CN113723206A - 一种基于量子神经网络算法的脑电波识别方法 - Google Patents
一种基于量子神经网络算法的脑电波识别方法 Download PDFInfo
- Publication number
- CN113723206A CN113723206A CN202110893005.1A CN202110893005A CN113723206A CN 113723206 A CN113723206 A CN 113723206A CN 202110893005 A CN202110893005 A CN 202110893005A CN 113723206 A CN113723206 A CN 113723206A
- Authority
- CN
- China
- Prior art keywords
- brain wave
- module
- signals
- quantum
- channel
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 492
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 100
- 238000007781 pre-processing Methods 0.000 claims abstract description 42
- 230000003321 amplification Effects 0.000 claims abstract description 35
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000005428 wave function Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000003909 pattern recognition Methods 0.000 claims abstract description 6
- 230000005236 sound signal Effects 0.000 claims description 74
- 210000002569 neuron Anatomy 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000004424 eye movement Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000000763 evoking effect Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000000638 stimulation Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000008451 emotion Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000003183 myoelectrical effect Effects 0.000 claims description 2
- 230000003862 health status Effects 0.000 claims 1
- 230000035479 physiological effects, processes and functions Effects 0.000 claims 1
- 239000002245 particle Substances 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 230000001427 coherent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 239000002096 quantum dot Substances 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005283 ground state Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000005610 quantum mechanics Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000027010 neuron recognition Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于量子神经网络算法的脑电波识别方法,包括以下步骤:步骤1,脑电波多通道采集模块采集脑电波信号;步骤2,脑电波多通道信号放大模块对脑电波信号进行放大;步骤3,脑电波多通道滤波模块调用量子态多通道预处理模块和量子神经网络模块对脑电波信号进行滤波;步骤4,脑电波多通道识别模块调用量子态多通道预处理模块和量子神经网络模块对脑电波信号进行模式识别和特征提取;步骤5,脑电波多通道识别模块输出脑电波特征识别结果。能够使用量子态波函数描述脑电波,能够描述不同脑电波信号之间的相干、叠加、波粒二像性等特征,进一步根据不同的场景完成自学习和训练,从而提升识别效果。
Description
技术领域
本发明涉及脑电波识别技术领域,具体涉及一种基于量子神经网络算法的脑电波识别方法。
背景技术
随着信息和计算机技术的快速发展,人体生物特征识别技术发展很快,包括语音识别、指纹识别、人脸识别、虹膜识别、脑电波识别等。目前的脑电波识别技术常用的有脑电波的视觉图像分析和自动分析两大类。现有的脑电波分析技术包括脑电波采集,特征提取,分类识别等关键技术。常用的特征提取方法主要包括相干平均法、功率谱分析、模型法、独立分量分析、支持向量机、小波变换、高阶谱分析等。分类识别常用的技术包括线性分类法、卡尔曼滤波、支持向量机、人工神经网络法等。
但是目前的脑电波识别的缺点也是很明显的。首先,现有的脑电波识别技术精度差,缺乏脑电波的纵向和横向关联和对比;单纯的脑电波分析无法识别听觉诱发的脑电波、视觉诱发的脑电波、以及视听诱发的脑电波;目前诱发脑电特征提取的方法有想干平均法、功率谱分析、AAR模型法等,但美中不足的是这些方法都有些缺陷,对脑电特征进行提取时误差较大,没有考虑眼动和听觉的影响。其次,现有的脑电波特征提取受到识别者的知识水平、实践经验和思维方法的种种因素的影响,识别的准确率较低。就目前比较常用的脑电特征的分类方法而言,线性分类法虽然简单、容易实现,但就得到的数据而言是很难区分是否为线性,而卡尔曼滤波是一种基于概率意义上的分类,这些识别算法一般很难得到准确的分类,不同部位的脑电波频率不同,幅值不同,也很难根据不同的场景进行学习和改善识别准确率。再次,现有的脑电波识别技术没有考虑到不同脑电波的相干、叠加、波粒二像性等非经典的特性。脑电波、声波、视频和可见光,都不同于传统的粒子信号,具有波粒二像性,如果不能从波动力学和量子力学的角度对这些波信号进行分析,是很难建立脑电波此类波信号的精确数学模型的。
在国内,随着计算机技术的发展和进步,为开发一种基于量子神经网络算法的脑电波识别方法与方法提供了条件,但是,目前市场上很少有一种基于量子神经网络算法的脑电波识别方法与方法。
发明内容
本发明所要解决的技术问题是提供一种基于量子神经网络算法的脑电波识别方法,能够使用量子态波函数描述脑电波,能够描述不同脑电波信号之间的相干、叠加、波粒二像性等特征,进一步根据不同的场景完成自学习和训练,从而提升识别效果。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于量子神经网络算法的脑电波识别方法,包括脑电波多通道采集模块、视频多通道采集模块、音频多通道采集模块、脑电波多通道信号放大模块、脑电波多通道滤波模块、脑电波多通道识别模块、量子态多通道预处理模块和量子神经网络模块,包括以下步骤:
步骤1,脑电波多通道采集模块采集不同部位通道的脑电波信号;
步骤2,脑电波多通道信号放大模块对不同频率通道的脑电波信号进行放大;
步骤3,脑电波多通道滤波模块调用量子态多通道预处理模块和量子神经网络模块对不同频率通道脑电波信号进行滤波;
步骤4,脑电波多通道识别模块调用量子态多通道预处理模块和量子神经网络模块对不同频率通道脑电波信号进行模式识别和特征提取;
步骤5,脑电波多通道识别模块输出脑电波特征识别结果;
上述的脑电波多通道采集模块包括多个脑电波单通道采集模块,分别放置于用户大脑表面不同部位,且设有多个脑电极,单个脑电极采集单个通道的脑电波信号,多个脑电极构成多个脑电波通道。
上述的视频多通道采集模块包括多个视频单通道采集模块,使用摄像头阵列,分别放置于用户大脑周围不同方向,和用户眼部上方,并转换为计算机所能处理的图像或视频格式,用于配合脑电波信号分析用户的视觉诱发脑电波以及大脑不同部位产生的脑电波,单个摄像头可以获取单个通道的用户视频,多个摄像头构成多个视频通道,朝用户眼部所望的方向,用于获取用户眼睛可能看到的场景,以便分析用户视觉引起的脑电波;
多个摄像头构成多个视频通道,朝向用户脸部和眼部的方向,用于获取用户脸部和眼部的肌肉运动,多个摄像头协同工作,共同获取用户的不同视觉诱发的脸部和眼部运动;
设置核磁共振仪,获取用户大脑不同部位的工作情况和电信号,用于分析不同部位脑电波的关联。
上述的音频多通道采集模块包括多个音频单通道采集模块,音频多通道采集模块采用麦克风阵列,放置于用户周围和耳部附近,用于配合脑电波信号分析用户的听觉诱发脑电波,单个麦克风获取单个通道的用户音频,多个麦克风构成多个通道用于获取用户可能听到的不同方向的声音,并转换为计算机所能处理的音频信号。
上述的脑电波多通道信号放大模块,包括多个脑电波单通道信号放大模块;一个单通道信号放大模块可以放大一个部位脑电波单通道采集模块传输的脑电波信号,或一个视频单通道采集模块传输的图像视频信号,或一个音频单通道采集模块传输的音频信号;
脑电波多通道采集模块采集的脑电波信号、视频多通道采集模块采集的图像视频信号、音频多通道采集模块采集的音频信号,均被脑电波多通道信号放大模块按照脑电波的采集的位置和时间重新划分通道。
上述的脑电波多通道滤波模块,包括多个脑电波单通道滤波模块;一个脑电波单通道滤波模块可以对一个部位脑电波单通道采集模块传输的脑电波信号进行滤波,或对一个视频单通道采集模块传输的图像视频信号进行滤波,或对一个音频单通道采集模块传输的音频信号进行滤波;
脑电波多通道采集模块采集的脑电波信号、视频多通道采集模块采集的图像视频信号、音频多通道采集模块采集的音频信号,均被脑电波多通道滤波模块按照脑电波的采集的位置和时间重新划分通道。
上述的脑电波多通道识别模块,包括多个脑电波单通道识别模块;一个脑电波单通道识别模块可以对一个频率通道范围内的脑电波信号进行识别;
脑电波多通道采集模块采集的脑电波信号、视频多通道采集模块采集的图像视频信号、音频多通道采集模块采集的音频信号,均被脑电波多通道识别模块按照脑电波的频率高低重新划分通道,不同通道的脑电波频率不同,为避免脑电波信号损失,脑电波多通道识别模块允许不同通道的脑电波频率有一定频率重叠。
上述的量子态多通道预处理模块,包括多个量子态单通道预处理模块,用于对不同通道上脑电波信号进行函数变换,将经典态的函数描述为量子态函数,并用量子态波函数描述脑电波的不同状态;
上述的量子态多通道预处理模块对脑电波多通道采集模块采集的脑电波信号、视频多通道采集模块采集的图像视频信号、音频多通道采集模块采集的音频信号,进行预处理,并用量子态波函数描述脑电波的不同状态,以及音频信号、图像视频信号的不同状态。
上述的量子神经网络模块,包括多个量子神经元,能够模仿自然界的神经元接受刺激和学习训练,并具有量子力学的效应,包括量子态的纠缠性,叠加性,相干性,并行性。
上述的步骤1中,脑电波多通道采集模块通过多个电极采集不同部位通道的脑电波信号;进一步地,视频多通道采集模块采集图像视频信号、音频多通道采集模块采集音频信号,共同采集与脑电波部位和时间相关的图像视频信号与音频信号。
上述的步骤2中,脑电波多通道信号放大模块接收脑电波多通道采集模块传输来的脑电波信号,视频多通道采集模块采集的图像视频信号、音频多通道采集模块采集的音频信号,并将不同部位和不同时间的脑电波信号输入不同通道,对不同通道设置不同的放大倍率,并按照不同的放大倍率进行放大,以便脑电波多通道滤波模块处理;进一步地,脑电波多通道信号放大模块按照脑电波的采集的位置和时间重新划分通道,将位于同一通道内脑电波多通道采集模块采集的脑电波信号、视频多通道采集模块采集的图像视频信号、音频多通道采集模块采集的音频信号,一起装入脑电波单通道信号放大模块,脑电波单通道信号放大模块按照各自的放大倍率工作。
上述步骤3,包括如下子步骤:
子步骤3-1,量子态多通道预处理模块对脑电波信号量子化处理;脑电波多通道滤波模块接收脑电波多通道信号放大模块传输来的脑电波信号,图像视频信号,音频信号,并调用量子态多通道预处理模块,将经典态的脑电波信号描述为量子态波函数,量子神经网络模块滤波包括对脑电波进行量子噪声滤波、对音频信号进行量子噪声滤波、对图像视频信号进行量子噪声滤波;
子步骤3-2,量子神经网络模块规则建立;脑电波多通道滤波模块调用量子神经网络模块建立滤波学习规则,学习规则用于处理脑电波多通道信号放大模块放大后所传输过来的脑电波信号,图像视频信号,音频信号;脑电波多通道滤波模块设置量子态脑电波滤波的自学习参数和训练参数,设置量子力学参数和多层激励函数参数,根据用户需要选择合适的网络层数和每层节点数建立量子神经网络,设置脑电波信号滤波学习参数,图像视频信号滤波学习参数,音频信号滤波学习参数,并建立适合脑电波滤波的量子神经网络的训练规则和激励函数;
子步骤3-3,量子神经网络模块对不同频率通道脑电波信号进行学习;脑电波多通道滤波模块调用量子神经网络模块将不同频率通道脑电波信号输入量子神经元,作为量子神经元的输入刺激信号,不同的量子神经元具有不同的滤波频率,并预先设定量子神经元滤波的工作频率大小和工作阈值大小,脑电波信号滤波参数,图像视频信号滤波参数,音频信号滤波参数,不断训练量子神经元之间的联系权重,并不断更新和学习;
子步骤3-4,量子神经网络模块对不同频率通道脑电波信号进行滤波;脑电波多通道滤波模块调用量子神经网络模块中的量子神经元在不断训练中学习不同频率通道脑电波信号的特征,保持与本神经元工作频率一致的脑波通道信号,并不断减弱不属于本神经元工作频率的脑波通道信号,脑电波多通道滤波模块滤除采集的图像视频信号的干扰噪声,脑电波多通道滤波模块滤除采集的音频信号中的干扰噪声,当量子神经网络模块滤波学习次数达到预先设定的次数时,或两次滤波的误差小于一个误差阈值时,滤波过程结束;
量子神经网络模块结合视频多通道采集模块采集到的眼动图像,根据脑电波信号与眼动图像的关联关系,滤除脑电波信号中含有的眼动噪声,量子神经网络模块结合音频多通道采集模块采集到的声音信号,根据脑电波信号与音频信号的关联关系,滤除脑电波信号中含有的音频噪声,量子神经网络模块同时学习视频多通道采集模块采集到的眼动图像,音频多通道采集模块采集到的声音信号,进行不断训练,滤除肌电噪声以及其他干扰源所产生的脑电波噪声,区分和识别不同的脑电波噪声信号产生的独立信号源和大脑部位,通过脑电波信号,图像视频信号,音频信号的联合学习和联合训练,提高滤波的效率;
子步骤3-5,量子神经网络模块对不同频率通道脑电波信号进行信号增强;脑电波多通道滤波模块调用量子神经网络模块中的量子神经元在不断训练中增强与本神经元工作频率一致的脑波通道信号,减少滤波过程造成的信号衰减,使脑电波信号通过噪声滤波后适合计算机进一步分析、识别与处理;
量子神经网络模块对脑电波多通道滤波模块滤波后的有效信号进行放大,通过脑电波信号,图像视频信号,音频信号的联合学习和联合训练,提高脑电波信号增强的效果;进一步地,脑电波信号增强还可以根据用户需求对指定的脑电波频率信号进行特殊放大,以便专门研究特定频率脑电波的工作机理。
上述的步骤4,包括如下子步骤:
子步骤4-1,量子态多通道预处理模块对脑电波信号量子化处理;脑电波多通道识别模块接收脑电波多通道滤波模块传输来的滤波后的脑电波信号,图像视频信号,音频信号,并调用量子态多通道预处理模块,将经典态的脑电波信号描述为量子态波函数,然后量子神经网络模块识别包括脑电波量子信号识别、音频信号量子信号识别、图像视频信号量子信号识别;
子步骤4-2,量子神经网络模块规则建立;脑电波多通道识别模块调用量子神经网络模块建立识别学习规则,学习规则要能处理脑电波多通道滤波模块所传输过来的滤波后脑电波信号,图像视频信号,音频信号,脑电波多通道识别模块设置量子态脑电波识别的自学习参数和训练参数,设置量子力学参数和多层激励函数参数,根据用户需要选择合适的网络层数和每层节点数建立量子神经网络,设置脑电波信号识别学习参数,图像视频信号识别学习参数,音频信号识别学习参数,并建立适合脑电波识别的量子神经网络的训练规则和激励函数;
子步骤4-3,量子神经网络模块对不同频率通道脑电波信号进行学习;脑电波多通道识别模块调用量子神经网络模块将脑电波信号、图像视频信号、音频信号的量子态函数为样本,进行特征提取计算,对样本进行分类标识,将该分类标识作为导师学习信号,不同的量子神经元具有不同的识别频率,并预先设定量子神经元识别的工作频率大小和工作阈值大小,脑电波信号识别参数,图像视频信号识别参数,音频信号识别参数,并将分类标识与样本信号经过量子神经网络模型的计算结果进行比较,根据两者的比较误差结果调整量子神经网络的权重和阈值,并不断更新和训练;
子步骤4-4,量子神经网络模块对不同频率通道脑电波信号进行特征提取;脑电波多通道识别模块调用量子神经网络模块提取脑电波的不同频率特征和振幅特征,使用量子态函数描述脑电波特征状态,并建立不同频率通道脑电波信号的特征矩阵;量子神经网络模块对不同频率通道脑电波信号进行量子傅里叶变换,获得其量子频谱分布信息,量子神经网络模块能够提取图像视频信号的不同特征,音频信号的不同特征,建立图像视频信号、音频信号的特征状态矩阵,脑电波多通道识别模块调用量子神经网络模块对提取的脑电波信号、图像视频信号、音频信号进行综合提取,分析三者间的关联关系,并使用频谱的平方值计算脑电波信号、音频信号、图像视频信号的能量谱,计算三者在能量谱的关联特征,脑电波多通道识别模块调用量子神经网络模块提取脑电波与图像视频、音频三者之间的关联特征,根据能量谱提取大脑不同部位和不同频率的脑电波特征,并建立大脑部位与脑电波频率、图像视频、音频的关联特征矩阵;
子步骤4-5,量子神经网络模块对不同频率通道脑电波信号进行分类识别;脑电波多通道识别模块调用量子神经网络模块提取脑电波信号、图像视频信号、音频信号的量子态函数,作为量子神经网络的输入,根据视听信号识别不用的脑电波分类应用场景,进行脑电波的纵向和横向关联和对比,并根据不同的分类场景进行学习训练和改善识别量子神经网络模块的识别准确率,当量子神经网络模块识别学习次数达到预先设定的次数时,或两次识别的误差小于一个误差阈值时,识别过程结束,脑电波多通道识别模块对量子神经网络模块的识别结果进行分类,从而得到脑电波在不同视听场景下的用户情感分类、用户心理状态分类、用户健康状态分类、用户生理机能分类,以及用户需要的其他分类。
上述的步骤5,脑电波多通道识别模块输出脑电波特征识别结果脑电波多通道识别模块能够输出量子态多通道预处理模块和量子神经网络模块对不同频率通道脑电波信号进行模式识别和特征提取的结果。
本发明提供的一种基于量子神经网络算法的脑电波识别方法,具有如下有益效果:
首先,本发明能够进行脑电波的关联性分析,能够识别视听诱发的脑电波,本发明使用脑电波多通道采集模块通过多个电极采集不同部位通道的脑电波信号,视频多通道采集模块采集图像视频信号、音频多通道采集模块采集音频信号,共同采集与脑电波部位和时间相关的图像视频信号与音频信号,能够实现脑电波的纵向和横向关联和对比。脑电波多通道信号放大模块和脑电波多通道滤波模块能够对不同通道信号进行放大和滤波,脑电波多通道识别模块能够调用量子态多通道预处理模块和量子神经网络模块进行脑电波识别,结合声波和图像处理能够精确识别听觉诱发的脑电波、视觉诱发的脑电波、以及视听诱发的脑电波,准确识别脑电波所处的工作场景,实现脑电波与图像视频、音频的关联分析;
其次,本发明使用量子神经网络算法进行脑电波的自学习和训练,识别精度高,脑电波多通道滤波模块能够调用量子神经网络模块进行自学习滤波,脑电波多通道识别模块能够调用量子神经网络模块进行自学习识别,学习输入包括脑电波多通道采集模块采集的多通道脑电波信号,视频多通道采集模块采集的图像视频信号、音频多通道采集模块采集的音频信号,使得脑电波滤波和识别过程能够避免周围音频和图像视频的干扰。所述的脑电波多通道采集模块与麦克风、摄像头协同工作,同时获取用户的视听信号和脑电波信号,以及视听诱发的脑电脑,用户开启系统后脑电波多通道采集模块、麦克风、摄像头完成初始化并准确开始工作。所用的量子神经网络能够自行选择学习训练参数,或根据用户设置选择相应的学习训练参数,能够结合脑电波所处的不同部位,周围音频和图像视频的信号情况进行综合识别,实现在不同的场景下进行分类识别和学习训练,通过不断学习提高神经网络的分类识别精度和效率,对外界环境和场景的滤波和识别具有高度的自适应特性;
再次,本发明使用波函数描述脑电波,能够研究脑电波的量子行为。脑电波多通道滤波模块调用量子态多通道预处理模块进行量子化处理,脑电波多通道识别模块调用量子态多通道预处理模块进行量子化处理,建立脑电波的波函数,使用波动力学和量子力学描述脑电波、声波、视频图像。量子态预处理模块用量子态波函数描述脑电波的不同状态,并传输到量子神经网络模块,之后,用户可以选择手动维护和自动维护量子神经网络模块,在手动维护模式下根据用户需求设置参数。本发明能够为脑电波、声波、视频图像可见光波建立更为准确的数学模型,研究波粒二像性和相干、叠加行为,深度挖掘不同波信号之间的相互关系,提高脑电波识别的精确度和速度。量子神经网络模块根据不同脑电波的波粒二像性、相干、叠加行为不断调整学习和训练参数,从而完成不同脑电波的精准识别。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1是本发明的系统结构图;
图2是本发明的系统工作流程图。
具体实施方式
下面结合具体实施例,对本发明作进一步详细的阐述:
图1是本发明的系统结构图;包括脑电波多通道采集模块100、视频多通道采集模块200、音频多通道采集模块300、脑电波多通道信号放大模块400、脑电波多通道滤波模块500、脑电波多通道识别模块600、量子态多通道预处理模块700、量子神经网络模块800。
上述的脑电波多通道采集模块100包括多个脑电波单通道采集模块101;优选地,脑电波多通道采集模块100放置于用户大脑表面不同部位,优选地,为多个脑电极,单个脑电极对应一个脑电波单通道采集模块101。优选地,脑电波单通道采集模块101采集用TGAM,TGAM ThinkGear AM是Neurosky为大众市场应用所设计的脑电波传感器ASIC模块,TGAMThinkGear AM模块可以处理并输出脑电波频率谱,脑电波信号质量,原始脑电波和三个Neurosky的eSense参数:专注度,放松度和眨眼侦测,其规格为:采样率:512Hz、频率范围:3Hz-100Hz、静电保护:4kV接触放电;8kV隔空放电、最大消耗功率:15毫安3.3伏、运行电压:2.97~3.63伏,输出波特率为:1200波特率,专注放松,脑电波波段α,β等及信号质量强度、9600波特率,专注,放松,脑电波波段α,β,γ,δ等一系列脑电波及信号质量强度、57600波特率,专注,放松,脑电波波段α,β,γ,δ等,信号质量强度及原始脑电波。
上述的视频多通道采集模块200包括多个视频单通道采集模块201,优选地,为多个摄像头阵列,摄像头放置于用户前方和眼部上方,用于配合脑电波信号分析用户的视觉诱发脑电波;优选地,单个摄像头对应一个视频单通道采集模块201,用于获取用户可能看到的场景,并转换为计算机所能处理的图像或视频格式。优选地,摄像头优选高清摄像头,适用笔记本,液晶显示器,支持Windows7,Windows8.1,Windows10或者更高的版本,10倍数码变焦,支持1080p全高清或流畅高清720p60fps,大于78度广角,采用先进的H.264压缩技术,自动调整光线不足。
上述的音频多通道采集模块300包括多个音频单通道采集模块301,优选地,为多个麦克风阵列,麦克风放置于用户周围和耳部附近,用于配合脑电波信号分析用户的听觉诱发脑电波;优选地,单个麦克风对应一个音频单通道采集模块301,用于获取用户可能听到的不同方向的声音,并转换为计算机所能处理的音频信号。优选地,麦克风优选森海塞尔MK4,其有较高的灵敏度:25mV/Pa,应用的频率范围为:20-20000HZ,产品的声压最大为:140dB,电流消耗为:3.1mA。
上述的脑电波多通道信号放大模块400,包括多个脑电波单通道信号放大模块401,优选地,脑电波多通道信号放大模块400为一台可并行计算的多通道计算机,一个计算通道对应一个脑电波单通道信号放大模块401;优选地,也可以使用多台计算机进行多通道计算,一台计算机对应一个脑电波单通道信号放大模块401;优选地,所述计算机为IntelCPU至强E5-2600 v2,或Xeon E5-2620 v3,CPU频率2.4GHz,智能加速主频3.2GHz,最大CPU数量2颗,制程工艺22nm,二级缓存15MB,总线规格QPI 8GT/s,CPU核心六核Haswell,CPU线程数12线程,扩展槽6×PCI-E 3.0,内存类型DDR4,内存容量8GB,最大内存容量640GB,硬盘接口类型SATA/SAS,标配硬盘容量900GB,硬盘可支持10000转2.5寸SAS及SATA硬盘,内部硬盘架数为8盘位配置,8个硬盘支架,磁盘控制器标配1个8口背板,RAID模式为RAID 0,1,10,5,前置1×USB 3.0接口及1×VGN接口,后置2×USB 3.0接口及1×VGA接口,集成系统管理芯片,支持NM3.0、SNMP3.0标准,支持浪潮睿捷系列服务器管理、部署软件系统支持Microsoft Windows Server 2008SP1 32/64bit,Microsoft Windows Server 2008R2,RedHat Enterprise Linux6 32/64bit,SuSE Linux Enterprise Server 11 32/64bit,电源类型双电源,电源电压AC 100-240V。优选地,所述计算机可以扩展PCI插槽或蓝牙模块接受脑电波信号、图像视频信号和音频信号,作为信号通道。
上述的脑电波多通道滤波模块500,包括多个脑电波单通道滤波模块501;优选地,脑电波多通道滤波模块500为一台可并行计算的多通道计算机,一个计算通道对应一个脑电波单通道滤波模块501;优选地,也可以使用多台计算机进行多通道计算,一台计算机对应一个脑电波单通道滤波模块501;优选地,所述计算机为Intel CPU至强E5-2600 v2,或Xeon E5-2620 v3,CPU频率2.4GHz,智能加速主频3.2GHz,最大CPU数量2颗,制程工艺22nm,二级缓存15MB,总线规格QPI 8GT/s,CPU核心六核Haswell,CPU线程数12线程,扩展槽6×PCI-E3.0,内存类型DDR4,内存容量8GB,最大内存容量640GB,硬盘接口类型SATA/SAS,标配硬盘容量900GB,硬盘可支持10000转2.5寸SAS及SATA硬盘,内部硬盘架数为8盘位配置,8个硬盘支架,磁盘控制器标配1个8口背板,RAID模式为RAID 0,1,10,5,前置1×USB 3.0接口及1×VGN接口,后置2×USB 3.0接口及1×VGA接口,集成系统管理芯片,支持NM3.0、SNMP3.0标准,支持浪潮睿捷系列服务器管理、部署软件系统支持Microsoft WindowsServer 2008SP132/64bit,Microsoft Windows Server 2008R2,Red Hat EnterpriseLinux632/64bit,SuSE Linux Enterprise Server 11 32/64bit,电源类型双电源,电源电压AC 100-240V。优选地,脑电波多通道滤波模块500所用计算机,也可与脑电波多通道信号放大模块400使用同一台计算机。
上述的脑电波多通道识别模块600,包括多个脑电波单通道识别模块601;优选地,脑电波多通道识别模块600为一台可并行计算的多通道计算机,一个计算通道对应一个脑电波单通道识别模块601;优选地,也可以使用多台计算机进行多通道计算,一台计算机对应一个脑电波单通道识别模块601;优选地,所述计算机为Intel CPU至强E5-2600 v2,或Xeon E5-2620 v3,CPU频率2.4GHz,智能加速主频3.2GHz,最大CPU数量2颗,制程工艺22nm,二级缓存15MB,总线规格QPI 8GT/s,CPU核心六核Haswell,CPU线程数12线程,扩展槽6×PCI-E3.0,内存类型DDR4,内存容量8GB,最大内存容量640GB,硬盘接口类型SATA/SAS,标配硬盘容量900GB,硬盘可支持10000转2.5寸SAS及SATA硬盘,内部硬盘架数为8盘位配置,8个硬盘支架,磁盘控制器标配1个8口背板,RAID模式为RAID 0,1,10,5,前置1×USB 3.0接口及1×VGN接口,后置2×USB 3.0接口及1×VGA接口,集成系统管理芯片,支持NM3.0、SNMP3.0标准,支持浪潮睿捷系列服务器管理、部署软件系统支持Microsoft WindowsServer 2008SP132/64bit,Microsoft Windows Server 2008R2,Red Hat EnterpriseLinux632/64bit,SuSE Linux Enterprise Server 11 32/64bit,电源类型双电源,电源电压AC 100-240V。优选地,脑电波多通道识别模块600所用计算机,也可与脑电波多通道信号放大模块400,脑电波多通道滤波模块500使用同一台计算机。
上述的量子态多通道预处理模块700,包括多个量子态单通道预处理模块701,优选地,为量子态计算函数,安装于计算机中,能够运行于脑电波多通道滤波模块500使用的计算机,脑电波多通道识别模块600所用计算机。量子态预处理模块使用多个量子态计算函数,一个量子态计算函数对应一个量子态单通道预处理模块701,可以对脑电波多通道滤波模块500、脑电波多通道识别模块600输入侧的脑电波、图像视频信号、音频信号进行预处理;并用量子态波函数描述脑电波的不同状态,以及音频信号、图像视频信号的不同状态;
进一步地,量子态多通道预处理模块700使用量子态波函数描述脑电波信号、图像视频信号、音频信号的态叠加、纠缠、相干行为;进一步地,脑电波量子系统可以处于许多不同的叠加态,脑电波叠加的概念与矢量的线性结合有关,若一组2n维希尔伯特空间的基态为任一线性叠加都是可以表示为希尔伯特空间的中的一个矢量;所以,若脑电波量子系统处在一组描述中,则其线性叠加态|α>也是该量子系统的一个态,成为叠加态原理,当量子比特的张量乘积无法表示量子比特的叠加态时,这时的脑电波叠加状态就叫做量子纠缠状态,就两个独立的系统m和n而言,其状态分别为:
进一步地,两个脑电波系统的复合得的系统态即为两个脑电波系统态的张量积,但如果两个子脑电波系统之间产生作用,将限制自由度,这时就产生脑电波纠缠态:
进一步地,量子态多通道预处理模块700中在基态的线性叠加中的脑电波量子系统是相干的,当一个相干的脑电波量子系统同其环境产生相互影响时,就会改变或破坏其叠加态,这样对相干造成的态改变或损耗就叫做为坍缩或消相干;进一步地,量子态多通道预处理模块700在执行探测时会发生消相虽然将缩到不同状态的概率不同,但在某特定的时间能有一个状态,与可能坍缩的状态数无关也就是说,当进行探测操作时,脑电波系统就只能处于|1>态或是|0>态。
上述的量子神经网络模块800,包括多个量子神经元801,优选地,为量子神经网络函数,安装于计算机中,能够运行于脑电波多通道滤波模块500使用的计算机,脑电波多通道识别模块600所用计算机。优选地,量子神经元801为量子神经元函数,一个量子神经元函数对应一个量子神经元801;进一步地,量子神经网络模块800使用多个量子神经元801进行脑电波的自学习和训练,用于识别脑电波的不同特征,包括波粒二像性、相干、叠加行为,
进一步地,量子神经网络模块800,使用的函数包括基本单元:发送神经元、接收神经元、量子纠缠源,以及经典传输信道和量子道,从量子纠缠元分别向发送和接收神经元发送一个纠缠量子,这两个纠缠量子构成一个量子纠缠对,通过对接收神经元中的qubit|φ>=a|0>+b|1>进行定义,代表若干的决定性因素,通过经典信道或者量子信道,发送神经元能够接收到由另一个神经元发出的信息,也能够通过这两个信道将自身中的量子比特的态发送给接收神经元。发送神经元能对|φ>和一半的纠缠对进行解码,在数据初始过程中发送神经元与接收神经元能分别测量到初始过程中量子态数据的前两位和最后一位。
进一步地,量子神经网络模块800,在量子神经元801将信息从其外部传递到内部,就需要定义一个能测量两个量子比特的判决键p,之后会得到四个状态中的一个|00>,|01>|10>,|11>,用一个测量键t对测量结果表示。利用Grove量子搜索算法,接收神经元会得到两个经典比特的测量键t,通过发送神经元对(t)的测量,接收神经元量子比特的量子态分别被投影到(a|0>+b|1>),(a|1>+b|0>),(a|0>-b|1>)或(a|1>-b|0>),当接收神经元接收到发送神经元发送的两个经典比特bit(t),就能够测量到这三个量子态中的一个。进一步地,接收神经元测量的结果传送给下一个量子神经元801,将其量子神经元801通过一定连接方式进行连接,就可以构成一个纠缠的神经网络。
进一步地,量子神经网络模块800,使用量子傅里叶变换完成特征识别,优选地,使用量子傅里叶变换函数,能够运行于脑电波多通道滤波模块500使用的计算机,脑电波多通道识别模块600所用计算机;进一步地,量子傅里叶变换用于脑电波的频域离散化,是有限长序列傅里叶变换的有限点离散采样。离散傅里叶变换是把一个离散函数变成另一个离散函数,在量子计算中,将作用在量子态空间离散傅里叶变换称为量子傅里叶变换。即:
进一步地,量子神经网络模块800,在主函数中调用一个具体酉量子路线函数即可实现量子傅里叶变换。
图2是本发明的系统工作流程图。
步骤1,脑电波多通道采集模块100采集不同部位通道的脑电波信号;脑电波多通道采集模块能够与麦克风、摄像头协同工作,同时获取用户的视听信号和脑电波信号,以及视听诱发的脑电脑,用户开启系统后脑电波多通道采集模块、麦克风、摄像头完成初始化并准确开始工作;使用脑电极、摄像头、麦克风采集用户脑波和周围视频、音频信号;进一步地,可以选择摄像头和麦克风一体设备,同步采集视频和音频信号;
步骤2,脑电波多通道信号放大模块400对不同频率通道的脑电波信号进行放大;步骤3,脑电波多通道滤波模块500调用量子态多通道预处理模块700和量子神经网络模块800对不同频率通道脑电波信号进行滤波;
子步骤3-1,量子态多通道预处理模块700对脑电波信号量子化处理;量子态预处理模块用量子态波函数描述脑电波、图像视频、音频的不同状态,并传输到量子神经网络模块800;
子步骤3-2,量子神经网络模块800规则建立;用户可以选择手动维护和自动维护量子神经网络模块,设置神经网络学习参数,如未进行手动设置,则由量子神经网络模块自行选择系统默认参数进行自主学习和训练。
子步骤3-3,量子神经网络模块800对不同频率通道脑电波信号进行学习;
子步骤3-4,量子神经网络模块800对不同频率通道脑电波信号进行滤波;量子神经网络模块800根据不同脑电波的波粒二像性、相干、叠加行为不断调整学习和训练参数,从而完成不同脑电波的精准滤波。
子步骤3-5,量子神经网络模块800对不同频率通道脑电波信号进行信号增强;步骤4,脑电波多通道识别模块600调用量子态多通道预处理模块700和量子神经网络模块800对不同频率通道脑电波信号进行模式识别和特征提取;
子步骤4-1,量子态多通道预处理模块700对脑电波信号量子化处理;量子态预处理模块用量子态波函数描述脑电波、图像视频、音频的不同状态,并传输到量子神经网络模块800;
子步骤4-2,量子神经网络模块800规则建立;用户可以选择手动维护和自动维护量子神经网络模块,设置神经网络学习参数,如未进行手动设置,则由量子神经网络模块自行选择系统默认参数进行自主学习和训练。
子步骤4-3,量子神经网络模块800对不同频率通道脑电波信号进行学习;在量子神经网络中,对每个神经元的操作实质上就是相当于进行了量子的隐形传递,由于量子纠缠神经网络不涉及重复学习的问题,所以量子态的不可克隆性和测量后的消相干对其造成的影响就会减少很多,所得的数据结果也就越准确,相对于传统的神经网络,量子神经具有更加的可靠性。
子步骤4-4,量子神经网络模块800对不同频率通道脑电波信号进行特征提取;子步骤4-5,量子神经网络模块800对不同频率通道脑电波信号进行分类识别;量子神经网络模块800根据不同脑电波的波粒二像性、相干、叠加行为不断调整学习和训练参数,从而完成不同脑电波的精准识别。
步骤5,脑电波多通道识别模块600输出脑电波特征识别结果;
本发明使用量子纠缠神经网络模型,可以根据脑电波信号、图像视频信号、音频信号进行协同滤波和识别,或根据用户需求进行特定的识别,大大提高了脑电波识别的精度和效率。
Claims (7)
1.一种基于量子神经网络算法的脑电波识别方法,包括脑电波多通道采集模块(100)、视频多通道采集模块(200)、音频多通道采集模块(300)、脑电波多通道信号放大模块(400)、脑电波多通道滤波模块(500)、脑电波多通道识别模块(600)、量子态多通道预处理模块(700)和量子神经网络模块(800),其特征在于,包括以下步骤:
步骤1,脑电波多通道采集模块(100)采集不同部位通道的脑电波信号;
步骤2,脑电波多通道信号放大模块(400)对不同频率通道的脑电波信号进行放大;
步骤3,脑电波多通道滤波模块(500)调用量子态多通道预处理模块(700)和量子神经网络模块(800)对不同频率通道脑电波信号进行滤波;
步骤4,脑电波多通道识别模块(600)调用量子态多通道预处理模块(700)和量子神经网络模块(800)对不同频率通道脑电波信号进行模式识别和特征提取;
步骤5,脑电波多通道识别模块(600)输出脑电波特征识别结果。
2.根据权利要求1所述的一种基于量子神经网络算法的脑电波识别方法,其特征在于,所述的脑电波多通道采集模块(100)包括多个脑电波单通道采集模块(101),分别放置于用户大脑表面不同部位,且设有多个脑电极;
所述的视频多通道采集模块(200)包括多个视频单通道采集模块(201),使用摄像头阵列,分别放置于用户大脑周围不同方向,和用户眼部上方,并转换为计算机所能处理的图像或视频格式;
所述的音频多通道采集模块(300)包括多个音频单通道采集模块(301),音频多通道采集模块(300)采用麦克风阵列,放置于用户周围和耳部附近,用于配合脑电波信号分析用户的听觉诱发脑电波;
上述的脑电波多通道信号放大模块(400),包括多个脑电波单通道信号放大模块(401),一个单通道信号放大模块(201)可以放大一个部位脑电波单通道采集模块(101)传输的脑电波信号,或一个视频单通道采集模块(201)传输的图像视频信号,或一个音频单通道采集模块(301)传输的音频信号;
所述的脑电波多通道滤波模块(500),包括多个脑电波单通道滤波模块(501);一个脑电波单通道滤波模块(501)可以对一个部位脑电波单通道采集模块(101)传输的脑电波信号进行滤波,或对一个视频单通道采集模块(201)传输的图像视频信号进行滤波,或对一个音频单通道采集模块(301)传输的音频信号进行滤波;
所述的脑电波多通道识别模块(600),包括多个脑电波单通道识别模块(601);一个脑电波单通道识别模块(601)可以对一个频率通道范围内的脑电波信号进行识别;
脑电波多通道采集模块(100)采集的脑电波信号、视频多通道采集模块(200)采集的图像视频信号、音频多通道采集模块(300)采集的音频信号,均被脑电波多通道识别模块(600)按照脑电波的频率高低重新划分通道,不同通道的脑电波频率不同,为避免脑电波信号损失,脑电波多通道识别模块(600)允许不同通道的脑电波频率有一定频率重叠;
所述的量子态多通道预处理模块(700),包括多个量子态单通道预处理模块(701),用于对不同通道上脑电波信号进行函数变换,将经典态的函数描述为量子态函数,并用量子态波函数描述脑电波的不同状态;
所述的量子神经网络模块(800),包括多个量子神经元(801),能够模仿自然界的神经元接受刺激和学习训练,并具有量子力学的效应,包括量子态的纠缠性,叠加性,相干性,并行性。
3.根据权利要求2所述的一种基于量子神经网络算法的脑电波识别方法,其特征在于,所述的步骤1中,脑电波多通道采集模块(100)通过多个电极采集不同部位通道的脑电波信号;进一步地,视频多通道采集模块(200)采集图像视频信号、音频多通道采集模块(300)采集音频信号,共同采集与脑电波部位和时间相关的图像视频信号与音频信号。
4.根据权利要求3所述的一种基于量子神经网络算法的脑电波识别方法,其特征在于,所述的步骤2中,脑电波多通道信号放大模块(400)接收脑电波多通道采集模块(100)传输来的脑电波信号,视频多通道采集模块(200)采集的图像视频信号、音频多通道采集模块(300)采集的音频信号,并将不同部位和不同时间的脑电波信号输入不同通道,对不同通道设置不同的放大倍率,并按照不同的放大倍率进行放大,以便脑电波多通道滤波模块(500)处理;进一步地,脑电波多通道信号放大模块(400)按照脑电波的采集的位置和时间重新划分通道,将位于同一通道内脑电波多通道采集模块(100)采集的脑电波信号、视频多通道采集模块(200)采集的图像视频信号、音频多通道采集模块(300)采集的音频信号,一起装入脑电波单通道信号放大模块(401),脑电波单通道信号放大模块(401)按照各自的放大倍率工作。
5.根据权利要求3所述的一种基于量子神经网络算法的脑电波识别方法,其特征在于,所述步骤3,包括如下子步骤:
子步骤3-1,量子态多通道预处理模块(700)对脑电波信号量子化处理;脑电波多通道滤波模块(500)接收脑电波多通道信号放大模块(400)传输来的脑电波信号,图像视频信号,音频信号,并调用量子态多通道预处理模块(700),将经典态的脑电波信号描述为量子态波函数,量子神经网络模块(800)滤波包括对脑电波进行量子噪声滤波、对音频信号进行量子噪声滤波、对图像视频信号进行量子噪声滤波;
子步骤3-2,量子神经网络模块(800)规则建立;脑电波多通道滤波模块(500)调用量子神经网络模块(800)建立滤波学习规则,学习规则用于处理脑电波多通道信号放大模块(400)放大后所传输过来的脑电波信号,图像视频信号,音频信号;脑电波多通道滤波模块(500)设置量子态脑电波滤波的自学习参数和训练参数,设置量子力学参数和多层激励函数参数,根据用户需要选择合适的网络层数和每层节点数建立量子神经网络,设置脑电波信号滤波学习参数,图像视频信号滤波学习参数,音频信号滤波学习参数,并建立适合脑电波滤波的量子神经网络的训练规则和激励函数;
子步骤3-3,量子神经网络模块(800)对不同频率通道脑电波信号进行学习;脑电波多通道滤波模块(500)调用量子神经网络模块(800)将不同频率通道脑电波信号输入量子神经元(801),作为量子神经元(801)的输入刺激信号,不同的量子神经元(801)具有不同的滤波频率,并预先设定量子神经元(801)滤波的工作频率大小和工作阈值大小,脑电波信号滤波参数,图像视频信号滤波参数,音频信号滤波参数,不断训练量子神经元(801)之间的联系权重,并不断更新和学习;
子步骤3-4,量子神经网络模块(800)对不同频率通道脑电波信号进行滤波;脑电波多通道滤波模块(500)调用量子神经网络模块(800)中的量子神经元(801)在不断训练中学习不同频率通道脑电波信号的特征,保持与本神经元工作频率一致的脑波通道信号,并不断减弱不属于本神经元工作频率的脑波通道信号,脑电波多通道滤波模块(500)滤除采集的图像视频信号的干扰噪声,脑电波多通道滤波模块(500)滤除采集的音频信号中的干扰噪声,当量子神经网络模块(800)滤波学习次数达到预先设定的次数时,或两次滤波的误差小于一个误差阈值时,滤波过程结束;
量子神经网络模块(800)结合视频多通道采集模块(200)采集到的眼动图像,根据脑电波信号与眼动图像的关联关系,滤除脑电波信号中含有的眼动噪声,量子神经网络模块(800)结合音频多通道采集模块(300)采集到的声音信号,根据脑电波信号与音频信号的关联关系,滤除脑电波信号中含有的音频噪声,量子神经网络模块(800)同时学习视频多通道采集模块(200)采集到的眼动图像,音频多通道采集模块(300)采集到的声音信号,进行不断训练,滤除肌电噪声以及其他干扰源所产生的脑电波噪声,区分和识别不同的脑电波噪声信号产生的独立信号源和大脑部位,通过脑电波信号,图像视频信号,音频信号的联合学习和联合训练,提高滤波的效率;
子步骤3-5,量子神经网络模块(800)对不同频率通道脑电波信号进行信号增强;脑电波多通道滤波模块(500)调用量子神经网络模块(800)中的量子神经元(801)在不断训练中增强与本神经元工作频率一致的脑波通道信号,减少滤波过程造成的信号衰减,使脑电波信号通过噪声滤波后适合计算机进一步分析、识别与处理;
量子神经网络模块(800)对脑电波多通道滤波模块(500)滤波后的有效信号进行放大,通过脑电波信号,图像视频信号,音频信号的联合学习和联合训练,提高脑电波信号增强的效果;进一步地,脑电波信号增强还可以根据用户需求对指定的脑电波频率信号进行特殊放大,以便专门研究特定频率脑电波的工作机理。
6.根据权利要求5所述的一种基于量子神经网络算法的脑电波识别方法,其特征在于,所述步骤4,包括如下子步骤:
子步骤4-1,量子态多通道预处理模块(700)对脑电波信号量子化处理;脑电波多通道识别模块(600)接收脑电波多通道滤波模块(500)传输来的滤波后的脑电波信号,图像视频信号,音频信号,并调用量子态多通道预处理模块(700),将经典态的脑电波信号描述为量子态波函数,然后量子神经网络模块(800)识别包括脑电波量子信号识别、音频信号量子信号识别、图像视频信号量子信号识别;
子步骤4-2,量子神经网络模块(800)规则建立;脑电波多通道识别模块(600)调用量子神经网络模块(800)建立识别学习规则,学习规则要能处理脑电波多通道滤波模块(500)所传输过来的滤波后脑电波信号,图像视频信号,音频信号,脑电波多通道识别模块(600)设置量子态脑电波识别的自学习参数和训练参数,设置量子力学参数和多层激励函数参数,根据用户需要选择合适的网络层数和每层节点数建立量子神经网络,设置脑电波信号识别学习参数,图像视频信号识别学习参数,音频信号识别学习参数,并建立适合脑电波识别的量子神经网络的训练规则和激励函数;
子步骤4-3,量子神经网络模块(800)对不同频率通道脑电波信号进行学习;脑电波多通道识别模块(600)调用量子神经网络模块(800)将脑电波信号、图像视频信号、音频信号的量子态函数为样本,进行特征提取计算,对样本进行分类标识,将该分类标识作为导师学习信号,不同的量子神经元(801)具有不同的识别频率,并预先设定量子神经元(801)识别的工作频率大小和工作阈值大小,脑电波信号识别参数,图像视频信号识别参数,音频信号识别参数,并将分类标识与样本信号经过量子神经网络模型的计算结果进行比较,根据两者的比较误差结果调整量子神经网络的权重和阈值,并不断更新和训练;
子步骤4-4,量子神经网络模块(800)对不同频率通道脑电波信号进行特征提取;脑电波多通道识别模块(600)调用量子神经网络模块(800)提取脑电波的不同频率特征和振幅特征,使用量子态函数描述脑电波特征状态,并建立不同频率通道脑电波信号的特征矩阵;量子神经网络模块(800)对不同频率通道脑电波信号进行量子傅里叶变换,获得其量子频谱分布信息,量子神经网络模块(800)能够提取图像视频信号的不同特征,音频信号的不同特征,建立图像视频信号、音频信号的特征状态矩阵,脑电波多通道识别模块(600)调用量子神经网络模块(800)对提取的脑电波信号、图像视频信号、音频信号进行综合提取,分析三者间的关联关系,并使用频谱的平方值计算脑电波信号、音频信号、图像视频信号的能量谱,计算三者在能量谱的关联特征,脑电波多通道识别模块(600)调用量子神经网络模块(800)提取脑电波与图像视频、音频三者之间的关联特征,根据能量谱提取大脑不同部位和不同频率的脑电波特征,并建立大脑部位与脑电波频率、图像视频、音频的关联特征矩阵;
子步骤4-5,量子神经网络模块(800)对不同频率通道脑电波信号进行分类识别;脑电波多通道识别模块(600)调用量子神经网络模块(800)提取脑电波信号、图像视频信号、音频信号的量子态函数,作为量子神经网络的输入,根据视听信号识别不用的脑电波分类应用场景,进行脑电波的纵向和横向关联和对比,并根据不同的分类场景进行学习训练和改善识别量子神经网络模块(800)的识别准确率,当量子神经网络模块(800)识别学习次数达到预先设定的次数时,或两次识别的误差小于一个误差阈值时,识别过程结束,脑电波多通道识别模块(600)对量子神经网络模块(800)的识别结果进行分类,从而得到脑电波在不同视听场景下的用户情感分类、用户心理状态分类、用户健康状态分类、用户生理机能分类,以及用户需要的其他分类。
7.根据权利要求6所述的一种基于量子神经网络算法的脑电波识别方法,其特征在于,所述步骤5,脑电波多通道识别模块(600)输出脑电波特征识别结果脑电波多通道识别模块(600)能够输出量子态多通道预处理模块(700)和量子神经网络模块(800)对不同频率通道脑电波信号进行模式识别和特征提取的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110893005.1A CN113723206B (zh) | 2021-08-04 | 2021-08-04 | 一种基于量子神经网络算法的脑电波识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110893005.1A CN113723206B (zh) | 2021-08-04 | 2021-08-04 | 一种基于量子神经网络算法的脑电波识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723206A true CN113723206A (zh) | 2021-11-30 |
CN113723206B CN113723206B (zh) | 2023-10-31 |
Family
ID=78674864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110893005.1A Active CN113723206B (zh) | 2021-08-04 | 2021-08-04 | 一种基于量子神经网络算法的脑电波识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723206B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115778330A (zh) * | 2023-02-07 | 2023-03-14 | 之江实验室 | 一种基于视频脑电的癫痫发作自动检测系统及装置 |
CN116384498A (zh) * | 2023-06-07 | 2023-07-04 | 上海微观纪元数字科技有限公司 | 变分量子算法线路的并行训练方法及存储介质 |
Citations (3)
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 |
CN106963369A (zh) * | 2017-03-27 | 2017-07-21 | 广州视源电子科技股份有限公司 | 一种基于神经网络模型的脑电放松度识别方法及装置 |
CN112957014A (zh) * | 2021-02-07 | 2021-06-15 | 广州大学 | 一种基于脑电波与神经网络的疼痛检测定位方法及系统 |
-
2021
- 2021-08-04 CN CN202110893005.1A patent/CN113723206B/zh active Active
Patent Citations (3)
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 |
CN106963369A (zh) * | 2017-03-27 | 2017-07-21 | 广州视源电子科技股份有限公司 | 一种基于神经网络模型的脑电放松度识别方法及装置 |
CN112957014A (zh) * | 2021-02-07 | 2021-06-15 | 广州大学 | 一种基于脑电波与神经网络的疼痛检测定位方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115778330A (zh) * | 2023-02-07 | 2023-03-14 | 之江实验室 | 一种基于视频脑电的癫痫发作自动检测系统及装置 |
CN116384498A (zh) * | 2023-06-07 | 2023-07-04 | 上海微观纪元数字科技有限公司 | 变分量子算法线路的并行训练方法及存储介质 |
CN116384498B (zh) * | 2023-06-07 | 2023-08-18 | 上海微观纪元数字科技有限公司 | 变分量子算法线路的并行训练方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113723206B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111728609B (zh) | 脑电信号的分类方法、分类模型的训练方法、装置及介质 | |
Aslan et al. | Automatic Detection of Schizophrenia by Applying Deep Learning over Spectrogram Images of EEG Signals. | |
CN110353673B (zh) | 一种基于标准互信息的脑电通道选择方法 | |
WO2022179548A1 (zh) | 脑电信号分类方法、装置、设备、存储介质及程序产品 | |
CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
CN113723206B (zh) | 一种基于量子神经网络算法的脑电波识别方法 | |
CN112244873A (zh) | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 | |
Riaz et al. | Inter comparison of classification techniques for vowel speech imagery using EEG sensors | |
Kumar et al. | OPTICAL+: a frequency-based deep learning scheme for recognizing brain wave signals | |
Jia et al. | A model combining multi branch spectral-temporal CNN, Efficient Channel attention, and LightGBM for MI-BCI classification | |
CN111920420A (zh) | 一种基于统计学习的患者行为多模态分析与预测系统 | |
Jiang et al. | Analytical comparison of two emotion classification models based on convolutional neural networks | |
Mane et al. | StressNet: Hybrid model of LSTM and CNN for stress detection from electroencephalogram signal (EEG) | |
Chou et al. | Convolutional neural network-based fast seizure detection from video electroencephalograms | |
CN113974627A (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
CN113627391A (zh) | 一种考虑个体差异的跨模式脑电信号识别方法 | |
Jha et al. | Emotion Recognition from Electroencephalogram (EEG) Signals Using a Multiple Column Convolutional Neural Network Model | |
Ahmed et al. | Effective hybrid method for the detection and rejection of electrooculogram (EOG) and power line noise artefacts from electroencephalogram (EEG) mixtures | |
Özyurt et al. | Multi-transfer learning techniques for detecting auditory brainstem response | |
CN110507288A (zh) | 基于一维卷积神经网络的视觉诱导晕动症检测方法 | |
Rostam et al. | Classification of brainwave signals based on hybrid deep learning and an evolutionary algorithm | |
CN113907770A (zh) | 基于特征融合的棘慢复合波检测识别方法及系统 | |
Said et al. | Automatic detection of mild cognitive impairment from EEG recordings using discrete wavelet transform leader and ensemble learning methods | |
Cai et al. | EEG-based Auditory Attention Detection with Spiking Graph Convolutional Network | |
Arpaia et al. | Sinc-EEGNet for Improving Performance While Reducing Calibration of a Motor Imagery-Based BCI |
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 |