CN116595456A - 一种基于脑机接口的数据筛选和模型训练方法及装置 - Google Patents
一种基于脑机接口的数据筛选和模型训练方法及装置 Download PDFInfo
- Publication number
- CN116595456A CN116595456A CN202310665531.1A CN202310665531A CN116595456A CN 116595456 A CN116595456 A CN 116595456A CN 202310665531 A CN202310665531 A CN 202310665531A CN 116595456 A CN116595456 A CN 116595456A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- sample data
- training
- candidate
- category
- 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
- 238000012549 training Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012216 screening Methods 0.000 title claims abstract description 35
- 238000013145 classification model Methods 0.000 claims abstract description 56
- 239000000203 mixture Substances 0.000 claims abstract description 39
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 238000003860 storage Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 210000004556 brain Anatomy 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本说明书公开了一种基于脑机接口的数据筛选和模型训练方法及装置,可以获取预训练脑电样本数据,预训练脑电样本数据包括若干类别下的脑电样本。而后,可以针对每个类别,根据该类别下的预训练脑电样本数据,确定该类别下的脑电信号所对应的概率分布,进而,根据各类别下的脑电信号所对应的概率分布,构建高斯混合模型,并根据高斯分布模型,确定出每一类别的脑电样本数据对应的聚类范围,而后,确定候选脑电样本数据是否落入到标注对应类别的聚类范围中,若是,将候选脑电样本数据加入到训练样本数据集中,最后,根据训练样本数据集训练脑电分类模型,提高了筛选出的训练样本和训练出的模型的准确性,提升了脑机接口系统的性能和稳定性。
Description
技术领域
本说明书涉及脑机接口技术领域,尤其涉及一种基于脑机接口的数据筛选和模型训练方法及装置。
背景技术
脑机接口技术是一种新型的人机交互方式,可以通过采集脑电信号来实现人类与外部设备之间的直接交互。
在脑机接口技术中,可以确定出采集得到的用户的脑电信号所表示的意图,从而进行人机交互。
在现有技术中,确定出采集得到的用户的脑电信号所表示的意图的方式往往存在一定缺陷,例如,可以通过侵入式脑电采集设备来采集脑电信号,从而可以极大提高脑电信号的信噪比,这种方法从源头上保证信号的质量,进而确定出的用户的脑电信号所表示的意图可以较为准确,但是这种方式可能会对大脑损伤的风险,再例如,可以通过机器学习模型来学习得到用户的脑电信号所表示出的意图,但是这种方式往往需要大量的训练数据,并且,训练出的模型可能不能准确的识别出脑电信号对应的意图。
所以,如何无创、准确、快速地通过脑电信号来识别出用户的意图,则是一个亟待解决的问题。
发明内容
本说明书提供一种基于脑机接口的数据筛选和模型训练方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种基于脑机接口的数据筛选和模型训练方法,包括:
获取预训练脑电样本数据,所述预训练脑电样本数据包括若干类别下的预训练脑电样本数据,每个类别对应一种意图;
针对每个类别,根据该类别下的预训练脑电样本数据,确定该类别下的脑电信号所对应的概率分布;
根据各类别下的脑电信号所对应的概率分布,构建高斯混合模型,并根据所述高斯混合模型,确定出每一类别的脑电样本数据对应的聚类范围,所述高斯混合模型用于表示脑电样本数据在每个类别下所对应的概率密度;
获取带有标注的候选脑电样本数据,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围中,若是,将所述候选脑电样本数据加入到训练样本数据集中,若否,将所述候选脑电样本数据剔除;
根据所述训练样本数据集,训练脑电分类模型,训练后的脑电分类模型用于对接收到的实时脑电信号基于所述若干类别进行分类,并用于执行与所述若干类别相关联的业务。
可选地,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围中,具体包括:
确定所述标注对应类别的聚类范围的中心样本数据;
确定所述候选脑电样本数据与所述中心样本数据之间的相似度,并根据所述相似度,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围。
可选地,确定所述候选脑电样本数据与所述中心样本数据之间的相似度,具体包括:
确定所述候选脑电样本数据与所述中心样本数据之间的马氏距离;
根据所述相似度,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围,具体包括:
基于所述聚类范围针对马氏距离确定出的预设阈值,以及所述候选脑电样本数据与所述中心样本数据之间的马氏距离,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围。
可选地,所述方法还包括:
若所述候选脑电样本数据未落入到所述标注对应类别的聚类范围中,向录入所述候选脑电样本数据的受试者对应的终端发送重录消息,所述重录消息用于向所述受试者表示重新录入所述标注对应的候选脑电样本数据。
可选地,获取预训练脑电样本数据,具体包括:
获取未处理的脑电样本数据;
将所述脑电样本数据进行预处理,所述预处理包括降噪以及带通滤波中的至少一种,将预处理后的脑电样本数据,作为所述预训练脑电样本数据。
可选地,根据所述训练样本数据集,训练脑电分类模型,具体包括:
针对所述训练样本数据集中的每个脑电样本数据,对该脑电样本数据进行特征提取,得到该脑电样本数据对应的样本特征;
将该脑电样本数据对应的样本特征输入到脑电分类模型,得到脑电分类模型得到的分类结果,以最小化所述分类结果与该脑电样本数据对应的标注之间的差异为训练目标,对所述脑电分类模型进行训练,所述脑电分类模型所对应的算法为支持向量机或线性判别分析算法中的至少一种。
可选地,所述方法还包括:
接收到实时脑电信号;
对所述实时脑电信号进行预处理,得到预处理后的脑电信号;
将所述预处理后的脑电信号,输入到训练后的脑电分类模型,得到分类结果;
确定所述分类结果对应的预设指令,并将所述预设指令通过预设通信方式传输给外部设备,所述预设通信方式包括蓝牙、网络中的至少一种。
本说明书提供了一种基于脑机接口的数据筛选和模型训练的装置,包括:
获取模块,用于获取预训练脑电样本数据,所述预训练脑电样本数据包括若干类别下的预训练脑电样本数据,每个类别对应一种意图;
确定模块,用于针对每个类别,根据该类别下的预训练脑电样本数据,确定该类别下的脑电信号所对应的概率分布;
聚类模块,用于根据各类别下的脑电信号所对应的概率分布,构建高斯混合模型,并根据所述高斯混合模型,确定出每一类别的脑电样本数据对应的聚类范围,所述高斯混合模型用于表示脑电样本数据在每个类别下所对应的概率密度;
筛选模块,用于获取带有标注的候选脑电样本数据,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围中,若是,将所述候选脑电样本数据加入到训练样本数据集中,若否,将所述候选脑电样本数据剔除;
训练模块,用于根据所述训练样本数据集,训练脑电分类模型,训练后的脑电分类模型用于对接收到的实时脑电信号基于所述若干类别进行分类,并用于执行与所述若干类别相关联的业务。
可选地,所述筛选模块具体用于,确定所述标注对应类别的聚类范围的中心样本数据;确定所述候选脑电样本数据与所述中心样本数据之间的相似度,并根据所述相似度,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围。
可选地,所述筛选模块具体用于,确定所述候选脑电样本数据与所述中心样本数据之间的马氏距离;基于所述聚类范围针对马氏距离确定出的预设阈值,以及所述候选脑电样本数据与所述中心样本数据之间的马氏距离,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围。
可选地,所述筛选模块具体用于,若所述候选脑电样本数据未落入到所述标注对应类别的聚类范围中,向录入所述候选脑电样本数据的受试者对应的终端发送重录消息,所述重录消息用于向所述受试者表示重新录入所述标注对应的候选脑电样本数据。
可选地,所述获取模块具体用于,获取未处理的脑电样本数据;将所述脑电样本数据进行预处理,所述预处理包括降噪以及带通滤波中的至少一种,将预处理后的脑电样本数据,作为所述预训练脑电样本数据。
可选地,所述训练模块具体用于,针对所述训练样本数据集中的每个脑电样本数据,对该脑电样本数据进行特征提取,得到该脑电样本数据对应的样本特征;将该脑电样本数据对应的样本特征输入到脑电分类模型,得到脑电分类模型得到的分类结果,以最小化所述分类结果与该脑电样本数据对应的标注之间的差异为训练目标,对所述脑电分类模型进行训练,所述脑电分类模型所对应的算法为支持向量机或线性判别分析算法中的至少一种。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于脑机接口的数据筛选和模型训练方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于脑机接口的数据筛选和模型训练方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
从上述基于脑机接口的数据筛选和模型训练方法中可以看出,可以获取预训练脑电样本数据,预训练脑电样本数据包括若干类别下的预训练脑电样本数据,每个类别对应一种意图。而后,可以针对每个类别,根据该类别下的预训练脑电样本数据,确定该类别下的脑电信号所对应的概率分布,进而,根据各类别下的脑电信号所对应的概率分布,构建高斯混合模型,并根据高斯混合模型,确定出每一类别的脑电样本数据对应的聚类范围,高斯混合模型用于表示脑电样本数据在每个类别下所对应的概率密度,而后,获取带有标注的候选脑电样本数据,确定候选脑电样本数据是否落入到标注对应类别的聚类范围中,若是,将候选脑电样本数据加入到训练样本数据集中,若否,将候选脑电样本数据剔除,最后,根据训练样本数据集,训练脑电分类模型,训练后的脑电分类模型用于对接收到的实时脑电信号基于若干类别进行分类,并用于执行与若干类别相关联的业务。
从上述内容中可以看出,本说明书提供的一种基于脑机接口的数据筛选和模型训练方法,在该方法中,可以通过构建高斯混合模型,基于预训练脑电样本数据来划分出每个类别下较为标准的聚类范围,从而来筛选后续得到的脑电样本数据,从而得到较好的训练样本来训练脑电分类模型。通过筛选脑电样本数据,能够在保持训练样本的质量的前提下,减少用于对脑电分类模型进行训练的训练样本的数量。并且,提高了训练样本的准确性,从而在一定程度上提高了训练后的脑电分类模型的准确率,进而提升脑机接口系统的稳定性和性能。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的一种基于脑机接口的数据筛选和模型训练方法的流程示意图;
图2为本说明书中提供的一种原始的脑电信号的示意图;
图3为本说明书中提供的一种带通滤波后的脑电信号的示意图;
图4为本说明书中提供的一种聚类范围的示意图;
图5为本说明书提供的一种基于脑机接口的数据筛选和模型训练装置示意图;
图6为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种基于脑机接口的数据筛选和模型训练方法的流程示意图,具体包括以下步骤:
S100:获取预训练脑电样本数据,所述预训练脑电样本数据包括若干类别下的预训练脑电样本数据,每个类别对应一种意图。
S102:针对每个类别,根据该类别下的预训练脑电样本数据,确定该类别下的脑电信号所对应的概率分布。
S104:根据各类别下的脑电信号所对应的概率分布,构建高斯混合模型,并根据所述高斯混合模型,确定出每一类别的脑电样本数据对应的聚类范围,所述高斯混合模型用于表示脑电样本数据在每个类别下所对应的概率密度。
在实际应用中,脑机接口系统可以接收采集得到的用户的脑电信号,并根据采集得到的用户的脑电信号,进行分类,来确定出用户的意图,以基于分类结果,进行业务执行。
基于此,服务器可以获取预训练脑电样本数据,该预训练脑电样本数据包括若干类别下的预训练脑电样本数据,每个类别可以对应一种意图,而后,可以针对每个类别,根据该类别下的预训练脑电样本数据,确定出该类别下的脑电信号所对应的概率分布。该概率分布可以为高斯分布。
其中,上述提到的类别可以按照需求进行定义,例如,类别1可以为向左方向运动想象得到的脑电样本数据,类别2可以为向右方向运动想象得到的脑电样本数据。对于这种类别的脑电样本数据,训练后的脑电分类模型可以用于确定用户实时的脑电信号是向左方向运动想象,还是向右方向运动想象,从而可以将脑电分类模型确定出的脑电分类结果应用在如智能轮椅控制的业务场景中。
预训练脑电样本数据可以是使得受试者为向左方向运动想象、向右方向运动想象20次得到的脑电样本数据,每个脑电样本数据长度可以为8s,为了扩大预训练样本数据的数量,可以将8s脑电样本数据分为4等份,得到2s一个的预训练脑电样本数据,还需说明的是,预训练脑电样本数据可以是经过预处理后的脑电样本数据,即,可以获取未处理的脑电样本数据,并将该脑电样本数据进行预处理,预处理包括降噪、带通滤波等,可以将预处理后的脑电样本数据,作为预训练脑电样本数据。
上述提到的带通滤波具体可以使用巴特沃斯带通滤波器,对预训练脑电样本数据中的脑电信号进行8-30Hz的带通滤波,n阶巴特沃斯低通滤波器的增益G(w)为:
其中,n表示滤波器的阶数,wc为截止频率(功率下降为-3分贝时的频率),G0表示直流增益,即零频率增益。
本说明书中的脑电信号的采集方式为非侵入式,图2、图3展示出的是原始的脑电信号,和带通滤波后的脑电信号。
图2为本说明书中提供的一种原始的脑电信号的示意图。
图3为本说明书中提供的一种带通滤波后的脑电信号的示意图。
图2中纵坐标为通道,即,诸如AF4、F8、F4等标识为通道的标识,横坐标为时间(s,秒为单位),图2中展示的是通过14通道采集得到脑电信号的示意图。
同样的,图3和图2相同,纵坐标为通道,横坐标为时间,图3中展示出的是带通滤波后的脑电信号。
确定出每个类别下的脑电信号所对应的概率分布后,可以根据各类别下的脑电信号所对应的概率分布,构建高斯混合模型,并根据该高斯混合模型,确定出每一类别的脑电样本数据对应的聚类范围,其中,该高斯混合模型用于表示脑电样本数据在每个类别下所对应的概率密度。
也就是说,通过高斯混合模型来确定预训练脑电样本数据的概率密度,高斯混合模型可看作由K个单高斯模型(子模型)组成的混合模型,其中,K个子模型是混合模型的隐变量。因为高斯分布具有很好的数学性质和计算性能,故混合模型采用高斯分布的概率分布。其中,子模型的数量为类别的数量,即,存在多少种类别的预训练脑电样本数据,存在有多少个子模型,并且,一个子模型的高斯分布对应一个类别下的脑电信号所对应的概率分布。
高斯混合模型的概率分布为:
其中,xj表示第j个观测数据,j=1,2,…,N;K是混合模型中子模型的数量,k=1,2,…,K;αk是观测数据(预训练脑电样本数据)属于第k个子模型的概率,αk≥0, 表示第k个子模型的高斯分布密度函数,/>uk为第k个子模型对应概率分布中的均值,/>为第k个子模型对应概率分布中的方差;参数即每个子模型的期望,协方差,在每个子模型中的概率。
通过高斯混合模型,可以确定出每一类别的脑电样本数据对应的聚类范围,如图4所示。
图4为本说明书中提供的一种聚类范围的示意图。
在图4中,展示出了两种类别的预训练脑电样本数据通过高斯混合模型,得出的各自的聚类范围,即,图4中的两个椭圆为两种类别所对应的聚类范围,pointSet1为第一种类别的预训练脑电样本数据的样本点,pointSet2为第二种类别的预训练脑电样本数据的样本点,conf.ellipse1和conf.ellipse2分别为两种类别所对应的聚类范围。横纵坐标Dimension1和Dimension2分别表示脑电信号的特征,可以先通过一定方式(如共空间模式算法)确定出预训练脑电样本数据中脑电信号的特征,再通过高斯混合模型确定出聚类范围。
对于一个类别的预训练脑电样本数据来说,将该类别的预训练脑电样本数据所围住的椭圆,为该类别所对应的置信椭圆,置信椭圆可以作为该类别所对应的聚类范围,处于置信椭圆内的脑电样本数据是较为优质的训练样本,该置信椭圆的大小可以根据置信度进行设置,例如,可以将置信度设置为95%。置信度越低,筛选出的样本越准确。
其中,可以通过EM算法来确定出高斯混合模型的参数,对于一个类别来说,该类别所对应的置信椭圆可以通过概率密度函数的等高线来确定出,对于二维高斯分布,其概率密度的等高线为椭圆,不同大小的椭圆表示不同的置信水平(置信度),即一个样本点属于高斯分布的概率。
还需说明的是,上述方式是通过建立高斯混合模型,来得到每个类别下脑电信号的聚类范围,还可以针对每个类别,建立该类别所对应的高斯分布模型,直接通过该高斯分布模型来得到该类别所对应的置信椭圆,作为该类别的脑电样本数据对应的聚类范围。
需要说明的是,由于需要在后续通过预训练脑电样本数据确定出的聚类范围,从候选脑电样本数据中筛选出用于训练脑电分类模型的训练样本,因此,通过预训练脑电样本数据确定出的聚类范围的效果也较为重要。
基于此,可以确定出通过预训练脑电样本数据确定出的不同类别的聚类范围是否存在重合,若是,则可以重新获取预训练脑电样本数据,得到重新确定出的聚类范围。
S106:获取带有标注的候选脑电样本数据,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围中,若是,将所述候选脑电样本数据加入到训练样本数据集中,若否,将所述候选脑电样本数据剔除。
S108:根据所述训练样本数据集,训练脑电分类模型,训练后的脑电分类模型用于对接收到的实时脑电信号基于所述若干类别进行分类,并用于执行与所述若干类别相关联的业务。
确定出每个每一类别的脑电样本数据对应的聚类范围,在获取到带有标注的候选脑电样本数据(即,获取到新的脑电样本数据时),可以确定候选脑电样本数据是否落入到该候选脑电样本数据的标注对应类别的聚类范围中,若是,将该候选脑电样本数据加入到训练样本数据集中,若否,将该候选脑电样本数据剔除,在后续过程中,可以使用训练样本数据集,对脑电分类模型进行训练。
也就是说,本方法是通过预训练脑电样本数据来划分出各种类别的脑电样本数据所对应的聚类范围,当存在新的脑电样本数据时,可以通过该脑电样本数据是否处于一个聚类范围来判定,该脑电样本数据是否是优质的训练样本,若该脑电样本数据游离在该脑电样本数据的标注对应类别的聚类范围外,说明该脑电样本数据存在一定的问题,不应将该脑电样本数据作为用于训练训练样本。具体确定候选脑电样本数据是否落入到标注对应类别的聚类范围,可以确定标注对应类别的聚类范围的中心样本数据,确定该候选脑电样本数据与该中心样本数据之间的相似度,并根据该相似度,确定该候选脑电样本数据是否落入到标注对应类别的聚类范围。
具体确定相似度的方式可以存在有多种,例如,可以确定候选脑电样本数据与中心样本数据之间的马氏距离,而后,可以基于聚类范围针对马氏距离确定出的预设阈值,以及该候选脑电样本数据与中心样本数据之间的马氏距离,确定该候选脑电样本数据是否落入到该候选脑电样本数据的标注对应类别的聚类范围。
马氏距离(Mahalanobis distance)是由印度统计学家普拉桑塔〃钱德拉〃马哈拉诺比斯提出的,表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。马氏距离(Mahalanobis distance)可以定义为两个服从同一分布并且其协方差矩阵为∑的随机变量与/>的差异程度:
其中,当协方差矩阵为单位阵时,马氏距离(Mahalanobis distance)可以被简化为欧氏距离。
之所以说基于聚类范围针对马氏距离确定出的预设阈值,是因为上述聚类范围是通过高斯混合模型得到的,而高斯混合模型是通过每个类别的预训练脑电样本数据的概率分布和概率密度来区分不同类别的脑电样本数据,通过高斯混合模型确定出的聚类范围的大小与预设置信度对应的置信椭圆有关。
对于一个类别来说,确定出该类别对应的聚类范围,可以是确定出预设置信度的置信椭圆,作为该类别对应的聚类范围,通过该预设置信度的置信椭圆,可以确定出预设阈值。具体的,可以计算置信椭圆上的点到高斯分布中心(中心样本数据)之间的马氏距离作为判断边界(即,该预设阈值)。
其中,不同置信度的置信椭圆之间通过马氏距离确定出的预设阈值不同,例如,99%、95%和90%三个置信度对应的马氏距离分别为9.21、5.99和4.61。
当然,也可以确定出候选脑电样本数据与中心样本数据在概率上、或概率密度上的相似度,进而通过预设的阈值和相似度的对比,来确定出候选脑电样本数据是否落入到聚类范围内。
需要说明的是,脑电样本数据通常是由受试者按照所需要的类别(标注)录入脑电信号所得到的,因此,不管是预训练脑电样本数据还是后续获取到的候选脑电样本数据,均可以是带有标注的样本。
当然,后续候选脑电样本数据若是不带有标注,则若该候选脑电样本数据落入到某个聚类范围,可以确定出该候选脑电样本数据所落入的聚类范围,将所落入的聚类范围对应的类别,作为该候选脑电样本数据对应的标注,若该候选脑电样本数据未落入任意聚类范围,则将该候选脑电样本数据剔除。
还需说明的是,若候选脑电样本数据未落入到该候选脑电样本数据的标注对应类别的聚类范围中,可以向录入该候选脑电样本数据的受试者对应的终端发送重录消息,该重录消息可以用于向该受试者表示重新录入该候选脑电样本数据的标注对应的候选脑电样本数据。这样一来,可以对受试者进行记忆巩固,提高受试者后续录入的样本数据的准确性。
也就是说,上述方法是通过较为准确的预训练脑电样本数据,来筛选较为优质的候选脑电样本数据,并加入到训练样本数据集中,对脑电分类模型进行训练。
具体的,在训练脑电分类模型时,可以针对该训练样本数据集中的每个脑电样本数据,对该脑电样本数据进行特征提取,得到该脑电样本数据对应的样本特征,并将该脑电样本数据对应的样本特征输入到脑电分类模型,得到脑电分类模型得到的分类结果,以最小化该分类结果与该脑电样本数据对应的标注之间的差异为训练目标,对该脑电分类模型进行训练,脑电分类模型所对应的算法为支持向量机或线性判别分析算法中的至少一种。
在对脑电样本数据进行特征提取时,可以基于共空间模式算法(Common SpatialPattern Method,CSP)对训练样本数据集提取样本特征,假设训练样本数数据集分别包含有向左和向右想象的脑电样本数据;
首先,计算脑电信号的协方差:
RL和RR分别表示向左和向右想象脑电信号的方差,XL和XR表示向左和向右滤波后的想象脑电信号;计算得复合协方差:
U0表示特征矩阵,∑表示特征值的对角矩阵。计算白化矩阵:
将脑电样本数据平均协方差白化后得到共空间特征向量:
投影矩阵定义为:
W=UTP
使用投影矩阵,可以将脑电样本数据中原始脑电信号转换为不相关的成分:
Z=WX
其中,X为某个脑电样本数据中的脑电信号,通过上述公式可以确定出脑电样本数据所对应的样本特征。这样,通过共空间模式算法便提取了脑电信号的特征值(样本特征),为后续的脑电分类打下基础。
在接收到的实时脑电信号时,可以对该实时脑电信号进行预处理(预处理方式是针对上述脑电样本数据的预处理方式相同,可以存在降噪和带通滤波等),得到预处理后的脑电信号,并将预处理后的脑电信号,输入到训练后的脑电分类模型,得到分类结果,进而确定该分类结果对应的预设指令,并将该预设指令通过预设通信方式传输给外部设备,其中,预设通信方式可以包括蓝牙、网络等。
也就是说,本方法中的脑电分类模型可以用于通过脑电信号进行人机交的应用场景中,例如,可以通过采集用户的脑电信号来控制轮椅的运动,再例如,应用场景还可以为通过用户的脑电信号来进行VR游戏。
因此,上述提到的分类结果对应的预设指令可以是指通过对用户的脑电信号的分类结果确定出的用户在相应业务场景中所需的指令,例如,在控制轮椅的运动的业务场景中,预设指令可以是控制轮椅向某个方向运动的指令。
为了便于描述,上述内容中将执行一种基于脑机接口的数据筛选和模型训练方法的执行主体作为服务器来描述,在此不对执行该方法的执行主体进行限定,服务器、台式电脑等电子设备均可。
从上述内容可以看出,本发明提出了一种基于脑机接口的数据筛选和模型训练方法,在该方法中,可以通过构建高斯混合模型,基于预训练脑电样本数据来划分出每个类别下较为标准的聚类范围,从而来筛选后续得到的脑电样本数据,从而得到较好的训练样本来训练脑电分类模型,避免在获取训练样本的过程中,获取到不准确的训练样本(可能是由于:受试者在录入预设类别的脑电信号时,到一定时间后存在受试者录入不准确的情况),从而提高了训练样本的准确性,从而在一定程度上提高了训练后的脑电分类模型的准确率。
并且,本发明的优点还包括:
(1)不需要大量训练样本来训练脑电分类模型,便可以显著提升分类的准确性。
(2)在训练时需要采集受试者的脑电信号,来得到脑电样本数据。由于受试者在训练时能够得到实时训练效果的反馈,可以加深该类别训练的(该类意图的)记忆与巩固,加强受试者后续录入的脑电信号的准确性。
(3)在采集脑电信号时(不管是预训练脑电样本数据还是候选脑电样本数据),均可以通过非侵入式采集的方式,从而达到了对受试者无创的效果。
以上为本说明书的一个或多个实施例提供的基于脑机接口的数据筛选和模型训练方法,基于同样的思路,本说明书还提供了基于脑机接口的数据筛选和模型训练装置,如图5所示。
图5为本说明书提供的一种基于脑机接口的数据筛选和模型训练装置示意图,包括:
获取模块501,用于获取预训练脑电样本数据,所述预训练脑电样本数据包括若干类别下的预训练脑电样本数据,每个类别对应一种意图;
确定模块502,用于针对每个类别,根据该类别下的预训练脑电样本数据,确定该类别下的脑电信号所对应的概率分布;
聚类模块503,用于根据各类别下的脑电信号所对应的概率分布,构建高斯混合模型,并根据所述高斯混合模型,确定出每一类别的脑电样本数据对应的聚类范围,所述高斯混合模型用于表示脑电样本数据在每个类别下所对应的概率密度;
筛选模块504,用于获取带有标注的候选脑电样本数据,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围中,若是,将所述候选脑电样本数据加入到训练样本数据集中,若否,将所述候选脑电样本数据剔除;
训练模块505,用于根据所述训练样本数据集,训练脑电分类模型,训练后的脑电分类模型用于对接收到的实时脑电信号基于所述若干类别进行分类,并用于执行与所述若干类别相关联的业务。
可选地,所述筛选模块504具体用于,确定所述标注对应类别的聚类范围的中心样本数据;确定所述候选脑电样本数据与所述中心样本数据之间的相似度,并根据所述相似度,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围。
可选地,所述筛选模块504具体用于,确定所述候选脑电样本数据与所述中心样本数据之间的马氏距离;基于所述聚类范围针对马氏距离确定出的预设阈值,以及所述候选脑电样本数据与所述中心样本数据之间的马氏距离,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围。
可选地,所述筛选模块504具体用于,若所述候选脑电样本数据未落入到所述标注对应类别的聚类范围中,向录入所述候选脑电样本数据的受试者对应的终端发送重录消息,所述重录消息用于向所述受试者表示重新录入所述标注对应的候选脑电样本数据。
可选地,所述获取模块501具体用于,获取未处理的脑电样本数据;将所述脑电样本数据进行预处理,所述预处理包括降噪以及带通滤波中的至少一种,将预处理后的脑电样本数据,作为所述预训练脑电样本数据。
可选地,所述训练模块505具体用于,针对所述训练样本数据集中的每个脑电样本数据,对该脑电样本数据进行特征提取,得到该脑电样本数据对应的样本特征;将该脑电样本数据对应的样本特征输入到脑电分类模型,得到脑电分类模型得到的分类结果,以最小化所述分类结果与该脑电样本数据对应的标注之间的差异为训练目标,对所述脑电分类模型进行训练,所述脑电分类模型所对应的算法为支持向量机或线性判别分析算法中的至少一种。
可选地,所述装置还包括:
实时判断模块506,用于接收到实时脑电信号;对所述实时脑电信号进行预处理,得到预处理后的脑电信号;将所述预处理后的脑电信号,输入到训练后的脑电分类模型,得到分类结果;确定所述分类结果对应的预设指令,并将所述预设指令通过预设通信方式传输给外部设备,所述预设通信方式包括蓝牙、网络中的至少一种。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述基于脑机接口的数据筛选和模型训练方法。
本说明书还提供了图6所示的电子设备的示意结构图。如图6所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述基于脑机接口的数据筛选和模型训练方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (15)
1.一种基于脑机接口的数据筛选和模型训练方法,其特征在于,包括:
获取预训练脑电样本数据,所述预训练脑电样本数据包括若干类别下的预训练脑电样本数据,每个类别对应一种意图;
针对每个类别,根据该类别下的预训练脑电样本数据,确定该类别下的脑电信号所对应的概率分布;
根据各类别下的脑电信号所对应的概率分布,构建高斯混合模型,并根据所述高斯混合模型,确定出每一类别的脑电样本数据对应的聚类范围,所述高斯混合模型用于表示脑电样本数据在每个类别下所对应的概率密度;
获取带有标注的候选脑电样本数据,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围中,若是,将所述候选脑电样本数据加入到训练样本数据集中,若否,将所述候选脑电样本数据剔除;
根据所述训练样本数据集,训练脑电分类模型,训练后的脑电分类模型用于对接收到的实时脑电信号基于所述若干类别进行分类,并用于执行与所述若干类别相关联的业务。
2.如权利要求1所述的方法,其特征在于,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围中,具体包括:
确定所述标注对应类别的聚类范围的中心样本数据;
确定所述候选脑电样本数据与所述中心样本数据之间的相似度,并根据所述相似度,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围。
3.如权利要求2所述的方法,其特征在于,确定所述候选脑电样本数据与所述中心样本数据之间的相似度,具体包括:
确定所述候选脑电样本数据与所述中心样本数据之间的马氏距离;
根据所述相似度,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围,具体包括:
基于所述聚类范围针对马氏距离确定出的预设阈值,以及所述候选脑电样本数据与所述中心样本数据之间的马氏距离,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
若所述候选脑电样本数据未落入到所述标注对应类别的聚类范围中,向录入所述候选脑电样本数据的受试者对应的终端发送重录消息,所述重录消息用于向所述受试者表示重新录入所述标注对应的候选脑电样本数据。
5.如权利要求1所述的方法,其特征在于,获取预训练脑电样本数据,具体包括:
获取未处理的脑电样本数据;
将所述脑电样本数据进行预处理,所述预处理包括降噪以及带通滤波中的至少一种,将预处理后的脑电样本数据,作为所述预训练脑电样本数据。
6.如权利要求1所述的方法,其特征在于,根据所述训练样本数据集,训练脑电分类模型,具体包括:
针对所述训练样本数据集中的每个脑电样本数据,对该脑电样本数据进行特征提取,得到该脑电样本数据对应的样本特征;
将该脑电样本数据对应的样本特征输入到脑电分类模型,得到脑电分类模型得到的分类结果,以最小化所述分类结果与该脑电样本数据对应的标注之间的差异为训练目标,对所述脑电分类模型进行训练,所述脑电分类模型所对应的算法为支持向量机或线性判别分析算法中的至少一种。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
接收到实时脑电信号;
对所述实时脑电信号进行预处理,得到预处理后的脑电信号;
将所述预处理后的脑电信号,输入到训练后的脑电分类模型,得到分类结果;
确定所述分类结果对应的预设指令,并将所述预设指令通过预设通信方式传输给外部设备,所述预设通信方式包括蓝牙、网络中的至少一种。
8.一种基于脑机接口的数据筛选和模型训练装置,其特征在于,包括:
获取模块,用于获取预训练脑电样本数据,所述预训练脑电样本数据包括若干类别下的预训练脑电样本数据,每个类别对应一种意图;
确定模块,用于针对每个类别,根据该类别下的预训练脑电样本数据,确定该类别下的脑电信号所对应的概率分布;
聚类模块,用于根据各类别下的脑电信号所对应的概率分布,构建高斯混合模型,并根据所述高斯混合模型,确定出每一类别的脑电样本数据对应的聚类范围,所述高斯混合模型用于表示脑电样本数据在每个类别下所对应的概率密度;
筛选模块,用于获取带有标注的候选脑电样本数据,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围中,若是,将所述候选脑电样本数据加入到训练样本数据集中,若否,将所述候选脑电样本数据剔除;
训练模块,用于根据所述训练样本数据集,训练脑电分类模型,训练后的脑电分类模型用于对接收到的实时脑电信号基于所述若干类别进行分类,并用于执行与所述若干类别相关联的业务。
9.如权利要求8所述的装置,其特征在于,所述筛选模块具体用于,确定所述标注对应类别的聚类范围的中心样本数据;确定所述候选脑电样本数据与所述中心样本数据之间的相似度,并根据所述相似度,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围。
10.如权利要求9所述的装置,其特征在于,所述筛选模块具体用于,确定所述候选脑电样本数据与所述中心样本数据之间的马氏距离;基于所述聚类范围针对马氏距离确定出的预设阈值,以及所述候选脑电样本数据与所述中心样本数据之间的马氏距离,确定所述候选脑电样本数据是否落入到所述标注对应类别的聚类范围。
11.如权利要求8所述的装置,其特征在于,所述筛选模块具体用于,若所述候选脑电样本数据未落入到所述标注对应类别的聚类范围中,向录入所述候选脑电样本数据的受试者对应的终端发送重录消息,所述重录消息用于向所述受试者表示重新录入所述标注对应的候选脑电样本数据。
12.如权利要求8所述的装置,其特征在于,所述获取模块具体用于,获取未处理的脑电样本数据;将所述脑电样本数据进行预处理,所述预处理包括降噪以及带通滤波中的至少一种,将预处理后的脑电样本数据,作为所述预训练脑电样本数据。
13.如权利要求9所述的装置,其特征在于,所述训练模块具体用于,针对所述训练样本数据集中的每个脑电样本数据,对该脑电样本数据进行特征提取,得到该脑电样本数据对应的样本特征;将该脑电样本数据对应的样本特征输入到脑电分类模型,得到脑电分类模型得到的分类结果,以最小化所述分类结果与该脑电样本数据对应的标注之间的差异为训练目标,对所述脑电分类模型进行训练,所述脑电分类模型所对应的算法为支持向量机或线性判别分析算法中的至少一种。
14.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
15.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310665531.1A CN116595456B (zh) | 2023-06-06 | 2023-06-06 | 一种基于脑机接口的数据筛选和模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310665531.1A CN116595456B (zh) | 2023-06-06 | 2023-06-06 | 一种基于脑机接口的数据筛选和模型训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116595456A true CN116595456A (zh) | 2023-08-15 |
CN116595456B CN116595456B (zh) | 2023-09-29 |
Family
ID=87595555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310665531.1A Active CN116595456B (zh) | 2023-06-06 | 2023-06-06 | 一种基于脑机接口的数据筛选和模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595456B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582082A (zh) * | 2020-04-24 | 2020-08-25 | 燕山大学 | 基于可解释聚类模型的二分类运动想象脑电信号识别方法 |
CN112545532A (zh) * | 2020-11-26 | 2021-03-26 | 中国人民解放军战略支援部队信息工程大学 | 用于脑电信号分类识别的数据增强方法及系统 |
CN114492501A (zh) * | 2021-12-13 | 2022-05-13 | 重庆邮电大学 | 基于改进smote算法的脑电信号样本扩充方法、介质及系统 |
CN115392357A (zh) * | 2022-08-09 | 2022-11-25 | 湖北星纪时代科技有限公司 | 分类模型训练、标注数据样本抽检方法、介质及电子设备 |
CN115429289A (zh) * | 2022-09-01 | 2022-12-06 | 天津大学 | 一种脑机接口训练数据扩增方法、装置、介质及电子设备 |
CN115690528A (zh) * | 2022-09-06 | 2023-02-03 | 深圳大学 | 跨主体场景的脑电信号美学评估处理方法、装置、介质及终端 |
US20230080533A1 (en) * | 2021-03-01 | 2023-03-16 | Tencent Technology (Shenzhen) Company Limited | Electroencephalogram signal classification method and apparatus, device, storage medium, and program product |
CN116153522A (zh) * | 2023-03-02 | 2023-05-23 | 之江实验室 | 一种基于皮质-肌肉-皮质网络图的模型训练方法及装置 |
-
2023
- 2023-06-06 CN CN202310665531.1A patent/CN116595456B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582082A (zh) * | 2020-04-24 | 2020-08-25 | 燕山大学 | 基于可解释聚类模型的二分类运动想象脑电信号识别方法 |
CN112545532A (zh) * | 2020-11-26 | 2021-03-26 | 中国人民解放军战略支援部队信息工程大学 | 用于脑电信号分类识别的数据增强方法及系统 |
US20230080533A1 (en) * | 2021-03-01 | 2023-03-16 | Tencent Technology (Shenzhen) Company Limited | Electroencephalogram signal classification method and apparatus, device, storage medium, and program product |
CN114492501A (zh) * | 2021-12-13 | 2022-05-13 | 重庆邮电大学 | 基于改进smote算法的脑电信号样本扩充方法、介质及系统 |
CN115392357A (zh) * | 2022-08-09 | 2022-11-25 | 湖北星纪时代科技有限公司 | 分类模型训练、标注数据样本抽检方法、介质及电子设备 |
CN115429289A (zh) * | 2022-09-01 | 2022-12-06 | 天津大学 | 一种脑机接口训练数据扩增方法、装置、介质及电子设备 |
CN115690528A (zh) * | 2022-09-06 | 2023-02-03 | 深圳大学 | 跨主体场景的脑电信号美学评估处理方法、装置、介质及终端 |
CN116153522A (zh) * | 2023-03-02 | 2023-05-23 | 之江实验室 | 一种基于皮质-肌肉-皮质网络图的模型训练方法及装置 |
Non-Patent Citations (5)
Title |
---|
JINBIAO LIU.ET AL: "A Novel Delay Estimation Method for Improving Corticomuscular Coherence in Continuous Synchronization Events", 《IEEE》 * |
XIN HUANG.ET AL: "Brain–computer interfaces (BCIs): Detection instead of classification", 《FRONTIERS IN NEUROSCIENCE》, vol. 167, no. 15 * |
刘牧天: "基于脑电信号的驾驶员注意力监测系统设计与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 08 * |
熊未: "基于运动想象脑机接口的训练时间减少研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 03 * |
邹宜君等: "基于卷积神经网络的自适应样本加权脑机接口建模", 《信息与控制》, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN116595456B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095124B (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
CN115600157B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN111046969A (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN116595456B (zh) | 一种基于脑机接口的数据筛选和模型训练方法及装置 | |
CN116630480B (zh) | 一种交互式文本驱动图像编辑的方法、装置和电子设备 | |
CN117409466A (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
CN117197781A (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN108804563A (zh) | 一种数据标注方法、装置以及设备 | |
CN116343314A (zh) | 一种表情识别方法、装置、存储介质及电子设备 | |
CN115830633B (zh) | 基于多任务学习残差神经网络的行人重识别方法和系统 | |
CN116258679A (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN116152933A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN111753583A (zh) | 一种识别方法及装置 | |
CN115545572A (zh) | 一种业务风控的方法、装置、设备及存储介质 | |
CN112397073B (zh) | 一种音频数据处理方法及装置 | |
CN111967365B (zh) | 影像连接点的提取方法和装置 | |
CN115952271B (zh) | 一种生成对话信息的方法、装置、存储介质及电子设备 | |
CN117037046B (zh) | 一种视听事件检测方法、装置、存储介质及电子设备 | |
CN116942180A (zh) | 一种多特征加权融合的脑电分类方法及装置 | |
CN117649568B (zh) | 一种用于图像分类卷积神经网络的网络压缩方法及装置 | |
CN115862668B (zh) | 机器人基于声源定位判断交互对象的方法和系统 | |
CN115795342B (zh) | 一种业务场景分类的方法、装置、存储介质及电子设备 | |
CN116245773A (zh) | 一种人脸合成模型训练方法、装置、存储介质及电子设备 | |
CN117058525B (zh) | 一种模型的训练方法、装置、存储介质及电子设备 |
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 |