN
China
Prior art keywords
target
training
initial
classified
physiological
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
Application number
CN202110262967.7A
Other languages
English (en)
Inventor
柳露艳
马锴
郑冶枫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110262967.7A priority Critical patent/CN113705296A/zh
Publication of CN113705296A publication Critical patent/CN113705296A/zh
Priority to PCT/CN2022/079832 priority patent/WO2022188793A1/zh
Priority to US18/076,098 priority patent/US20230101539A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Psychology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种生理电信号分类处理方法、装置、计算机设备和存储介质，所述方法包括：基于目标用户标识对应的目标信号空间信息对目标用户标识对应的初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号；基于目标空间滤波矩阵对目标待分类生理电信号进行空间特征提取，得到待分类空间特征，目标空间滤波矩阵是基于多个训练用户标识分别对应的目标训练生理电信号和各个目标训练生理电信号对应的训练标签生成的，目标训练生理电信号是基于训练用户标识对应的训练信号空间信息对初始训练生理电信号进行数据对齐得到的；基于待分类空间特征得到初始待分类生理电信号对应的分类结果。采用本方法能够提高生理电信号的效率和分类准确性。

Description

生理电信号分类处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种生理电信号分类处理方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，深度学习技术在计算机视觉、语音识别和自然语言处理等领域表现出了明显的优势，因此，深度学习技术逐渐被研究者引入生理电信号的分类任务中。
生理电信号可以反映人的生理活动，但是由于不同人之间的生理活动响应有所不同，生理电信号在被试者之间存在较大的差异。传统技术中，通常是基于迁移学习方法来进行生理电信号的分类。然而，迁移学习是一种利用源域信息提升目标域学习性能的方法，在模型训练时，需要同时利用源域被试者和目标域被试者的生理电信号，才能训练得到适用于目标域被试者的分类模型，操作繁琐。
发明内容
基于此，有必要针对上述技术问题，提供一种生理电信号分类处理方法、装置、计算机设备和存储介质，该方法无需提前获取目标用户的生理电信号就可实现对目标用户的生理电信号进行分类，更加方便高效。
一种生理电信号分类处理方法，所述方法包括：
获取目标用户标识对应的初始待分类生理电信号；
基于目标用户标识对应的目标信号空间信息对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号；
基于目标空间滤波矩阵对目标待分类生理电信号进行空间特征提取，得到待分类空间特征，目标空间滤波矩阵是基于多个训练用户标识分别对应的目标训练生理电信号和各个目标训练生理电信号对应的训练标签生成的，目标训练生理电信号是基于训练用户标识对应的训练信号空间信息对初始训练生理电信号进行数据对齐得到的；
基于待分类空间特征得到初始待分类生理电信号对应的分类结果。
在一个实施例中，获取目标用户标识对应的初始待分类生理电信号，包括：
获取目标用户标识对应的候选待分类生理电信号；
对候选待分类生理电信号进行至少一个目标频段的信号提取，得到候选待分类生理电信号在各个目标频段下分别对应的初始待分类子信号；
基于各个初始待分类子信号得到初始待分类生理电信号。
在一个实施例中，基于目标用户标识对应的目标信号空间信息对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号之前，所述方法还包括：
获取初始待分类生理电信号对应的起始参考矩阵；
基于初始待分类生理电信号修正起始参考矩阵，得到初始待分类生理电信号对应的修正参考矩阵；
将初始待分类生理电信号对应的修正参考矩阵作为目标信号空间信息。
在一个实施例中，基于初始待分类生理电信号修正起始参考矩阵，得到初始待分类生理电信号对应的修正参考矩阵，包括：
获取目标用户标识对应的已分类生理电信号的数目统计结果；
计算初始待分类生理电信号对应的待分类协方差矩阵；
基于数目统计结果和待分类协方差矩阵修正起始参考矩阵，得到初始待分类生理电信号对应的修正参考矩阵。
在一个实施例中，起始参考矩阵包括至少一个目标频段分别对应的起始参考子矩阵，初始待分类生理电信号包括至少一个目标频段分别对应的初始待分类子信号。基于所述数目统计结果和待分类协方差矩阵修正起始参考矩阵，得到初始待分类生理电信号对应的修正参考矩阵，包括：
基于同一目标频段对应的初始待分类子信号和所述数目统计结果修正对应的起始参考子矩阵，得到各个目标频段分别对应的修正参考子矩阵；
基于各个修正参考子矩阵得到修正参考矩阵。
在一个实施例中，目标空间滤波矩阵的生成包括以下步骤：
获取多个训练用户标识分别对应的初始训练生理电信号；初始训练生理电信号携带训练标签；
基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号；
基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵。
在一个实施例中，基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号之前，所述方法还包括：
基于同一训练用户标识对应的各个初始训练生理电信号生成对应的初始参考矩阵，得到各个训练用户标识分别对应的初始参考矩阵；
将同一训练用户标识对应的初始参考矩阵作为对应的训练信号空间信息。
在一个实施例中，初始训练生理电信号包括至少一个目标频段分别对应的初始训练子信号，基于同一训练用户标识对应的各个初始训练生理电信号生成对应的初始参考矩阵，得到各个训练用户标识分别对应的初始参考矩阵，包括：
计算各个初始训练子信号分别对应的初始协方差矩阵；
基于同一训练用户标识且同一目标频段对应的各个初始协方差矩阵计算对应的初始参考子矩阵，得到各个训练用户标识在各个目标频段下分别对应的初始参考子矩阵；
基于各个初始参考子矩阵得到各个训练用户标识分别对应的初始参考矩阵。
在一个实施例中，初始训练生理电信号包括生理电信号采集设备上多个采集通道分别对应的通道信号，初始训练子信号包括各个采集通道分别对应的通道子信号；
计算各个初始训练子信号分别对应的初始协方差矩阵，包括：
在当前初始训练子信号中，计算各个通道子信号之间的协方差；
基于各个通道子信号之间的协方差生成当前初始训练子信号对应的初始协方差矩阵。
在一个实施例中，初始参考矩阵包括至少一个目标频段分别对应的初始参考子矩阵，初始训练生理电信号包括至少一个目标频段分别对应的初始训练子信号。基于同一训练用户标识对应的训练信号空间信息对对应的各个初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的各个目标训练生理电信号，包括：
将同一训练用户标识且同一目标频段对应的初始参考子矩阵和初始训练子信号进行融合，得到各个训练用户标识在各个目标频段下分别对应的目标训练子信号；
基于各个训练用户标识在各个目标频段下分别对应的目标训练子信号，得到各个训练用户标识分别对应的各个目标训练生理电信号。
在一个实施例中，目标训练生理电信号包括至少一个目标频段分别对应的目标训练子信号，基于不同训练标签对应的目标训练生理电信号之间的信号差异生成所述目标空间滤波矩阵，包括：
在同一目标频段中，基于不同训练标签对应的目标训练子信号之间的信号差异生成对应的目标空间滤波子矩阵，从而得到各个目标频段分别对应的目标空间滤波子矩阵；
基于各个目标空间滤波子矩阵生成目标空间滤波矩阵。
在一个实施例中，在同一目标频段中，基于不同训练标签对应的目标训练子信号之间的信号差异生成对应的目标空间滤波子矩阵，从而得到各个目标频段分别对应的目标空间滤波子矩阵，包括：
在当前目标频段中，计算各个目标训练子信号分别对应的目标协方差矩阵；
基于同一训练标签对应的各个目标协方差矩阵计算对应的目标参考矩阵，得到各个训练标签分别对应的目标参考矩阵；
融合各个目标参考矩阵得到融合参考矩阵，对融合参考矩阵进行特征值分解，得到融合参考矩阵对应的初始特征值矩阵和初始特征向量矩阵；
基于初始特征值矩阵和初始特征向量矩阵得到白化矩阵；
基于白化矩阵分别对各个目标参考矩阵进行白化变换，得到各个目标参考矩阵分别对应的变换参考矩阵；
对任意一个变换参考矩阵进行特征值分解，得到特征值分解结果，基于特征值分解结果得到目标特征向量矩阵；
基于白化矩阵和目标特征向量矩阵生成当前目标频段对应的目标空间滤波子矩阵。
在一个实施例中，基于白化矩阵和目标特征向量矩阵生成当前目标频段对应的目标空间滤波子矩阵，包括：
融合白化矩阵和目标特征向量矩阵，得到初始空间滤波矩阵；
从初始空间滤波矩阵中提取至少一个初始空间滤波子矩阵，得到至少一个初始空间滤波子矩阵；
基于各个初始空间滤波子矩阵得到目标空间滤波子矩阵。
在一个实施例中，基于待分类空间特征得到初始待分类生理电信号对应的分类结果，包括：
将待分类空间特征输入目标生理电信号分类模型，得到分类结果。
在一个实施例中，目标生理电信号分类模型的训练过程包括以下步骤：
基于目标空间滤波矩阵对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征；
将各个训练空间特征输入初始生理电信号分类模型中，得到各个目标训练生理电信号分别对应的预测标签；
基于同一目标训练生理电信号对应的预测标签和训练标签调整初始生理电信号分类模型的模型参数，直至满足收敛条件，得到目标生理电信号分类模型。
一种生理电信号分类处理装置，所述装置包括：
信号获取模块，用于获取目标用户标识对应的初始待分类生理电信号；
数据对齐模块，用于基于目标用户标识对应的目标信号空间信息对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号；
特征提取模块，用于基于目标空间滤波矩阵对目标待分类生理电信号进行空间特征提取，得到待分类空间特征，目标空间滤波矩阵是基于多个训练用户标识分别对应的目标训练生理电信号和各个目标训练生理电信号对应的训练标签生成的，目标训练生理电信号是基于训练用户标识对应的训练信号空间信息对初始训练生理电信号进行数据对齐得到的；
信号分类模块，用于基于待分类空间特征得到初始待分类生理电信号对应的分类结果。
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，所述处理器执行所述计算机程序时实现以下步骤：
获取目标用户标识对应的初始待分类生理电信号；
基于目标用户标识对应的目标信号空间信息对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号；
基于目标空间滤波矩阵对目标待分类生理电信号进行空间特征提取，得到待分类空间特征，目标空间滤波矩阵是基于多个训练用户标识分别对应的目标训练生理电信号和各个目标训练生理电信号对应的训练标签生成的，目标训练生理电信号是基于训练用户标识对应的训练信号空间信息对初始训练生理电信号进行数据对齐得到的；
基于待分类空间特征得到初始待分类生理电信号对应的分类结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标用户标识对应的初始待分类生理电信号；
基于目标用户标识对应的目标信号空间信息对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号；
基于目标空间滤波矩阵对目标待分类生理电信号进行空间特征提取，得到待分类空间特征，目标空间滤波矩阵是基于多个训练用户标识分别对应的目标训练生理电信号和各个目标训练生理电信号对应的训练标签生成的，目标训练生理电信号是基于训练用户标识对应的训练信号空间信息对初始训练生理电信号进行数据对齐得到的；
基于待分类空间特征得到初始待分类生理电信号对应的分类结果。
上述生理电信号分类处理方法、装置、计算机设备和存储介质，先基于同一训练用户标识对应的训练信号空间信息对对应的初始生理电信号进行数据对齐，可以降低不同训练用户的生理电信号之间的分布差异，再基于通过数据对齐得到的目标生理电信号和对应的训练标签可以生成通用的目标空间滤波矩阵，通过目标空间滤波矩阵可以提取生理电信号中可用于区分生理电信号类别的空间特征。进而在对未知用户的生理电信号进行分类时，先基于目标用户标识对应的目标信号空间信息对目标用户标识对应的初始待分类生理电信号进行数据对齐，以降低目标用户与训练用户的生理电信号之间的分布差异，再基于通用的目标空间滤波矩阵提取通过数据对齐得到的目标待分类生理电信号的空间特征，从而基于提取到的待分类空间特征可以得到初始待分类生理电信号对应的分类结果。这样，无需预先获取目标用户的生理电信号也可以实现对目标用户的生理电信号的分类，更加方便高效。
一种生理电信号分类处理方法，所述方法包括：
获取多个训练用户标识分别对应的初始训练生理电信号；初始训练生理电信号携带训练标签；
基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号；
基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵；
基于目标空间滤波矩阵对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征；
基于各个目标训练生理电信号对应的训练空间特征和训练标签对初始生理电信号分类模型进行模型训练，直至满足收敛条件，得到目标生理电信号分类模型。
一种生理电信号分类处理装置，所述装置包括：
信号获取模块，用于获取多个训练用户标识分别对应的初始训练生理电信号；初始训练生理电信号携带训练标签；
数据对齐模块，用于基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号；
空间滤波矩阵生成模块，用于基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵；
特征提取模块，用于基于目标空间滤波矩阵对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征；
模型训练模块，用于基于各个目标训练生理电信号对应的训练空间特征和训练标签对初始生理电信号分类模型进行模型训练，直至满足收敛条件，得到目标生理电信号分类模型。
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，所述处理器执行所述计算机程序时实现以下步骤：
获取多个训练用户标识分别对应的初始训练生理电信号；初始训练生理电信号携带训练标签；
基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号；
基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵；
基于目标空间滤波矩阵对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征；
基于各个目标训练生理电信号对应的训练空间特征和训练标签对初始生理电信号分类模型进行模型训练，直至满足收敛条件，得到目标生理电信号分类模型。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取多个训练用户标识分别对应的初始训练生理电信号；初始训练生理电信号携带训练标签；
基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号；
基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵；
基于目标空间滤波矩阵对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征；
基于各个目标训练生理电信号对应的训练空间特征和训练标签对初始生理电信号分类模型进行模型训练，直至满足收敛条件，得到目标生理电信号分类模型。
上述生理电信号分类处理方法、装置、计算机设备和存储介质，基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，可以降低不同训练用户的生理电信号之间的分布差异，再基于通过数据对齐得到的目标生理电信号和对应的训练标签可以生成通用的目标空间滤波矩阵，通过目标空间滤波矩阵可以提取生理电信号中可用于区分生理电信号类别的空间特征。这样，无需预先获取目标用户的生理电信号也可以训练得到可以用于对目标用户的生理电信号进行分类的目标空间滤波矩阵和目标生理电信号分类模型，通过目标空间滤波矩阵和目标生理电信号分类模型可以实现对目标用户的生理电信号的分类，更加方便高效。
附图说明
图1为一个实施例中生理电信号分类处理方法的应用环境图；
图2为一个实施例中生理电信号分类处理方法的流程示意图；
图3为一个实施例中确定目标信号空间信息的流程示意图；
图4为另一个实施例中确定目标信号空间信息的流程示意图；
图5为一个实施例中生成目标空间滤波矩阵的流程示意图；
图6为另一个实施例中生成目标空间滤波矩阵的流程示意图；
图7为又一个实施例中生成目标空间滤波矩阵的流程示意图；
图8为另一个实施例中生理电信号分类处理方法的流程示意图；
图9A为一个实施例中脑电信号的结构示意图；
图9B为一个实施例中脑电信号分类的流程示意图；
图10为一个实施例中生理电信号分类处理装置的结构框图；
图11为另一个实施例中生理电信号分类处理装置的结构框图；
图12为又一个实施例中生理电信号分类处理装置的结构框图；
图13为再一个实施例中生理电信号分类处理装置的结构框图；
图14为一个实施例中计算机设备的内部结构图；
图15为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本申请实施例提供的方案涉及人工智能的机器学习、大数据处理等技术，具体通过如下实施例进行说明：
本申请提供的生理电信号分类处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备和生理电信号采集设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群或者云服务器来实现。
终端102和服务器104均可单独用于执行本申请实施例中提供的生理电信号分类处理方法。
例如，终端首先获取目标用户标识对应的初始待分类生理电信号，基于目标用户标识对应的目标信号空间信息对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号。终端再获取目标空间滤波矩阵，基于目标空间滤波矩阵对目标待分类生理电信号进行空间特征提取，得到待分类空间特征。其中，目标空间滤波矩阵是基于多个训练用户标识分别对应的目标训练生理电信号和各个目标训练生理电信号对应的训练标签生成的，目标训练生理电信号是基于训练用户标识对应的训练信号空间信息对初始训练生理电信号进行数据对齐得到的。最后，终端基于待分类空间特征可以得到初始待分类生理电信号对应的分类结果。
服务器获取多个训练用户标识分别对应的初始训练生理电信号，其中，各个初始训练生理电信号均携带对应的训练标签。服务器基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，可以得到各个训练用户标识分别对应的目标训练生理电信号，基于不同训练标签对应的目标训练生理电信号之间的信号差异可以生成目标空间滤波矩阵。然后，服务器基于目标空间滤波矩阵对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征，基于各个目标训练生理电信号对应的训练空间特征和训练标签对初始生理电信号分类模型进行模型训练，直至训练完成，得到目标生理电信号分类模型。
终端102和服务器104也可协同用于执行本申请实施例中提供的生理电信号分类处理方法。
例如，服务器基于训练用户标识分别对应的目标训练生理电信号和各个目标训练生理电信号对应的训练标签生成目标空间滤波矩阵。终端从服务器获取目标空间滤波矩阵，基于目标空间滤波矩阵对目标用户标识对应的初始待分类生理电信号进行分类。
终端采集多个训练用户标识分别对应的初始训练生理电信号，并确定各个初始训练生理电信号分别对应的训练标签。服务器从终端获取多个训练用户标识分别对应的初始训练生理电信号，基于各个初始训练生理电信号和对应的训练标签训练得到目标空间滤波矩阵和目标生理电信号分类模型。
在一个实施例中，如图2所示，提供了一种生理电信号分类处理方法，以该方法应用于图1中的计算机设备为例进行说明，计算机设备可以是上述图1中的终端102或服务器104。参考图2，生理电信号分类处理方法包括以下步骤：
步骤S202，获取目标用户标识对应的初始待分类生理电信号。
其中，用户标识是一种标识，用于唯一标识用户，具体可以包括字母、数字和符号中至少一种字符的字符串。目标用户标识是指目标用户对应的用户标识。生理电信号是指以电流或电压呈现的生理信号，用于反映神经细胞电生理活动。生理电信号具体可以是脑电信号、肌电信号、心电信号等。待分类生理电信号是指待进行信号分类的生理电信号。初始待分类生理电信号是指未进行数据对齐的待分类生理电信号。
具体地，计算机设备可以在本地、或从其他终端、服务器获取目标用户标识对应的初始待分类生理电信号。可以理解，生理电信号采集设备在采集生理电信号时，可以将采集到的生理电信号和对应用户进行关联，具体可以是将生理电信号和对应用户的用户标识建立关联关系，从而基于生理电信号对应的用户标识可以有效区分不同用户的生理电信号。
在一个实施例中，待分类生理电信号可以是实时采集的生理电信号。生理电信号采集设备可以实时采集生理电信号，计算机设备可以实时对最新的生理电信号进行分类得到对应的分类结果。当然，待分类生理电信号也可以是历史时间采集的生理电信号。生理电信号采集设备实时采集到的生理电信号可以存储在终端或服务器的数据库中，计算机设备可以从数据库中获取历史时间采集的生理电信号，对生理电信号进行分类得到对应的分类结果。
在一个实施例中，初始待分类生理电信号可以是原始的生理电信号，也就是，将生理电信号采集设备采集到的生理电信号直接作为初始待分类生理电信号。初始待分类生理电信号也可以是经过预处理的生理电信号，例如，对生理电信号采集设备采集到的生理电信号进行带通滤波，将滤波后的生理电信号作为初始待分类生理电信号。先对生理电信号进行带通滤波，以滤除噪声，再对带通滤波后的生理电信号进行分类处理可以有效提高分类准确性。
步骤S204，基于目标用户标识对应的目标信号空间信息对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号。
其中，目标信号空间信息是指目标用户对应的信号空间信息。信号空间信息是指在欧式空间中，基于一个用户的多个生理电信号生成的信号分布信息，用于表征一个用户的多个生理电信号的整体分布情况。不同用户对应不同的信号空间信息。数据对齐是指将初始待分类生理电信号映射到目标范围内得到目标待分类生理电信号，从而各个初始待分类生理电信号对应的目标待分类生理电信号可以位于同一目标范围内，以此实现各个初始待分类生理电信号的数据对齐。
具体地，计算机设备可以获取同一用户标识对应的多个生理电信号，基于该多个生理电信号生成该用户标识对应的信号空间信息。当获取到目标用户标识对应的初始待分类生理电信号后，计算机设备可以获取目标用户标识对应的目标信号空间信息，基于目标信号空间信息对初始待分类生理电信号进行数据对齐，从而得到目标待分类生理电信号。
在一个实施例中，信号空间信息是实时更新的。例如，计算机设备一旦获取到目标用户标识对应的生理电信号，就可以对目标用户标识对应的信号空间信息进行更新。可以理解，生理电信号越多，生成的信号空间信息越准确、可靠性越高。
在一个实施例中，计算机设备可以基于同一用户标识对应的至少一个生理电信号分别对应的协方差矩阵生成该用户标识对应的信号空间信息。具体可以是将各个生理电信号对应的协方差矩阵的均值作为信号空间信息。生理电信号包括多个采集通道分别采集到的通道信号，生理电信号对应的协方差矩阵可以反映通道信号之间的相关性、通道信号的分布情况，各个生理电信号对应的协方差矩阵的均值可以反映通道信号之间的平均相关性、通道信号的平均分布情况，将通道信号的平均分布情况作为生理电信号的整体分布情况。
在一个实施例中，初始待分类生理电信号可以是经过预处理的生理电信号，因此初始待分类生理电信号可以包括至少一个目标频段对应的初始待分类子信号。相应的，目标信号空间信息可以包括至少一个目标频段对应的目标信号空间子信息。那么，在基于目标信号空间信息对初始待分类生理电信号进行数据对齐时，可以基于同一目标频段对应的目标信号空间子信息对对应的初始待分类子信号进行数据对齐，得到各个目标频段分别对应的目标待分类子信息，基于各个目标待分类子信息得到目标待分类生理电信号。
步骤S206，基于目标空间滤波矩阵对目标待分类生理电信号进行空间特征提取，得到待分类空间特征，目标空间滤波矩阵是基于多个训练用户标识分别对应的目标训练生理电信号和各个目标训练生理电信号对应的训练标签生成的，目标训练生理电信号是基于训练用户标识对应的训练信号空间信息对初始训练生理电信号进行数据对齐得到的。
其中，目标空间滤波矩阵是用于提取生理电信号的空间特征的空间滤波器，可以从生理电信号中提取得到具有较高区分度的空间特征，从而基于提取到的空间特征可以得到生理电信号的分类结果。目标空间滤波矩阵是基于多个训练用户标识分别对应的、且经过数据对齐后得到的目标训练生理电信号以及各个目标训练生理电信号对应的训练标签生成，生成的目标空间滤波矩阵可以让不同类别的生理电信号对应的空间特征的差异最大化，从而基于目标空间滤波矩阵从生理电信号中提取到的空间特征可以具有较高区分度，有利于生理电信号的分类。
训练用户标识是指训练用户对应的用户标识。训练用户和目标用户是不同的用户。训练信号空间信息是指训练用户对应的信号空间信息。训练生理电信号是指训练用户对应的生理电信号，是已知分类结果的生理电信号。训练标签是指训练生理电信号对应的分类结果。初始训练生理电信号是指未进行数据对齐的训练生理电信号。目标训练生理电信号是指数据对齐后的训练生理电信号。
具体地，计算机设备获取多个训练用户标识分别对应的初始训练生理电信号和各个初始训练生理电信号分别对应的训练标签，基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，从而得到各个初始训练生理电信号分别对应的目标训练生理电信号。例如，基于训练用户A对应的训练信号空间信息对训练用户A对应的初始训练生理电信号进行数据对齐，得到训练用户A的初始训练生理电信号对应的目标训练生理电信号。然后，计算机设备基于各个训练用户标识分别对应的目标训练生理电信号和各个目标训练生理电信号分别对应的训练标签生成目标空间滤波矩阵。那么，在得到目标待分类生理电信号之后，计算机设备可以基于目标空间滤波矩阵对目标待分类生理电信号进行空间特征提取，得到待分类空间特征，从而基于待分类空间特征可以得到初始待分类生理电信号对应的分类结果。
可以理解，目标空间滤波矩阵是通用的空间滤波矩阵，既可以应用于目标用户标识对应的生理电信号，也可以应用于训练用户标识对应的生理电信号。
在一个实施例中，目标空间滤波矩阵可以包括至少一个目标空间滤波子矩阵，基于各个目标空间滤波子矩阵分别对目标待分类生理电信号进行空间特征提取，可以得到各个待分类空间子特征，基于各个待分类空间子特征得到待分类空间特征。
在一个实施例中，基于目标空间滤波矩阵对目标待分类生理电信号进行空间特征提取具体可以是基于目标空间滤波矩阵对目标待分类生理电信号进行信号投影，基于信号投影结果得到待分类空间特征。相应的，当目标空间滤波矩阵包括至少一个目标空间滤波子矩阵时，基于各个目标空间滤波子矩阵分别对目标待分类生理电信号进行信号投影，基于各个信号投影结果得到待分类空间特征。
步骤S208，基于待分类空间特征得到初始待分类生理电信号对应的分类结果。
具体地，由于待分类空间特征具有一定的区分度，计算机设备基于待分类空间特征可以得到初始待分类生理电信号对应的分类结果。
在一个实施例中，计算机设备可以基于自定义公式对待分类空间特征进行数据处理，得到分类结果。
在一个实施例中，可以借助机器学习模型进行生理电信号的分类处理，具体可以是训练一个用于对空间特征进行分类的分类器。计算机设备可以基于目标空间滤波矩阵分别对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征，基于各个目标训练生理电信号分别对应的训练空间特征和训练标签训练得到目标生理电信号分类模型。那么，在基于待分类空间特征得到初始待分类生理电信号对应的分类结果时，计算机设备可以获取训练好的目标生理电信号分类模型，将待分类空间特征输入目标生理电信号分类模型，目标生理电信号分类模型输出分类结果。其中，分类器可以是逻辑回归分类器，可以是SVM(Support Vector Machine，支持向量机)等。
在一个实施例中，针对不同的分类任务，可以生成不同的目标空间滤波矩阵，也可以生成不同的目标生理电信号分类模型。例如，当生理电信号为脑电信号时，针对脑电信号的分类任务可以包括情感分类、运动想象分类、注意力分类等。那么，可以基于训练标签为情感分类结果的脑电信号训练专门用于对脑电信号进行情感分类的空间滤波矩阵和脑电信号分类模型，基于训练标签为运动想象分类结果的脑电信号训练专门用于对脑电信号进行运动想象分类的空间滤波矩阵和脑电信号分类模型，基于训练标签为注意力分类结果的脑电信号训练专门用于对脑电信号进行注意力分类的空间滤波矩阵和脑电信号分类模型。当生理电信号为肌电信号时，针对肌电信号的分类任务包括情感分类、肌肉状态分类等。那么，可以基于训练标签为情感分类结果的肌电信号训练专门用于对肌电信号进行情感分类的空间滤波矩阵和肌电信号分类模型，基于训练标签为肌肉状态分类结果的肌电信号训练专门用于对肌电信号进行肌肉状态分类的空间滤波矩阵和肌电信号分类模型。
在一个实施例中，脑电信号在运动想象分类任务上的分类结果可以用于帮助残疾人士实现物体抓握、假肢控制等功能。在进行运动想象时，用户会产生具有一定特点的脑电信号，例如，用户想象左手运动和想象右手运动的脑电信号是具有一定差异的。本申请的生理电信号分类处理方法可以应用于在线的脑-机接口系统，从而对脑电信号进行准确的运动想象分类，进而帮助残疾人士实现物体抓握、假肢控制等功能。
上述生理电信号分类处理方法中，先基于同一训练用户标识对应的训练信号空间信息对对应的初始生理电信号进行数据对齐，可以降低不同训练用户的生理电信号之间的分布差异，再基于通过数据对齐得到的目标生理电信号和对应的训练标签可以生成通用的目标空间滤波矩阵，通过目标空间滤波矩阵可以提取生理电信号中可用于区分生理电信号类别的空间特征。进而在对未知用户的生理电信号进行分类时，先基于目标用户标识对应的目标信号空间信息对目标用户标识对应的初始待分类生理电信号进行数据对齐，以降低目标用户与训练用户的生理电信号之间的分布差异，再基于通用的目标空间滤波矩阵提取通过数据对齐得到的目标待分类生理电信号的空间特征，从而基于提取到的待分类空间特征可以得到初始待分类生理电信号对应的分类结果。这样，无需预先获取目标用户的生理电信号也可以实现对目标用户的生理电信号的分类，更加方便高效。
在一个实施例中，如图3所示，获取目标用户标识对应的初始待分类生理电信号，包括：
获取目标用户标识对应的候选待分类生理电信号；对候选待分类生理电信号进行至少一个目标频段的信号提取，得到候选待分类生理电信号在各个目标频段下分别对应的初始待分类子信号；基于各个初始待分类子信号得到初始待分类生理电信号。
具体地，候选待分类生理电信号是指未经过任何数据处理的待分类生理电信号。计算机设备可以获取目标用户标识对应的候选待分类生理电信号，对候选待分类生理电信号进行带通滤波，也就是，对候选待分类生理电信号进行至少一个目标频段的信号提取，从而得到候选待分类生理电信号在各个目标频段下分别对应的初始待分类子信号。然后，由各个初始待分类子信号组成初始待分类生理电信号。
在一个实施例中，不同目标频段之间可以有重叠部分，也可以没有重叠部分。例如，可以将目标频段分为4-8Hz，8-12Hz，12-16Hz，16-20Hz，各个目标频段之间没有重叠。也可以将目标频段分为4-8Hz，6-10Hz，8-12Hz，10-14Hz，12-16Hz，14-18Hz，16-20Hz，各个目标频段之间有重叠。
本实施例中，通过目标频段的信号提取，不仅可以滤除待分类生理电信号中的噪声和部分无效信号，还可以将待分类生理电信号进行细分，将大数据细分为小数据再进行后续处理，有助于提高生理电信号分类的准确性。
在一个实施例中，如图3所示，基于目标用户标识对应的目标信号空间信息对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号之前，所述方法还包括：
步骤S302，获取初始待分类生理电信号对应的起始参考矩阵。
步骤S304，基于初始待分类生理电信号修正起始参考矩阵，得到初始待分类生理电信号对应的修正参考矩阵。
步骤S306，将初始待分类生理电信号对应的修正参考矩阵作为目标信号空间信息。
其中，参考矩阵是用于对生理电信号进行数据对齐。初始待分类生理电信号对应的起始参考矩阵是基于目标用户标识对应的已分类生理电信号生成的，是用于对目标用户标识对应的上一待分类生理电信号进行数据对齐。初始待分类生理电信号对应的修正参考矩阵是基于初始待分类生理电信号和起始参考矩阵生成的，是用于对初始待分类生理电信号进行数据对齐。
具体地，计算机设备可以基于参考矩阵对生理电信号进行数据对齐，以降低不同用户的生理电信号之间的分布差异。计算机设备可以获取初始待分类生理电信号对应的起始参考矩阵，基于初始待分类生理电信号修正起始参考矩阵，得到初始待分类生理电信号对应的修正参考矩阵，将该修正参考矩阵作为目标用户标识对应的目标信号空间信息，进而基于该修正参考矩阵对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号。
在一个实施例中，起始参考矩阵为目标用户标识对应的上一待分类生理电信号对应的修正参考矩阵。
具体地，在生理电信号分类过程中，参考矩阵是逐步修正的。计算机设备每获取到目标用户标识对应的一个待分类生理电信号，就对参考矩阵进行修正。因此，目标用户的当前待分类生理电信号对应的起始参考矩阵是目标用户的上一待分类生理电信号对应的修正参考矩阵。这样，基于新数据不断修正参考矩阵，用于数据对齐的参考矩阵会越来越准确、越来越可靠，从而有助于提高生理电信号的分类准确性。
举例说明，当首次获取到目标用户的待分类生理电信号时，计算机设备可以初始化目标用户对应的参考矩阵，得到起始参考矩阵A1，基于该待分类生理电信号修正起始参考矩阵A1，得到修正参考矩阵B1，将修正参考矩阵B1作为该待分类生理电信号对应的目标信号空间信息。当获取到目标用户新的待分类生理电信号时，计算机设备可以将修正参考矩阵B1作为起始参考矩阵A2，基于该待分类生理电信号修正起始参考矩阵A2，得到修正参考矩阵B2，将修正参考矩阵B2作为该待分类生理电信号对应的目标信号空间信息。以此类推，在生理电信号分类过程中，逐步修正参考矩阵。其中，初始化目标用户对应的参考矩阵具体可以是将目标用户对应的参考矩阵初始化为0。
本实施例中，基于初始待分类生理电信号修正起始参考矩阵，得到初始待分类生理电信号对应的修正参考矩阵，将初始待分类生理电信号对应的修正参考矩阵作为目标信号空间信息。这样，用于数据对齐的参考矩阵不断融合当前生理电信号的相关信息，可以更准确地反映目标用户的多个生理电信号的整体分布情况。
在一个实施例中，如图4所示，基于初始待分类生理电信号修正起始参考矩阵，得到初始待分类生理电信号对应的修正参考矩阵，包括：
步骤S402，获取目标用户标识对应的已分类生理电信号的数目统计结果。
步骤S404，计算初始待分类生理电信号对应的待分类协方差矩阵。
步骤S406，基于数目统计结果和待分类协方差矩阵修正起始参考矩阵，得到初始待分类生理电信号对应的修正参考矩阵。
其中，生理电信号是多通道信号，包括各个采集通道分别对应的通道信号。生理电信号采集设备包括多个采集通道(电极)，不同的采集通道用于采集不同位置的生理电信号。生理电信号对应的协方差矩阵是由生理电信号中各个通道信号之间的协方差所组成的矩阵。待分类协方差矩阵是指初始待分类生理电信号对应的协方差矩阵。
具体地，参考矩阵可以是协方差矩阵，一个数据的协方差矩阵可以反映数据元素之间的相关性。因此在修正起始参考矩阵时，可以参考初始待分类生理电信号对应的待分类协方差矩阵。此外，参考矩阵是基于新的生理电信号而不断更新的。因此在修正起始参考矩阵时，还可以进一步参考目标用户标识对应的已分类生理电信号的数目统计结果。计算机设备每次对目标用户的一个生理电信号进行分类后，就及时更新目标用户标识对应的已分类生理电信号的数目统计结果。
在处理当前初始待分类生理电信号时，计算机设备可以计算初始待分类生理电信号对应的待分类协方差矩阵，获取目标用户标识对应的已分类生理电信号的数目统计结果，基于数目统计结果和待分类协方差矩阵修正起始参考矩阵，从而得到初始待分类生理电信号对应的修正参考矩阵。
在一个实施例中，起始参考矩阵包括至少一个目标频段分别对应的起始参考子矩阵，初始待分类生理电信号包括至少一个目标频段分别对应的初始待分类子信号。那么，在修正起始参考矩阵时，各个目标频段对应的起始参考子矩阵分别独立修正。
本实施例中，基于数目统计结果和待分类协方差矩阵修正起始参考矩阵，能够准确有效地修正起始参考矩阵，从而基于准确的修正参考矩阵进行数据对齐有助于提高生理电信号的分类准确性。
在一个实施例中，起始参考矩阵包括至少一个目标频段分别对应的起始参考子矩阵，初始待分类生理电信号包括至少一个目标频段分别对应的初始待分类子信号。基于数目统计结果和待分类协方差矩阵修正起始参考矩阵，得到初始待分类生理电信号对应的修正参考矩阵，包括：
基于同一目标频段对应的初始待分类子信号和数目统计结果修正对应的起始参考子矩阵，得到各个目标频段分别对应的修正参考子矩阵；基于各个修正参考子矩阵得到修正参考矩阵。
具体地，若起始参考矩阵包括至少一个目标频段分别对应的起始参考子矩阵，则各个目标频段对应的起始参考子矩阵需要独立修正。因此，计算机设备可以基于同一目标频段对应的初始待分类子信号和数目统计结果修正对应的起始参考子矩阵，从而得到各个目标频段分别对应的修正参考子矩阵。然后，由各个修正参考子矩阵组成修正参考矩阵。
在一个实施例中，可以通过以下公式修正起始参考矩阵：
Figure BDA0002970802120000201
其中，Rj表示目标频段j对应的修正参考子矩阵，R′j表示目标频段j对应的起始参考子矩阵，N表示数目统计结果，xj表示目标频段j对应的初始待分类子信号，
Figure BDA0002970802120000202
表示xj的转置。
Figure BDA0002970802120000203
可以表示xj对应的协方差矩阵。
本实施例中，各个目标频段对应的起始参考子矩阵独立进行修正，可以提高修正准确性，从而基于准确的修正参考矩阵进行数据对齐以及后续处理，可以有助于提高生理电信号的分类准确性。
在一个实施例中，初始待分类生理电信号对应的修正参考矩阵包括至少一个目标频段分别对应的修正参考子矩阵，初始待分类生理电信号包括至少一个目标频段分别对应的初始待分类子信号。基于目标用户标识对应的目标信号空间信息对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号，包括：
将同一目标频段对应的修正参考子矩阵和初始待分类子信号进行融合，得到各个目标频段分别对应的目标待分类子信号；基于各个目标待分类子信号得到目标待分类生理电信号。
具体地，若在对生理电信号的分类过程中，没有对生理电信号进行带通滤波，那么可以直接将修正参考矩阵和初始待分类生理电信号进行融合，从而基于修正参考矩阵对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号。若在对生理电信号的分类过程中，对生理电信号进行了带通滤波，那么在进行数据对齐时，各个目标频段需要独立进行数据对齐。若对生理电信号进行了带通滤波，那么初始待分类生理电信号对应的修正参考矩阵包括至少一个目标频段分别对应的修正参考子矩阵，初始待分类生理电信号包括至少一个目标频段分别对应的初始待分类子信号，计算机设备可以将同一目标频段对应的修正参考子矩阵和初始待分类子信号进行融合，得到各个目标频段分别对应的目标待分类子信号。然后，由各个目标待分类子信号组成目标待分类生理电信号。
在一个实施例中，可以通过以下公式进行数据对齐：
Figure BDA0002970802120000211
其中，
Figure BDA0002970802120000212
表示目标频段j对应的目标待分类子信号，Rj表示目标频段j对应的修正参考子矩阵，xj表示目标频段j对应的初始待分类子信号。
本实施例中，各个目标频段对应的初始待分类子信号独立进行数据对齐，可以提高数据对齐的准确性，从而基于由各个目标待分类子信号组成的目标待分类生理电信号进行后续处理，可以有助于提高生理电信号的分类准确性。
在一个实施例中，如图5所示，目标空间滤波矩阵的生成包括以下步骤：
步骤S502，获取多个训练用户标识分别对应的初始训练生理电信号；初始训练生理电信号携带训练标签。
步骤S504，基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号。
步骤S506，基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵。
具体地，基于多个训练用户分别对应的已知分类结果的生理电信号可以生成适用于所有用户的目标空间滤波矩阵。首先，计算机设备需要获取多个训练用户标识分别对应的初始训练生理电信号，基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号，也就是各个训练用户独立进行数据对齐。接着，计算机设备可以基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵，该目标空间滤波矩阵可以让不同类别的生理电信号之间的空间特征差异最大化。
在一个实施例中，当分类任务为二分类任务时，计算机设备可以基于训练标签A对应的目标训练生理电信号和训练标签B对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵。当分类任务为多分类任务时，计算机设备可以先将多分类任务通过一对多或多对多的方式转换为二分类任务，先基于二分类任务生成对应的第一目标空间滤波矩阵，再细分二分类任务生成对应的第二目标空间滤波矩阵，直至无法再细分，最终可以得到多个目标空间滤波矩阵。将多分类任务通过一对多的方式转换为二分类任务是指从全部类别中选取一个类别作为一类，其他类别作为另一类。将多分类任务通过多对多的方式转换为二分类任务是指从全部类别中选取一部分作为一类，另一部分作为另一类。
例如，分类任务为三分类任务时，计算机设备可以基于训练标签A对应的目标训练生理电信号和其他训练标签(训练标签B和训练标签C)对应的目标训练生理电信号之间的信号差异生成第一目标空间滤波矩阵，基于第一目标空间滤波矩阵对生理电信号进行空间特征提取得到的空间特征可以用于区分生理电信号的类别是否为训练标签A。计算机设备可以基于训练标签B对应的目标训练生理电信号和训练标签C对应的目标训练生理电信号之间的信号差异生成第二目标空间滤波矩阵，基于第二目标空间滤波矩阵对生理电信号进行空间特征提取得到的空间特征可以用于区分生理电信号的类别是为训练标签B，还是为训练标签C。在具体应用时，先基于第一目标空间滤波矩阵对待分类生理电信号进行空间特征，得到第一待分类空间特征。若基于第一待分类空间特征得到该待分类生理电信号对应的分类结果为训练标签A，则该待分类生理电信号对应的分类结果为训练标签A对应的类别。若基于第一待分类空间特征得到该待分类生理电信号对应的分类结果不是训练标签A，则基于第二目标空间滤波矩阵对待分类生理电信号进行空间特征，得到第二待分类空间特征。最后，基于第二待分类空间特征确定该待分类生理电信号对应的分类结果是为训练标签B，还是为训练标签C。
本实施例中，通过数据对齐可以降低不同训练用户之间训练样本的分布差异，再基于不同训练标签对应的目标训练生理电信号之间的信号差异可以生成使不同类别的生理电信号之间的空间特征差异最大化的目标空间滤波矩阵，从而可以基于由目标空间滤波矩阵提取到的待分类空间特征进行生理电信号的分类。
在一个实施例中，基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号之前，所述方法还包括：
基于同一训练用户标识对应的各个初始训练生理电信号生成对应的初始参考矩阵，得到各个训练用户标识分别对应的初始参考矩阵；将同一训练用户标识对应的初始参考矩阵作为对应的训练信号空间信息。
具体地，在进行数据对齐之前，需要独立计算各个训练用户分别对应的训练信号空间信息。计算机设备可以基于同一训练用户标识对应的各个初始训练生理电信号生成对应的初始参考矩阵，得到各个训练用户标识分别对应的初始参考矩阵，再将同一训练用户标识对应的初始参考矩阵作为对应的训练信号空间信息。例如，计算机设备基于训练用户A对应的各个初始训练生理电信号生成训练用户A对应的初始参考矩阵a，将初始参考矩阵a作为训练用户A对应的训练信号空间信息，基于训练用户B对应的各个初始训练生理电信号生成训练用户B对应的初始参考矩阵b，将初始参考矩阵b作为训练用户B对应的训练信号空间信息。
在一个实施例中，可以通过以下公式计算初始参考矩阵：
Figure BDA0002970802120000241
其中，R表示一个训练用户标识对应的初始参考矩阵，m表示一个训练用户标识对应的初始训练生理电信号的总数量，xi表示第i个初始训练生理电信号，
Figure BDA0002970802120000242
表示xi的转置，
Figure BDA0002970802120000243
表示第i个初始训练生理电信号对应的协方差矩阵。初始参考矩阵可以是一个训练用户全部训练样本的协方差矩阵的均值。
本实施例中，通过基于同一训练用户标识对应的各个初始训练生理电信号生成对应的初始参考矩阵，得到各个训练用户标识分别对应的初始参考矩阵，将同一训练用户标识对应的初始参考矩阵作为对应的训练信号空间信息。这样，用于数据对齐的参考矩阵融合了同一用户大量生理电信号的相关信息，可以更准确地反映一个用户对应的多个生理电信号的整体分布情况。
在一个实施例中，初始训练生理电信号包括至少一个目标频段分别对应的初始训练子信号，基于同一训练用户标识对应的各个初始训练生理电信号生成对应的初始参考矩阵，得到各个训练用户标识分别对应的初始参考矩阵，包括：
计算各个初始训练子信号分别对应的初始协方差矩阵；基于同一训练用户标识且同一目标频段对应的各个初始协方差矩阵计算对应的初始参考子矩阵，得到各个训练用户标识在各个目标频段下分别对应的初始参考子矩阵；基于各个初始参考子矩阵得到各个训练用户标识分别对应的初始参考矩阵。
具体地，在计算参考矩阵时，各个被试者的各个目标频段独立计算。计算机设备可以对训练生理电信号进行带通滤波，基于带通滤波结果得到由至少一个目标频段分别对应的初始训练子信号组成的初始训练生理电信号。进而，在生成初始参考矩阵时，计算机设备先计算各个初始训练子信号分别对应的初始协方差矩阵，再基于同一训练用户标识且同一目标频段对应的各个初始协方差矩阵计算对应的初始参考子矩阵，得到各个训练用户标识在各个目标频段下分别对应的初始参考子矩阵，然后，由各个初始参考子矩阵组成各个训练用户标识分别对应的初始参考矩阵。其中，一个初始参考子矩阵可以是一个训练用户在一个目标频段下全部训练样本的协方差矩阵的均值，相应的，一个初始参考矩阵可以是一个训练用户在每一个目标频段下全部训练样本的协方差矩阵的均值的组合。
本实施例中，在计算参考矩阵时，各个被试者的各个目标频段独立计算，能够提高参考矩阵的准确性，从而有助于提高后续生理电信号的分类准确性。
在一个实施例中，初始训练生理电信号包括生理电信号采集设备上多个采集通道分别对应的通道信号，初始训练子信号包括各个采集通道分别对应的通道子信号。计算各个初始训练子信号分别对应的初始协方差矩阵，包括：
在当前初始训练子信号中，计算各个通道子信号之间的协方差；基于各个通道子信号之间的协方差生成当前初始训练子信号对应的初始协方差矩阵。
其中，生理电信号采集设备是用于采集生理电信号的设备。生理电信号采集设备包括多个电极，不同电极用于采集不同位置的电信号。一个电极对应一个采集通道。生理电信号是多通道信号，包括各个采集通道分别对应的通道信号。初始训练子信号包括各个采集通道分别对应的通道子信号。
具体地，生理电信号是多通道信号，初始训练生理电信号包括生理电信号采集设备上多个采集通道分别对应的通道信号，初始训练生理电信号对应的初始协方差矩阵是由各个通道信号之间的协方差组成的矩阵。在当前初始训练子信号中，计算各个通道子信号之间的协方差，然后，由各个通道子信号之间的协方差组成当前初始训练子信号对应的初始协方差矩阵。以此类推，最终可以得到各个初始训练子信号分别对应的初始协方差矩阵。
在一个实施例中，如图6所示，初始参考矩阵包括至少一个目标频段分别对应的初始参考子矩阵，初始训练生理电信号包括至少一个目标频段分别对应的初始训练子信号。基于同一训练用户标识对应的训练信号空间信息对对应的各个初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的各个目标训练生理电信号，包括：
步骤S602，将同一训练用户标识且同一目标频段对应的初始参考子矩阵和初始训练子信号进行融合，得到各个训练用户标识在各个目标频段下分别对应的目标训练子信号。
步骤S604，基于各个训练用户标识在各个目标频段下分别对应的目标训练子信号，得到各个训练用户标识分别对应的各个目标训练生理电信号。
具体地，在进行数据对齐时，各个训练用户的各个目标频段独立进行。若在训练过程中，没有对生理电信号进行带通滤波，那么可以直接将同一训练用户标识对应的初始参考矩阵和初始训练生理电信号进行融合，从而基于初始参考矩阵对初始训练生理电信号进行数据对齐，得到目标训练生理电信号。若在训练过程中，对生理电信号进行了带通滤波，那么在进行数据对齐时，各个训练用户的各个目标频段需要独立进行数据对齐。若对生理电信号进行了带通滤波，那么初始参考矩阵包括至少一个目标频段分别对应的初始参考子矩阵，初始训练生理电信号包括至少一个目标频段分别对应的初始训练子信号，计算机设备可以将同一训练用户标识且同一目标频段对应的初始参考子矩阵和初始训练子信号进行融合，得到各个训练用户标识在各个目标频段下分别对应的目标训练子信号。然后，将同一训练用户标识对应的各个目标训练子信号进行组成，得到对应的目标训练生理电信号。最终可以得到各个训练用户标识分别对应的各个目标训练生理电信号。
本实施例中，在进行数据对齐时，各个训练用户的各个目标频段独立进行数据对齐，能够提高数据对齐的准确性，从而有助于提高后续生理电信号的分类准确性。
在一个实施例中，如图7所示，目标训练生理电信号包括至少一个目标频段分别对应的目标训练子信号，基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵，包括：
步骤S702，在同一目标频段中，基于不同训练标签对应的目标训练子信号之间的信号差异生成对应的目标空间滤波子矩阵，从而得到各个目标频段分别对应的目标空间滤波子矩阵；
步骤S704，基于各个目标空间滤波子矩阵生成目标空间滤波矩阵。
具体地，可以针对每个目标频段生成对应的空间滤波器。在同一目标频段中，计算机设备可以基于不同训练标签对应的目标训练子信号之间的信号差异生成对应的目标空间滤波子矩阵，从而得到各个目标频段分别对应的目标空间滤波子矩阵，然后，由各个目标空间滤波子矩阵组成目标空间滤波矩阵。
例如，目标频段包括频段1、频段2和频段3，各个目标训练生理电信号均包括频段1、频段2和频段3分别对应的目标训练子信号。在频段1对应的各个目标训练子信号中，基于训练标签A对应的目标训练子信号和训练标签B对应的目标训练子信号之间的信号差异生成频段1对应的目标空间滤波子矩阵。在频段2对应的各个目标训练子信号中，基于训练标签A对应的目标训练子信号和训练标签B对应的目标训练子信号之间的信号差异生成频段2对应的目标空间滤波子矩阵。在频段3对应的各个目标训练子信号中，基于训练标签A对应的目标训练子信号和训练标签B对应的目标训练子信号之间的信号差异生成频段3对应的目标空间滤波子矩阵。最后，频段1、频段2和频段3分别对应的目标空间滤波子矩阵组成目标空间滤波矩阵。
本实施例中，各个目标频段独立生成对应的目标空间滤波子矩阵，由各个目标空间滤波子矩阵组成目标空间滤波矩阵，那么在应用时，可以分频段进行空间特征提取，提高特征提取的准确性，进而提高生理电信号的分类准确性。
在一个实施例中，在同一目标频段中，基于不同训练标签对应的目标训练子信号之间的信号差异生成对应的目标空间滤波子矩阵，从而得到各个目标频段分别对应的目标空间滤波子矩阵，包括：
在当前目标频段中，计算各个目标训练子信号分别对应的目标协方差矩阵；基于同一训练标签对应的各个目标协方差矩阵计算对应的目标参考矩阵，得到各个训练标签分别对应的目标参考矩阵；融合各个目标参考矩阵得到融合参考矩阵，对融合参考矩阵进行特征值分解，得到融合参考矩阵对应的初始特征值矩阵和初始特征向量矩阵；基于初始特征值矩阵和初始特征向量矩阵得到白化矩阵；基于白化矩阵分别对各个目标参考矩阵进行白化变换，得到各个目标参考矩阵分别对应的变换参考矩阵；对任意一个变换参考矩阵进行特征值分解，得到特征值分解结果，基于特征值分解结果得到目标特征向量矩阵；基于白化矩阵和目标特征向量矩阵生成当前目标频段对应的目标空间滤波子矩阵。
其中，特征值分解是指将矩阵进行特征向量空间的分解，将其分解为多个特征向量，每个特征向量可以理解为一个方向，而特征向量对应的特征值即为矩阵在该方向上的投影。并且，较大特征值所对应的特征向量是起主导作用的。白化变换是用于去除输入数据的冗余信息，可以降低特征之间的相关性。
具体地，计算机设备可以基于共空间模式生成空间滤波器。在当前目标频段中，计算机设备可以先计算各个目标训练子信号分别对应的目标协方差矩阵，基于同一训练标签对应的各个目标协方差矩阵计算对应的目标参考矩阵，得到各个训练标签分别对应的目标参考矩阵。在计算目标参考矩阵时，具体可以将训练标签A对应的各个目标协方差矩阵的均值作为训练标签A对应的目标参考矩阵，将训练标签B对应的各个目标协方差矩阵的均值作为训练标签B对应的目标参考矩阵。然后，计算机设备将各个目标参考矩阵进行融合，得到融合参考矩阵，并对融合参考矩阵进行特征值分解，得到融合参考矩阵对应的初始特征值矩阵和初始特征向量矩阵。在融合各个目标参考矩阵时，具体可以是将各个目标参考矩阵相加得到融合参考矩阵。接着，计算机设备基于初始特征值矩阵和初始特征向量矩阵得到白化矩阵，基于白化矩阵分别对各个目标参考矩阵进行白化变换，得到各个目标参考矩阵分别对应的变换参考矩阵。因为分别对各个变换参考矩阵进行特征值分解可以得到包括相应数据的特征值分解结果，所以计算机设备可以对任意一个变换参考矩阵进行特征值分解，得到特征值分解结果，基于特征值分解结果得到目标特征向量矩阵。最后，计算机设备可以基于白化矩阵和目标特征向量矩阵生成当前目标频段对应的目标空间滤波子矩阵。具体可以是将白化矩阵和目标特征向量矩阵进行融合，将融合矩阵直接作为当前目标频段对应的目标空间滤波子矩阵，也可以是提取融合矩阵的部分数据作为当前目标频段对应的目标空间滤波子矩阵。
在一个实施例中，以二分类任务为例说明当前目标频段对应的目标空间滤波子矩阵的生成过程。
1、分别计算两类信号的平均协方差矩阵
Figure BDA0002970802120000281
和
Figure BDA0002970802120000282
Figure BDA0002970802120000291
Figure BDA0002970802120000292
其中，
Figure BDA0002970802120000293
表示训练标签1对应的平均协方差矩阵(即训练标签1对应的目标参考矩阵)，
Figure BDA0002970802120000294
表示训练标签2对应的平均协方差矩阵(即训练标签2对应的目标参考矩阵)。M表示训练用户标识数量，即训练用户的数量，m表示每个训练用户标识对应的目标训练生理电信号数量，即每个训练用户对应的训练样本数量。
Figure BDA0002970802120000295
表示第i个目标训练子信号，该目标训练子信号的训练标签为1，
Figure BDA0002970802120000296
表示第i个目标训练子信号对应的目标协方差矩阵，该目标训练子信号的训练标签为1。trace(Y)表示矩阵Y的迹，即矩阵Y对角线元素之和。
Figure BDA0002970802120000297
表示第i个目标训练子信号，该目标训练子信号的训练标签为2，
Figure BDA0002970802120000298
表示第i个目标训练子信号对应的目标协方差矩阵，该目标训练子信号的训练标签为2。
2、计算复合协方差矩阵R并对其进行特征值分解
Figure BDA0002970802120000299
其中，R表示融合参考矩阵，U表示矩阵R对应的特征向量矩阵(即融合参考矩阵对应的初始特征向量矩阵)，λ表示矩阵R对应的特征值矩阵(即融合参考矩阵对应的初始特征值矩阵)，λ是由特征向量矩阵中各个特征向量对应的特征值组成的对角矩阵，UT表示矩阵U的转置。
3、计算白化矩阵P
Figure BDA00029708021200002910
其中，λ′表示将特征值进行降序排列得到的特征值矩阵，即重新排列后的λ，U′表示′对应的特征向量矩阵，即重新排列后的U。
4、对平均协方差矩阵
Figure BDA00029708021200002911
和
Figure BDA00029708021200002912
进行白化变换，并做特征值分解
Figure BDA00029708021200002913
Figure BDA00029708021200002914
B1＝B2＝B
其中，S1表示对
Figure BDA0002970802120000301
进行白化变换得到的变换参考矩阵，S2表示对
Figure BDA0002970802120000302
进行白化变换得到的变换参考矩阵。PT表示矩阵P的转置。B1和λ1为S1的特征值分解结果，B2和λ2为S2的特征值分解结果。B为目标特征向量矩阵。
5、计算空间滤波器，即计算目标空间滤波子矩阵
W＝BTP
其中，W表示目标空间滤波子矩阵，BT表示矩阵B的转置。
本实施例中，基于共空间模式生成空间滤波器，空间滤波器可以使映射后的样本不同类别之间的方差最大，进而达到分类识别的目的。
在一个实施例中，基于白化矩阵和目标特征向量矩阵生成当前目标频段对应的目标空间滤波子矩阵，包括：
融合白化矩阵和目标特征向量矩阵，得到初始空间滤波矩阵；从初始空间滤波矩阵中提取至少一个初始空间滤波子矩阵，得到至少一个初始空间滤波子矩阵；基于各个初始空间滤波子矩阵得到目标空间滤波子矩阵。
具体地，为了减少计算量，计算机设备可以从白化矩阵和目标特征向量矩阵的融合矩阵中提取部分数据作为初始空间滤波子矩阵。计算机设备先融合白化矩阵和目标特征向量矩阵，得到初始空间滤波矩阵，从初始空间滤波矩阵中提取至少一个初始空间滤波子矩阵，得到至少一个初始空间滤波子矩阵，然后，由各个初始空间滤波子矩阵组成目标空间滤波子矩阵。其中，具体可以将初始空间滤波矩阵的一行数据作为一个初始空间滤波子矩阵，也可以将初始空间滤波矩阵的若干行数据作为一个初始空间滤波子矩阵。
在一个实施例中，可以选择矩阵W的前两行和后两行分别作为初始空间滤波子矩阵，将矩阵W的某一行作为一个初始空间滤波子矩阵，得到四个初始空间滤波子矩阵，由四个初始空间滤波子矩阵组成目标空间滤波子矩阵。也就是，将矩阵W的某一行作为一个空间滤波器，选择矩阵W的前两行和后两行可以得到四个空间滤波器，由四个空间滤波器组成空间滤波器组。矩阵W中靠前的若干行数据和靠后的若干行数据差异比较大，可以从生理电信号中提取到不同角度的空间特征。
本实施例中，从白化矩阵和目标特征向量矩阵的融合矩阵中提取部分数据作为初始空间滤波子矩阵，由各个初始空间滤波子矩阵组成目标空间滤波子矩阵，可以降低目标空间滤波子矩阵的数据量，从而减少后续的计算量，提高生理电信号的分类效率。
在一个实施例中，目标空间滤波矩阵包括至少一个目标频段分别对应的目标空间滤波子矩阵，目标待分类生理电信号包括至少一个目标频段分别对应的目标待分类子信号。基于目标空间滤波矩阵对目标待分类生理电信号进行空间特征提取，得到待分类空间特征，包括：
基于同一目标频段对应的目标空间滤波子矩阵提取对应的目标待分类子信号的空间特征，得到各个目标频段分别对应的待分类空间子特征；基于各个待分类空间子特征生成待分类空间特征。
具体地，基于训练样本可以生成各个目标频段分别对应的空间滤波器，那么，在进行空间特征提取时，各个目标频段独立进行。目标空间滤波矩阵包括至少一个目标频段分别对应的目标空间滤波子矩阵，目标待分类生理电信号包括至少一个目标频段分别对应的目标待分类子信号。计算机设备可以基于同一目标频段对应的目标空间滤波子矩阵提取对应的目标待分类子信号的空间特征，从而得到各个目标频段分别对应的待分类空间子特征，然后，由各个待分类空间子特征组成待分类空间特征。例如，基于频段1对应的目标空间滤波子矩阵对频段1对应的目标待分类子信号进行空间特征提取，得到待分类空间子特征1，基于频段2对应的目标空间滤波子矩阵对频段2对应的目标待分类子信号进行空间特征提取，得到待分类空间子特征2，将待分类空间子特征1和待分类空间子特征2进行拼接得到待分类空间特征。
本实施例中，在进行空间特征提取时，各个目标频段独立计算能够提高待分类空间特征的准确性和可靠性。
在一个实施例中，目标空间滤波子矩阵包括至少一个初始空间滤波子矩阵，基于同一目标频段对应的目标空间滤波子矩阵提取对应的目标待分类子信号的空间特征，得到各个目标频段分别对应的待分类空间子特征，包括：
在当前目标频段中，基于各个初始空间滤波子矩阵对对应的目标待分类子信号进行信号投影，得到各个目标待分类子信号分别对应的目标投影子信号；计算各个目标投影子信号分别对应的初始方差数据；分别对各个初始方差数据进行归一化处理，得到对应的各个目标方差数据；基于各个目标方差数据得到当前目标频段对应的待分类空间子特征。
具体地，一个目标频段对应的空间滤波器可以是一个空间滤波器组，那么，在进行空间特征提取时，需要基于空间滤波器组中的各个空间滤波器分别对生理电信号进行空间特征提取，基于各个空间特征提取结果得到待分类空间子特征。在当前目标频段中，计算机设备可以基于各个初始空间滤波子矩阵对对应的目标待分类子信号进行信号投影，得到各个目标待分类子信号分别对应的目标投影子信号。例如，当前目标频段对应的目标空间滤波子矩阵包括四个初始空间滤波子矩阵，基于初始空间滤波子矩阵a对当前目标频段对应的目标待分类子信号进行信号投影，得到目标投影子信号a，基于初始空间滤波子矩阵b对当前目标频段对应的目标待分类子信号进行信号投影，得到目标投影子信号b，基于初始空间滤波子矩阵c对当前目标频段对应的目标待分类子信号进行信号投影，得到目标投影子信号c，基于初始空间滤波子矩阵d对当前目标频段对应的目标待分类子信号进行信号投影，得到目标投影子信号d。接着，计算机设备计算各个目标投影子信号分别对应的初始方差数据，再对各个初始方差数据进行归一化处理，得到各个初始方差数据分别对应的目标方差数据，最后，将各个目标方差数据进行拼接得到当前目标频段对应的待分类空间子特征。
在一个实施例中，在一个目标频段中基于空间滤波器组对生理电信号进行空间特征提取包括以下步骤：
1、计算样本投影
Z＝WfX
其中，Z表示样本投影结果，X表示训练样本，Wf表示空间滤波器。例如，当X为目标待分类子信号时，Wf为初始空间滤波子矩阵，Z为目标投影子信号。
2、计算每一空间滤波器对应的样本投影结果的方差并进行归一化
Figure BDA0002970802120000321
其中，F表示方差的归一化结果，var(Z)表示Z对应的方差，sum(var(Z))表示方差的总和。
3、将各个归一化结果进行拼接得到空间特征
举例说明，假设一个目标频段对应的空间滤波器组包括四个空间滤波器，样本A通过四个空间滤波器可以得到四个样本投影结果Z1、Z2、Z3、Z4，计算每个样本投影结果对应的方差数据得到初始方差数据V1、V2、V3、V4，将四个初始方差相加得到方差统计数据，分别计算四个初始方差和方差统计数据的比值，得到样本特征F1、F2、F3、F4，将四个样本特征进行拼接最终得到该目标频段对应的待分类空间子特征。
本实施例中，空间滤波器可以使映射后的样本不同类别之间的方差最大，因此，先对待分类生理电信号进行样本投影，再计算方差数据，然后进行归一化处理和拼接，基于上述处理得到的待分类空间特征可以用于分类识别，以确定待分类生理电信号的分类结果。
在一个实施例中，基于待分类空间特征得到初始待分类生理电信号对应的分类结果，包括：
将待分类空间特征输入目标生理电信号分类模型，得到分类结果。
其中，生理电信号分类模型是用于对生理电信号进行分类的机器学习模型。目标生理电信号分类模型是指已训练的生理电信号分类模型。
具体地，计算机设备可以基于机器学习模型对待分类空间特征进行分类处理，得到分类结果。计算机设备可以获取目标生理电信号分类模型，将待分类空间特征输入目标生理电信号分类模型，通过目标生理电信号分类模型预测初始待分类生理电信号对应的分类结果。
本实施例中，基于目标生理电信号分类模型对待分类空间特征进行分类处理，可以快速得到比较准确的分类结果。
在一个实施例中，目标生理电信号分类模型的训练过程包括以下步骤：
基于目标空间滤波矩阵对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征；将各个训练空间特征输入初始生理电信号分类模型中，得到各个目标训练生理电信号分别对应的预测标签；基于同一目标训练生理电信号对应的预测标签和训练标签调整初始生理电信号分类模型的模型参数，直至满足收敛条件，得到目标生理电信号分类模型。
其中，初始生理电信号分类模型是指待训练的生理电信号分类模型。目标生理电信号分类模型是指已训练的生理电信号分类模型。
具体地，在训练目标生理电信号分类模型时，计算机设备可以基于目标空间滤波矩阵分别对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征，将目标训练生理电信号对应的训练空间特征作为模型的输入，将目标训练生理电信号对应的训练标签作为模型的预期输出，通过有监督训练得到已训练的生理电信号分类模型。计算机设备具体可以将目标训练生理电信号对应的训练空间特征输入初始生理电信号分类模型，得到目标训练生理电信号分别对应的预测标签，基于同一目标训练生理电信号对应的预测标签和训练标签调整初始生理电信号分类模型的模型参数，直到满足收敛条件，得到目标生理电信号分类模型。其中，收敛条件可以自定义，例如迭代次数达到迭代阈值，训练标签和预测标签的差异达到最小值等。调整模型参数具体可以是计算训练标签和预测标签的差异，通过差异反向传播，调整初始生理电信号分类模型的模型参数并继续训练，直至更新后的差异或迭代次数满足收敛条件，则训练完成，得到已训练的生理电信号分类模型。目标生理电信号分类模型可以用于对待分类生理电信号对应的空间特征进行分类，得到待分类生理电信号对应的分类结果。
本实施例中，各个目标训练生理电信号分别对应的训练空间特征和训练标签可以训练得到目标生理电信号分类模型，目标生理电信号分类模型可以用于对待分类生理电信号对应的目标空间特征进行分类处理，能够提高生理电信号的分类效率和分类准确性。
在一个实施例中，如图8所示，提供了一种生理电信号分类处理方法，以该方法应用于图1中的计算机设备为例进行说明，计算机设备可以是上述图1中的终端102或服务器104。参考图8，生理电信号分类处理方法包括以下步骤：
步骤S802，获取多个训练用户标识分别对应的初始训练生理电信号；初始训练生理电信号携带训练标签。
具体地，计算机设备可以在本地、或从其他终端、服务器获取训练样本来训练生理电信号分类模型。其中，训练样本为多个训练用户标识分别对应的多个初始训练生理电信号，各个初始训练生理电信号均携带对应的训练标签。
步骤S804，基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号。
具体地，计算机设备可以基于同一训练用户标识对应的各个初始训练生理电信号生成对应的训练信号空间信息，从而得到各个训练用户标识分别对应的训练信号空间信息。接着，计算机设备可以基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，从而得到各个训练用户标识分别对应的目标训练生理电信号，也就是各个训练用户独立进行数据对齐。
其中，生成信号空间信息和进行数据对齐的具体过程可以参照前述生理电信号分类处理方法的各个相关实施例所述的方法，此处不再赘述。
步骤S806，基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵。
具体地，计算机设备可以基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵，该目标空间滤波矩阵可以让不同类别的生理电信号之间的空间特征差异最大化。
其中，生成目标空间滤波矩阵的具体过程可以参照前述生理电信号分类处理方法的各个相关实施例所述的方法，此处不再赘述。
步骤S808，基于目标空间滤波矩阵对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征。
具体地，计算机设备可以基于目标空间滤波矩阵分别对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征，从而基于不同训练标签对应的训练空间特征可以得到训练一个分类器，用于对待分类生理电信号对应的待分类空间特征进行分类处理，输出分类结果。
其中，空间特征提取的具体过程可以参照前述生理电信号分类处理方法的各个相关实施例所述的方法，此处不再赘述。
步骤S810，基于各个目标训练生理电信号对应的训练空间特征和训练标签对初始生理电信号分类模型进行模型训练，直至满足收敛条件，得到目标生理电信号分类模型。
具体地，计算机设备可以将训练空间特征作为模型的输入，将对应的训练标签作为预期输出，通过有监督训练得到已训练的生理电信号分类模型。计算机设备具体可以将目标训练生理电信号对应的训练空间特征输入初始生理电信号分类模型，得到目标训练生理电信号分别对应的预测标签，进而基于同一目标训练生理电信号对应的预测标签和训练标签调整初始生理电信号分类模型的模型参数，直到满足收敛条件，得到目标生理电信号分类模型。其中，收敛条件可以自定义，例如迭代次数达到迭代阈值，训练标签和预测标签的差异达到最小值等。调整模型参数具体可以是计算训练标签和预测标签的差异，通过差异反向传播，调整初始生理电信号分类模型的模型参数并继续训练，直至更新后的差异或迭代次数满足收敛条件，则训练完成，得到已训练的生理电信号分类模型。
在应用时，计算机设备可以获取目标用户标识对应的初始待分类生理电信号，基于目标用户标识对应的目标信号空间信息对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号，基于目标空间滤波矩阵对目标待分类生理电信号进行空间特征提取，得到待分类空间特征，最后将待分类空间特征输入目标生理电信号分类模型，得到初始待分类生理电信号对应的分类结果。
其中，目标生理电信号分类模型的具体应用过程可以参照前述生理电信号分类处理方法的各个相关实施例所述的方法，此处不再赘述。
上述生理电信号分类处理方法，基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，可以降低不同训练用户的生理电信号之间的分布差异，再基于通过数据对齐得到的目标生理电信号和对应的训练标签可以生成通用的目标空间滤波矩阵，通过目标空间滤波矩阵可以提取生理电信号中可用于区分生理电信号类别的空间特征。这样，无需预先获取目标用户的生理电信号也可以训练得到可以用于对目标用户的生理电信号进行分类的目标空间滤波矩阵和目标生理电信号分类模型，通过目标空间滤波矩阵和目标生理电信号分类模型可以实现对目标用户的生理电信号的分类，更加方便高效。
本申请还提供一种应用场景，该应用场景应用上述的生理电信号分类处理方法。具体地，该生理电信号分类处理方法在该应用场景的应用如下：
本申请的生理电信号分类处理方法可以应用于脑电信号分类任务中。脑电图信号(EEG)是通过电子仪器(即采集设备)放大并记录下的头皮电信号而获得的生理电信号，为多通道的时间序列。参考图9A，采集设备上包括多个电极，一个电极对应一个采集通道，完整的脑电信号是由多个采集通道对应的脑电信号组成的。其中，902可以表示一个电极。
参考图9B说明脑电信号分类的具体过程：
1、离线训练
离线训练主要是基于大量的不同训练用户的数据训练一个鲁棒的分类模型，使其针对未知用户(即目标用户)的脑电信号具有较高的泛化性。假设训练数据为
Figure BDA0002970802120000371
Xi∈Rm*c*n，其中Xi表示第i个训练用户的训练数据，M表示训练用户的数目，m为每个训练用户的训练样本数，c为脑电信号的采集通道数，n为脑电信号的采样点数。
1-1、带通滤波
针对全部的训练数据，计算机设备先对原始的脑电信号训练样本进行带通滤波，滤波频段包括多个，频段之间可以重叠可以不重叠。那么，计算机设备可以得到多个目标频段下的脑电信号，
Figure BDA0002970802120000372
Figure BDA0002970802120000373
N为滤波频段总数。
1-2、数据对齐
针对滤波后的训练样本，通过数据对齐降低不同训练用户之间训练样本协方差矩阵的差异。具体可以采用欧式距离对齐，欧式距离对齐是一种基于参考矩阵的方法，各个训练用户的各个目标频段独立计算。令某一训练用户的特定频段样本为x，x∈Rm*c*n。假设参考矩阵为R，则针对每一个训练样本xi∈Rc*n，可以通过如下公式进行数据对齐：
Figure BDA0002970802120000381
参考矩阵R为每一个训练用户的每一个频段下全部训练样本的协方差矩阵的均值，可由如下公式计算：
Figure BDA0002970802120000382
通过欧式距离对齐可以让所有训练用户的平均协方差矩阵转化为单位矩阵，以此认为降低了不同训练用户之间的协方差矩阵的分布差异。
1-3、空间特征提取
通过带通滤波和数据对齐，计算机设备可以得到协方差矩阵分布相似的各个训练用户的训练样本
Figure BDA0002970802120000383
M为训练用户总数，N为目标频段总数。然后，计算机设备将所有数据对齐后的训练样本进行混合，并针对每一个目标频段使用共空间模式提取训练样本的空间特征。共空间模式是一种基于协方差矩阵的空间特征提取方法，其旨在寻找一个最优的空间滤波器使映射后的样本不同类别之间的方差最大，进而达到分类识别的目的。
1-3-1、计算空间滤波器组(即目标空间滤波矩阵)
(1)分别计算两类信号的平均协方差矩阵
Figure BDA0002970802120000384
和
Figure BDA0002970802120000385
(2)计算复合协方差矩阵R并对其进行特征值分解
(3)计算白化矩阵P
(4)对平均协方差矩阵
Figure BDA0002970802120000386
和
Figure BDA0002970802120000387
进行白化变换，并做特征值分解
(5)计算空间滤波器组，即计算目标空间滤波子矩阵
1-3-2、基于空间滤波器组进行空间特征提取
(1)计算数据对齐后的训练样本对应的样本投影
(2)计算每一空间滤波器对应的样本投影结果的方差并进行归一化
(3)将各个归一化结果进行拼接得到训练样本对应的训练空间特征
1-4、训练分类器
基于各个训练样本对应的训练空间特征和训练标签训练逻辑回归分类器。
2、在线预测
基于离线训练计算得到的每个频段下的空间滤波器组以及逻辑回归分类器，可以应用于在线的脑-机接口系统中进行信号的识别。然而，在在线预测过程中，未知用户的信号样本单独出现，无法计算参考矩阵。因此，可以采用在系统运行过程中逐步修正参考矩阵的方案，来自适应未知用户的数据分布。
2-1、带通滤波
首先初始化参考矩阵Ri＝0，i＝1，2，3，……，F，一开始目标用户的样本数目N＝0，其中，F为目标频段总数。
假设待分类脑电信号为x∈Rc*n，计算机设备对待分类脑电信号进行带通滤波，得到滤波后的待分类脑电信号
Figure BDA0002970802120000391
也就是，对待分类脑电信号进行带通滤波后，可以得到目标频段1对应的初始待分类子信号、目标频段2对应的初始待分类子信号、目标频段3对应的初始待分类子信号、……、目标频段f对应的初始待分类子信号。
2-2、数据对齐
首先更新参考矩阵
Figure BDA0002970802120000392
和目标用户的样本数目N＝N+1。然后，使用更新后的参考矩阵对滤波后的待分类脑电信号进行欧式距离对齐：
Figure BDA0002970802120000393
也就是，对待分类脑电信号进行数据对齐后，可以得到目标频段1对应的目标待分类子信号、目标频段2对应的目标待分类子信号、目标频段3对应的目标待分类子信号、……、目标频段f对应的目标待分类子信号。
2-3、空间特征提取
针对每一个目标频段下的脑电信号，基于训练好的空间滤波器组提取对应的待分类空间子特征，然后将所有目标频段下的待分类空间子特征进行拼接，得到最终的待分类空间特征。也就是，对待分类脑电信号进行空间特征后，可以得到目标频段1对应的待分类空间子特征、目标频段2对应的待分类空间子特征、……、目标频段f对应的待分类空间子特征，将目标频段1、2、……、f对应的待分类空间子特征进行拼接得到待分类空间特征。
2-4、特征分类
使用训练好的逻辑回归分类器进行特征分类，将待分类空间特征输入已训练的分类器，得到待分类脑电信号对应的分类结果。
重复步骤2-1至2-4，对目标用户的每一个脑电信号进行在线分类，以实现对未知用户的脑电信号的在线分类。
本实施例中，可降低不同用户脑电信号的分布差异，进而实现跨用户的脑电信号分类。此外，在离线训练之后，可以将训练得到的参数嵌入在线的脑-机接口系统中，随着未知用户的信号样本的采集自适应地调整信号分布，进而实现对未知用户的脑电信号的在线分类。
可以理解，除了应用在脑电信号分类任务上，本申请的生理电信号分类处理方法还可以应用在其他生理电信号分类任务上，例如，心电信号分类任务、肌电信号分类任务等。例如，在用户运动的时候，可以对用户的肌电信号进行肌肉状态分类，当肌肉状态为肌肉疲劳时，生成提示信息来提示用户及时休息。
应该理解的是，虽然图2-8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2-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供了一种生理电信号分类处理装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：信号获取模块1002、数据对齐模块1004、特征提取模块1006和信号分类模块1008，其中：
信号获取模块1002，用于获取目标用户标识对应的初始待分类生理电信号；
数据对齐模块1004，用于基于目标用户标识对应的目标信号空间信息对初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号；
特征提取模块1006，用于基于目标空间滤波矩阵对目标待分类生理电信号进行空间特征提取，得到待分类空间特征，目标空间滤波矩阵是基于多个训练用户标识分别对应的目标训练生理电信号和各个目标训练生理电信号对应的训练标签生成的，目标训练生理电信号是基于训练用户标识对应的训练信号空间信息对初始训练生理电信号进行数据对齐得到的；
信号分类模块1008，用于基于待分类空间特征得到初始待分类生理电信号对应的分类结果。
在一个实施例中，信号获取模块还用于获取目标用户标识对应的候选待分类生理电信号；对候选待分类生理电信号进行至少一个目标频段的信号提取，得到候选待分类生理电信号在各个目标频段下分别对应的初始待分类子信号；基于各个初始待分类子信号得到初始待分类生理电信号。
在一个实施例中，数据对齐模块还用于获取初始待分类生理电信号对应的起始参考矩阵；基于初始待分类生理电信号修正起始参考矩阵，得到初始待分类生理电信号对应的修正参考矩阵；将初始待分类生理电信号对应的修正参考矩阵作为目标信号空间信息。
在一个实施例中，起始参考矩阵为目标用户标识对应的上一待分类生理电信号对应的修正参考矩阵。
在一个实施例中，数据对齐模块还用于获取目标用户标识对应的已分类生理电信号的数目统计结果；计算初始待分类生理电信号对应的待分类协方差矩阵；基于数目统计结果和待分类协方差矩阵修正起始参考矩阵，得到初始待分类生理电信号对应的修正参考矩阵。
在一个实施例中，起始参考矩阵包括至少一个目标频段分别对应的起始参考子矩阵，初始待分类生理电信号包括至少一个目标频段分别对应的初始待分类子信号。数据对齐模块还用于基于同一目标频段对应的初始待分类子信号和数目统计结果修正对应的起始参考子矩阵，得到各个目标频段分别对应的修正参考子矩阵；基于各个修正参考子矩阵得到修正参考矩阵。
在一个实施例中，初始待分类生理电信号对应的修正参考矩阵包括至少一个目标频段分别对应的修正参考子矩阵，初始待分类生理电信号包括至少一个目标频段分别对应的初始待分类子信号。数据对齐模块还用于将同一目标频段对应的修正参考子矩阵和初始待分类子信号进行融合，得到各个目标频段分别对应的目标待分类子信号；基于各个目标待分类子信号得到目标待分类生理电信号。
在一个实施例中，如图11所示，所述装置还包括：
空间滤波矩阵生成模块1000，用于获取多个训练用户标识分别对应的初始训练生理电信号；初始训练生理电信号携带训练标签；基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号；基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵。
在一个实施例中，空间滤波矩阵生成模块还用于基于同一训练用户标识对应的各个初始训练生理电信号生成对应的初始参考矩阵，得到各个训练用户标识分别对应的初始参考矩阵；将同一训练用户标识对应的初始参考矩阵作为对应的训练信号空间信息。
在一个实施例中，初始训练生理电信号包括至少一个目标频段分别对应的初始训练子信号。空间滤波矩阵生成模块还用于计算各个初始训练子信号分别对应的初始协方差矩阵；基于同一训练用户标识且同一目标频段对应的各个初始协方差矩阵计算对应的初始参考子矩阵，得到各个训练用户标识在各个目标频段下分别对应的初始参考子矩阵；基于各个初始参考子矩阵得到各个训练用户标识分别对应的初始参考矩阵。
在一个实施例中，初始训练生理电信号包括生理电信号采集设备上多个采集通道分别对应的通道信号，初始训练子信号包括各个采集通道分别对应的通道子信号。空间滤波矩阵生成模块还用于在当前初始训练子信号中，计算各个通道子信号之间的协方差；基于各个通道子信号之间的协方差生成当前初始训练子信号对应的初始协方差矩阵。
在一个实施例中，初始参考矩阵包括至少一个目标频段分别对应的初始参考子矩阵，初始训练生理电信号包括至少一个目标频段分别对应的初始训练子信号。空间滤波矩阵生成模块还用于将同一训练用户标识且同一目标频段对应的初始参考子矩阵和初始训练子信号进行融合，得到各个训练用户标识在各个目标频段下分别对应的目标训练子信号；基于各个训练用户标识在各个目标频段下分别对应的目标训练子信号，得到各个训练用户标识分别对应的各个目标训练生理电信号。
在一个实施例中，目标训练生理电信号包括至少一个目标频段分别对应的目标训练子信号。空间滤波矩阵生成模块还用于在同一目标频段中，基于不同训练标签对应的目标训练子信号之间的信号差异生成对应的目标空间滤波子矩阵，从而得到各个目标频段分别对应的目标空间滤波子矩阵；基于各个目标空间滤波子矩阵生成目标空间滤波矩阵。
在一个实施例中，空间滤波矩阵生成模块还用于在当前目标频段中，计算各个目标训练子信号分别对应的目标协方差矩阵；基于同一训练标签对应的各个目标协方差矩阵计算对应的目标参考矩阵，得到各个训练标签分别对应的目标参考矩阵；融合各个目标参考矩阵得到融合参考矩阵，对融合参考矩阵进行特征值分解，得到融合参考矩阵对应的初始特征值矩阵和初始特征向量矩阵；基于初始特征值矩阵和初始特征向量矩阵得到白化矩阵；基于白化矩阵分别对各个目标参考矩阵进行白化变换，得到各个目标参考矩阵分别对应的变换参考矩阵；对任意一个变换参考矩阵进行特征值分解，得到特征值分解结果，基于特征值分解结果得到目标特征向量矩阵；基于白化矩阵和目标特征向量矩阵生成当前目标频段对应的目标空间滤波子矩阵。
在一个实施例中，空间滤波矩阵生成模块还用于融合白化矩阵和目标特征向量矩阵，得到初始空间滤波矩阵；从初始空间滤波矩阵中提取至少一个初始空间滤波子矩阵，得到至少一个初始空间滤波子矩阵；基于各个初始空间滤波子矩阵得到目标空间滤波子矩阵。
在一个实施例中，目标空间滤波矩阵包括至少一个目标频段分别对应的目标空间滤波子矩阵，目标待分类生理电信号包括至少一个目标频段分别对应的目标待分类子信号。特征提取模块还用于基于同一目标频段对应的目标空间滤波子矩阵提取对应的目标待分类子信号的空间特征，得到各个目标频段分别对应的待分类空间子特征；基于各个待分类空间子特征生成待分类空间特征。
在一个实施例中，目标空间滤波子矩阵包括至少一个初始空间滤波子矩阵。特征提取模块还用于在当前目标频段中，基于各个初始空间滤波子矩阵对对应的目标待分类子信号进行信号投影，得到各个目标待分类子信号分别对应的目标投影子信号；计算各个目标投影子信号分别对应的初始方差数据；分别对各个初始方差数据进行归一化处理，得到对应的各个目标方差数据；基于各个目标方差数据得到当前目标频段对应的待分类空间子特征。
在一个实施例中，信号分类模块还用于将待分类空间特征输入目标生理电信号分类模型，得到分类结果。
在一个实施例中，如图12所示，所述装置还包括：
模型训练模块1001，用于基于目标空间滤波矩阵对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征；将各个训练空间特征输入初始生理电信号分类模型中，得到各个目标训练生理电信号分别对应的预测标签；基于同一目标训练生理电信号对应的预测标签和训练标签调整初始生理电信号分类模型的模型参数，直至满足收敛条件，得到目标生理电信号分类模型。
上述生理电信号分类处理装置，先基于同一训练用户标识对应的训练信号空间信息对对应的初始生理电信号进行数据对齐，可以降低不同训练用户的生理电信号之间的分布差异，再基于通过数据对齐得到的目标生理电信号和对应的训练标签可以生成通用的目标空间滤波矩阵，通过目标空间滤波矩阵可以提取生理电信号中可用于区分生理电信号类别的空间特征。进而在对未知用户的生理电信号进行分类时，先基于目标用户标识对应的目标信号空间信息对目标用户标识对应的初始待分类生理电信号进行数据对齐，以降低目标用户与训练用户的生理电信号之间的分布差异，再基于通用的目标空间滤波矩阵提取通过数据对齐得到的目标待分类生理电信号的空间特征，从而基于提取到的待分类空间特征可以得到初始待分类生理电信号对应的分类结果。这样，无需预先获取目标用户的生理电信号也可以实现对目标用户的生理电信号的分类，更加方便高效。
在一个实施例中，如图13所示，提供了一种生理电信号分类处理装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：信号获取模块1302、数据对齐模块1304、空间滤波矩阵生成模块1306、特征提取模块1308和模型训练模块1310，其中：
信号获取模块1302，用于获取多个训练用户标识分别对应的初始训练生理电信号；所述初始训练生理电信号携带训练标签；
数据对齐模块1304，用于基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号；
空间滤波矩阵生成模块1306，用于基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵；
特征提取模块1308，用于基于所述目标空间滤波矩阵对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征；
模型训练模块1310，用于基于各个目标训练生理电信号对应的训练空间特征和训练标签对初始生理电信号分类模型进行模型训练，直至满足收敛条件，得到目标生理电信号分类模型。
上述生理电信号分类处理装置，基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，可以降低不同训练用户的生理电信号之间的分布差异，再基于通过数据对齐得到的目标生理电信号和对应的训练标签可以生成通用的目标空间滤波矩阵，通过目标空间滤波矩阵可以提取生理电信号中可用于区分生理电信号类别的空间特征。这样，无需预先获取目标用户的生理电信号也可以训练得到可以用于对目标用户的生理电信号进行分类的目标空间滤波矩阵和目标生理电信号分类模型，通过目标空间滤波矩阵和目标生理电信号分类模型可以实现对目标用户的生理电信号的分类，更加方便高效。
关于生理电信号分类处理装置的具体限定可以参见上文中对于生理电信号分类处理方法的限定，在此不再赘述。上述生理电信号分类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服务器，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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。该计算机设备的数据库用于存储目标空间滤波矩阵、目标信号空间信息、目标生理电信号分类模型数据。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生理电信号分类处理方法。
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15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、通信接口、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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种生理电信号分类处理方法。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14、15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，还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上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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 (15)

1.一种生理电信号分类处理方法，其特征在于，所述方法包括：
获取目标用户标识对应的初始待分类生理电信号；
基于所述目标用户标识对应的目标信号空间信息对所述初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号；
基于目标空间滤波矩阵对所述目标待分类生理电信号进行空间特征提取，得到待分类空间特征，所述目标空间滤波矩阵是基于多个训练用户标识分别对应的目标训练生理电信号和各个目标训练生理电信号对应的训练标签生成的，所述目标训练生理电信号是基于训练用户标识对应的训练信号空间信息对初始训练生理电信号进行数据对齐得到的；
基于所述待分类空间特征得到所述初始待分类生理电信号对应的分类结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标用户标识对应的目标信号空间信息对所述初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号之前，所述方法还包括：
获取所述初始待分类生理电信号对应的起始参考矩阵；
基于所述初始待分类生理电信号修正所述起始参考矩阵，得到所述初始待分类生理电信号对应的修正参考矩阵；
将所述初始待分类生理电信号对应的修正参考矩阵作为所述目标信号空间信息。
3.根据权利要求2所述的方法，其特征在于，所述起始参考矩阵为所述目标用户标识对应的上一待分类生理电信号对应的修正参考矩阵。
4.根据权利要求2所述的方法，其特征在于，所述基于所述初始待分类生理电信号修正所述起始参考矩阵，得到所述初始待分类生理电信号对应的修正参考矩阵，包括：
获取所述目标用户标识对应的已分类生理电信号的数目统计结果；
计算所述初始待分类生理电信号对应的待分类协方差矩阵；
基于所述数目统计结果和所述待分类协方差矩阵修正所述起始参考矩阵，得到所述初始待分类生理电信号对应的修正参考矩阵。
5.根据权利要求2至4任意一项所述的方法，其特征在于，所述初始待分类生理电信号对应的修正参考矩阵包括至少一个目标频段分别对应的修正参考子矩阵，所述初始待分类生理电信号包括至少一个目标频段分别对应的初始待分类子信号；
所述基于所述目标用户标识对应的目标信号空间信息对所述初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号，包括：
将同一目标频段对应的修正参考子矩阵和初始待分类子信号进行融合，得到各个目标频段分别对应的目标待分类子信号；
基于各个目标待分类子信号得到所述目标待分类生理电信号。
6.根据权利要求1所述的方法，其特征在于，所述目标空间滤波矩阵的生成包括以下步骤：
获取多个训练用户标识分别对应的初始训练生理电信号；所述初始训练生理电信号携带训练标签；
基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号；
基于不同训练标签对应的目标训练生理电信号之间的信号差异生成所述目标空间滤波矩阵。
7.根据权利要求6所述的方法，其特征在于，所述基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号之前，所述方法还包括：
基于同一训练用户标识对应的各个初始训练生理电信号生成对应的初始参考矩阵，得到各个训练用户标识分别对应的初始参考矩阵；
将同一训练用户标识对应的初始参考矩阵作为对应的训练信号空间信息。
8.根据权利要求7所述的方法，其特征在于，所述初始训练生理电信号包括至少一个目标频段分别对应的初始训练子信号，所述基于同一训练用户标识对应的各个初始训练生理电信号生成对应的初始参考矩阵，得到各个训练用户标识分别对应的初始参考矩阵，包括：
计算各个初始训练子信号分别对应的初始协方差矩阵；
基于同一训练用户标识且同一目标频段对应的各个初始协方差矩阵计算对应的初始参考子矩阵，得到各个训练用户标识在各个目标频段下分别对应的初始参考子矩阵；
基于各个初始参考子矩阵得到各个训练用户标识分别对应的初始参考矩阵。
9.根据权利要求6所述的方法，其特征在于，所述目标训练生理电信号包括至少一个目标频段分别对应的目标训练子信号，所述基于不同训练标签对应的目标训练生理电信号之间的信号差异生成所述目标空间滤波矩阵，包括：
在同一目标频段中，基于不同训练标签对应的目标训练子信号之间的信号差异生成对应的目标空间滤波子矩阵，从而得到各个目标频段分别对应的目标空间滤波子矩阵；
基于各个目标空间滤波子矩阵生成所述目标空间滤波矩阵。
10.根据权利要求9所述的方法，其特征在于，所述在同一目标频段中，基于不同训练标签对应的目标训练子信号之间的信号差异生成对应的目标空间滤波子矩阵，从而得到各个目标频段分别对应的目标空间滤波子矩阵，包括：
在当前目标频段中，计算各个目标训练子信号分别对应的目标协方差矩阵；
基于同一训练标签对应的各个目标协方差矩阵计算对应的目标参考矩阵，得到各个训练标签分别对应的目标参考矩阵；
融合各个目标参考矩阵得到融合参考矩阵，对所述融合参考矩阵进行特征值分解，得到所述融合参考矩阵对应的初始特征值矩阵和初始特征向量矩阵；
基于所述初始特征值矩阵和所述初始特征向量矩阵得到白化矩阵；
基于所述白化矩阵分别对各个目标参考矩阵进行白化变换，得到各个目标参考矩阵分别对应的变换参考矩阵；
对任意一个变换参考矩阵进行特征值分解，得到特征值分解结果，基于所述特征值分解结果得到目标特征向量矩阵；
基于所述白化矩阵和所述目标特征向量矩阵生成所述当前目标频段对应的目标空间滤波子矩阵。
11.根据权利要求1所述的方法，其特征在于，所述目标空间滤波矩阵包括至少一个目标频段分别对应的目标空间滤波子矩阵，所述目标待分类生理电信号包括至少一个目标频段分别对应的目标待分类子信号；
所述基于目标空间滤波矩阵对所述目标待分类生理电信号进行空间特征提取，得到待分类空间特征，包括：
基于同一目标频段对应的目标空间滤波子矩阵提取对应的目标待分类子信号的空间特征，得到各个目标频段分别对应的待分类空间子特征；
基于各个待分类空间子特征生成所述待分类空间特征。
12.根据权利要求11所述的方法，其特征在于，所述目标空间滤波子矩阵包括至少一个初始空间滤波子矩阵，所述基于同一目标频段对应的目标空间滤波子矩阵提取对应的目标待分类子信号的空间特征，得到各个目标频段分别对应的待分类空间子特征，包括：
在当前目标频段中，基于各个初始空间滤波子矩阵对对应的目标待分类子信号进行信号投影，得到各个目标待分类子信号分别对应的目标投影子信号；
计算各个目标投影子信号分别对应的初始方差数据；
分别对各个初始方差数据进行归一化处理，得到对应的各个目标方差数据；
基于各个目标方差数据得到所述当前目标频段对应的待分类空间子特征。
13.一种生理电信号分类处理方法，其特征在于，所述方法包括：
获取多个训练用户标识分别对应的初始训练生理电信号；所述初始训练生理电信号携带训练标签；
基于同一训练用户标识对应的训练信号空间信息对对应的初始训练生理电信号进行数据对齐，得到各个训练用户标识分别对应的目标训练生理电信号；
基于不同训练标签对应的目标训练生理电信号之间的信号差异生成目标空间滤波矩阵；
基于所述目标空间滤波矩阵对各个目标训练生理电信号进行空间特征提取，得到各个目标训练生理电信号分别对应的训练空间特征；
基于各个目标训练生理电信号对应的训练空间特征和训练标签对初始生理电信号分类模型进行模型训练，直至满足收敛条件，得到目标生理电信号分类模型。
14.一种生理电信号分类处理装置，其特征在于，所述装置包括：
信号获取模块，用于获取目标用户标识对应的初始待分类生理电信号；
数据对齐模块，用于基于所述目标用户标识对应的目标信号空间信息对所述初始待分类生理电信号进行数据对齐，得到目标待分类生理电信号；
特征提取模块，用于基于目标空间滤波矩阵对所述目标待分类生理电信号进行空间特征提取，得到待分类空间特征，所述目标空间滤波矩阵是基于多个训练用户标识分别对应的目标训练生理电信号和各个目标训练生理电信号对应的训练标签生成的，所述目标训练生理电信号是基于训练用户标识对应的训练信号空间信息对初始训练生理电信号进行数据对齐得到的；
信号分类模块，用于基于所述待分类空间特征得到所述初始待分类生理电信号对应的分类结果。
15.一种计算机可读存储介质，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至12或13中任一项所述的方法的步骤。
CN202110262967.7A 2021-03-11 2021-03-11 生理电信号分类处理方法、装置、计算机设备和存储介质 Pending CN113705296A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110262967.7A CN113705296A (zh) 2021-03-11 2021-03-11 生理电信号分类处理方法、装置、计算机设备和存储介质
PCT/CN2022/079832 WO2022188793A1 (zh) 2021-03-11 2022-03-09 生理电信号分类处理方法、装置、计算机设备和存储介质
US18/076,098 US20230101539A1 (en) 2021-03-11 2022-12-06 Physiological electric signal classification processing method and apparatus, computer device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110262967.7A CN113705296A (zh) 2021-03-11 2021-03-11 生理电信号分类处理方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113705296A true CN113705296A (zh) 2021-11-26

Family

ID=78647806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110262967.7A Pending CN113705296A (zh) 2021-03-11 2021-03-11 生理电信号分类处理方法、装置、计算机设备和存储介质

Country Status (3)

Country Link
US (1) US20230101539A1 (zh)
CN (1) CN113705296A (zh)
WO (1) WO2022188793A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022188793A1 (zh) * 2021-03-11 2022-09-15 腾讯科技（深圳）有限公司 生理电信号分类处理方法、装置、计算机设备和存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105989266B (zh) * 2015-02-11 2020-04-03 北京三星通信技术研究有限公司 基于心电信号的认证方法、装置及系统
CN110881969A (zh) * 2019-11-27 2020-03-17 太原理工大学 一种基于Stacking集成学习的心力衰竭预警方法
CN111325289A (zh) * 2020-03-18 2020-06-23 中国科学院深圳先进技术研究院 一种行为识别方法、装置、设备及介质
CN112200066B (zh) * 2020-10-09 2022-04-08 河北工业大学 一种结合空间与频率的体感刺激脑机接口范式及实现方法
CN113705296A (zh) * 2021-03-11 2021-11-26 腾讯科技（深圳）有限公司 生理电信号分类处理方法、装置、计算机设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022188793A1 (zh) * 2021-03-11 2022-09-15 腾讯科技（深圳）有限公司 生理电信号分类处理方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
US20230101539A1 (en) 2023-03-30
WO2022188793A1 (zh) 2022-09-15

Similar Documents

Publication Publication Date Title
Abdullah et al. Multimodal emotion recognition using deep learning
Tao et al. EEG-based emotion recognition via channel-wise attention and self attention
Jin et al. Internal feature selection method of CSP based on L1-norm and Dempster–Shafer theory
Abdullah et al. Facial expression recognition based on deep learning convolution neural network: A review
Tuncer et al. Tetromino pattern based accurate EEG emotion classification model
Wang et al. Industrial cyber-physical systems-based cloud IoT edge for federated heterogeneous distillation
Zhang et al. GANSER: A self-supervised data augmentation framework for EEG-based emotion recognition
Singh et al. Small sample motor imagery classification using regularized Riemannian features
Abdulrahman et al. Comparative study for 8 computational intelligence algorithms for human identification
Köster et al. A two-layer model of natural stimuli estimated with score matching
Li et al. Classify EEG and reveal latent graph structure with spatio-temporal graph convolutional neural network
Jinliang et al. EEG emotion recognition based on granger causality and capsnet neural network
Abdi Alkareem Alyasseri et al. EEG channel selection using multiobjective cuckoo search for person identification as protection system in healthcare applications
CN114424940A (zh) 基于多模态时空特征融合的情绪识别方法及系统
CN117009780A (zh) 一种基于对比学习的时空频域有效通道注意力运动想象脑电解码方法
Xie et al. WT feature based emotion recognition from multi-channel physiological signals with decision fusion
Ye et al. Identification of mental fatigue levels in a language understanding task based on multi-domain EEG features and an ensemble convolutional neural network
CN115910319A (zh) 耳科问诊辅助方法、装置、电子设备及存储介质
Miah et al. Movie Oriented Positive Negative Emotion Classification from EEG Signal using Wavelet transformation and Machine learning Approaches
WO2022188793A1 (zh) 生理电信号分类处理方法、装置、计算机设备和存储介质
Yin et al. Physiological feature based emotion recognition via an ensemble deep autoencoder with parsimonious structure
CN113421546A (zh) 基于跨被试多模态的语音合成方法及相关设备
CN116919422A (zh) 基于图卷积的多特征情感脑电识别模型建立方法及装置
Gao et al. A multiscale feature fusion network based on attention mechanism for motor imagery EEG decoding
Pereira et al. Factor analysis for finding invariant neural descriptors of human emotions

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