CN117473303A - 基于脑电信号的个性化动态意图特征提取方法及相关装置 - Google Patents
基于脑电信号的个性化动态意图特征提取方法及相关装置 Download PDFInfo
- Publication number
- CN117473303A CN117473303A CN202311821655.0A CN202311821655A CN117473303A CN 117473303 A CN117473303 A CN 117473303A CN 202311821655 A CN202311821655 A CN 202311821655A CN 117473303 A CN117473303 A CN 117473303A
- Authority
- CN
- China
- Prior art keywords
- matrix
- personalized
- sample
- features
- feature
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 71
- 239000011159 matrix material Substances 0.000 claims abstract description 295
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 80
- 230000014509 gene expression Effects 0.000 claims abstract description 61
- 230000006998 cognitive state Effects 0.000 claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 107
- 230000000694 effects Effects 0.000 claims description 103
- 230000006870 function Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 39
- 238000013507 mapping Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 11
- 210000004556 brain Anatomy 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 238000011176 pooling Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000003183 myoelectrical effect Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 239000013604 expression vector Substances 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于脑电信号的个性化动态意图特征提取方法及相关装置,其技术方案要点,获取目标用户的个性化数据、非类数据及在不同认知状态下对应的脑电信号;根据脑电信号提取得到全局特征和局部特征,将个性化数据进行转换得到对应的个性化特征,将非类数据进行转换得到对应的非类特征;将目标用户的全局特征、局部特征、个性化特征和非类特征进行融合得到第一高维特征矩阵,第一高维特征矩阵中的个性化特征进行加权处理得到第二高维特征矩阵,对第二高维特征矩阵进行张量转换和分解得到分解结果;将分解结果输入训练好的约束特征提取模型,得到低维表达矩阵。本发明能够区分用户类型,并根据用户类型和个性化数据进行个性化特征提取。
Description
技术领域
本发明属于脑电信号处理技术领域,具体涉及一种基于脑电信号的个性化动态意图特征提取方法、系统、设备及存储介质。
背景技术
动态意图识别技术广泛应用于智能交互、医疗康复等领域,可实现人机交互或康复训练过程中用户意图的实时捕捉。
传统的动态意图识别方法主要基于模型对电生理信号的特征提取和分类。但传统的动态意图识别方法训练复杂,无法适应不同个体之间显著的差异性。近年来,深度学习技术为动态意图识别带来新的契机,可直接从原始信号中学习特征表达,如现有技术中公开的公布号为CN 113627518 A,名称为利用迁移学习实现多通道卷积-递归神经网络脑电情感识别模型的方法的文件,主要是通过训练集对模型进行大量训练,但是如果仅依赖大规模数据集训练的统一模型,也无法学习不同个体特有的特征,导致针对个体的识别效果不佳。
发明内容
本发明的目的在于提供一种基于脑电信号的个性化动态意图特征提取方法及相关装置,能够区分用户类型,并根据用户类型和个性化数据进行个性化特征提取。
本发明第一方面提供了一种基于脑电信号的个性化动态意图特征提取方法,包括:
获取目标用户的个性化数据、非类数据及在不同认知状态下对应的脑电信号;
提取所述脑电信号的特征,并根据脑电信号和提取的特征构建对应的高维特征数据;
将所述高维特征数据输入预设的特征提取模型提取得到全局特征和局部特征,将所述个性化数据进行转换得到对应的个性化特征,将所述非类数据进行转换得到对应的非类特征;
将所述目标用户的全局特征、局部特征、个性化特征和非类特征进行融合,得到第一高维特征矩阵,基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵;
对所述第二高维特征矩阵进行张量转换得到核心张量,对所述核心张量进行分解得到分解结果;
将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵。
可选的,所述基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵,包括:
利用预先训练好的个性化识别模型,学习提取不同用户类别的个性化特征及其对应的权重系数;
对不同用户类别的个性化特征对应的权重系数构建第一权重向量,对所述第一权重向量进行归一化处理得到第二权重向量;
根据所述目标用户对应的用户类别确定第一高维特征矩阵中的个性化特征对应的目标权重向量;
利用所述目标权重向量对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵。
可选的,所述第一高维特征矩阵和第二高维特征矩阵的第一维度表示目标用户,第二维度表示目标用户对应的特征,所述对所述第二高维特征矩阵进行张量转换得到核心张量,包括:
根据所述第二高维特征矩阵的第一维度构建张量的第一维度;
根据所述第二高维特征矩阵的第二维度构建所述张量的第二维度;
根据所述第二高维特征矩阵的目标用户数量和特征数量对所述张量的第三维度进行降维填充,得到核心张量。
可选的,所述对所述核心张量进行分解得到分解结果,包括:
利用预设分解目标函数对所述核心张量进行分解得到分解结果,其中,所述预设分解目标函数的表达式为:
,
,
其中,L是损失函数,β是一个超参数,用于控制正则化项的权重强度,R是表达个性化特征的正则化项,U是个性化特征的先验知识均值矩阵,T是核心张量,S是分解结果中的中间低维特征矩阵,包含目标用户的个性化特征表达式,A是用户效应矩阵,B是特征效应矩阵,是T与S、A、B重构张量的误差,最小化该项获得分解结果。
可选的,所述先验知识均值矩阵的构建方法,包括:
预先获取第一样本用户在不同认知状态下的第一样本脑电信号,其中,所述第一样本脑电信号有标注第一样本用户在对应认知状态下的第一样本个性化数据;
利用机器学习算法对所述第一样本脑电信号进行学习得到映射函数,其中,所述映射函数用于编码所述第一样本个性化数据的第一样本向量;
根据所述映射函数对第二样本用户在不同认知状态下的第二样本脑电信号提取出对应的第二样本向量,其中,所述第二样本脑电信号无标注第二样本用户在对应认知状态下的第二样本个性化数据;
计算所述第一样本向量和第二样本向量的均值得到先验知识均值矩阵。
可选的,所述约束特征提取模型的训练方法包括:
预先获取样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵;
固定所述样本用户效应矩阵和样本特征效应矩阵,对所述样本中间低维特征矩阵进行奇异值分解,得到样本奇异值及其对应的样本奇异向量,对所述样本奇异向量进行过滤得到目标奇异向量,根据所述目标奇异向量构成压缩特征矩阵;
固定所述压缩特征矩阵,初始化样本用户效应矩阵和样本特征效应矩阵,利用梯度下降算法更新样本用户效应矩阵和样本特征效应矩阵中的每个元素值;
对所述样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵进行交替迭代,直至达到迭代终止条件。
可选的,所述约束特征提取模型包括:输入层、编码层、约束层、解码层和输出层;将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵,包括:
利用输入层接收所述分解结果;
利用编码层所述输入层接收的分解结果中提取高级语义特征;
利用约束层在所述高级语义特征中加入个性化的约束,得到个性化语义特征;
利用解码层将所述个性化语义特征映射到与输入层一致的低维表达空间,得到低维表达矩阵;
利用输出层输出所述低维表达矩阵。
本发明第二方面提供了一种基于脑电信号的个性化动态意图特征提取系统,包括:
获取模块,用于获取目标用户的个性化数据、非类数据及在不同认知状态下对应的脑电信号;
提取构建模块,用于提取所述脑电信号的特征,并根据脑电信号和提取的特征构建对应的高维特征数据;
提取转换模块,用于将所述高维特征数据输入预设的特征提取模型提取得到全局特征和局部特征,将所述个性化数据进行转换得到对应的个性化特征,将所述非类数据进行转换得到对应的非类特征;
融合加权模块,用于将所述目标用户的全局特征、局部特征、个性化特征和非类特征进行融合,得到第一高维特征矩阵,基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵;
转换分解模块,用于对所述第二高维特征矩阵进行张量转换得到核心张量,对所述核心张量进行分解得到分解结果;
特征优化模块,用于将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵。
本发明第三方面提供了一种计算机设备,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上述的方法的步骤。
本发明第四方面提供了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上述的方法的步骤。
本发明所提供的技术方案具有以下的优点及效果:通过引入非类特征,可以提供更丰富的目标用户的信息,便于区分目标用户类型;通过引入个性化特征,可以提供更丰富的目标用户个体差异信息,结合目标用户的类型和个性化数据进行个性化特征提取,从而产生个性化的控制结果,相比于仅使用原始数据的全局和局部特征的方法,更能区分不同类别用户的高级语义差异。
附图说明
图1是本发明提供的基于脑电信号的个性化动态意图特征提取方法的流程示意图;
图2是本发明提供的基于脑电信号的个性化动态意图特征提取系统的结构框图;
图3是本发明实施例提供的计算机设备的内部结构图。
具体实施方式
为了便于理解本发明,下面将参照说明书附图对本发明的具体实施例进行更详细的描述。
除非特别说明或另有定义,本文所使用的“第一、第二…”仅仅是用于对名称的区分,不代表具体的数量或顺序。
除非特别说明或另有定义,本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
需要说明的是,本文中“固定于”、“连接于”,可以是直接固定或连接于一个元件,也可以是间接固定或连接于一个元件。
如图1所示,本实施例中提供了一种基于脑电信号的个性化动态意图特征提取方法,包括:
步骤1、获取目标用户的个性化数据、非类数据及在不同认知状态下对应的脑电信号。
在实际应用中,目标用户的不同认知状态可为开空调、调节灯光等状态,个性化数据包括目标用户的操作习惯,如空调的温度和风量、灯光亮度和色温等,个性化数据通过与目标用户的长期交互行为数据统计得到,非类数据包括目标用户的年龄、性别、语音、图像和文本等数据。对于脑电信号的获取,先选择采样率大于1000Hz的脑电信号采集设备,以确保取得充分的样本点。典型的选择为14通道或者32通道的脑电头环装置。将头环戴在目标用户头部定点,可参考10-20标准导联系统来定位头环上的电极,调整电极与头皮的接触程度,降低接触阻抗到足够低的水平,然后,要求目标用户在不带任何刺激源的安静场景下保持静坐状态,记录下1-2分钟的脑电信号作为目标用户的静息状态下的脑电基线数据,之后,让目标用户进行特定的任务,如视觉搜索或运动想象等,在目标用户执行任务时(也就是目标用户在不同认知状态下)继续记录脑电信号,时长取决于任务的时间长度要求,最后,得到目标用户执行任务过程中连续的脑电时间序列信号作为该目标用户的脑电信号。
步骤2、提取所述脑电信号的特征,并根据脑电信号和提取的特征构建对应的高维特征数据。
在实际应用中,还能够先对脑电信号进行预处理,如利用小波变换等技术对脑电信号进行滤波,可以使用如Daubechies、Symlets、Coiflets等小波函数,得到不同尺度下的小波系数。生物噪声主要集中在高频部分,而脑电信号主要分布在低频部分,根据小波变换的多分辨率分析特性,可以只取低频的一些小波系数,抛弃大部分高频噪声成分,然后进行小波重构,可以重构去除了大量噪声的脑电信号。对于肌电噪声的去除,可以采用独立成分分析算法(ICA),可以分离出不同源信号,其中一部分源信号对应肌电噪声,将该源信号滤除后再重构信号,可以有效去除肌电噪声。对于眼电噪声的去除,可以对信号进行时间-频域分析,根据眼电噪声主要集中在较低频段的特点,设计带阻滤波器抑制这些频率成分。最后对去除了肌电噪声和眼电噪声的脑电信号进行重构,获得清洗后的脑电信号。
对于清洗后的脑电信号,提取该脑电信号的特征,包括提取该脑电信号的时域特征和频域特征,如提取各通道的均值、方差、偏度等时域特征,可以反映脑电信号在时间维度上的统计特性,利用傅里叶变换将清洗后时域下的脑电信号转换到频域上,得到对应的频谱信息,然后将频谱划分为若干频带,比如delta波、theta波等,然后提取每个频带的能量特征得到脑电信号的频域特征,以反映脑电信号在频域上的能量分布。所述根据脑电信号和提取的特征构建对应的高维特征数据,具体地,在提取的时域特征包括:均值、方差和偏度,提取的频域特征为delta波和theta波频带上的特征时,将所述脑电信号作为第一通道,所述脑电信号的均值构成第二通道,所述脑电信号的方差构成第三通道,所述脑电信号的偏度构成第四通道,所述脑电信号在delta波上的频谱能量构成第五通道,所述脑电信号在theta波上的频谱能量构成第六通道,从而得到多通道的高维特征数据。
步骤3、将所述高维特征数据输入预设的特征提取模型提取得到全局特征和局部特征,将所述个性化数据进行转换得到对应的个性化特征,将所述非类数据进行转换得到对应的非类特征。
在实际应用中,预设的特征提取模型为预先训练好的深度学习模型,深度学习模型可采用现有技术中的卷积神经网络模型,通过卷积神经网络模型的卷积层提取脑电信号对应的全局特征,反映整个脑电信号的特征分布,如可以学习提取反映脑电信号能量分布的全局特征,得到全局能量密集的频带,或者学习语义级的全局特征,反映输入的脑电信号的整体模式。通过卷积神经网络模型的池化层提取脑电信号对应的局部特征,在经过卷积层提取到全局特征后,进行池化操作,如进行最大池化和平均池化,以平均池化为例,在特征映射上滑动池化核,并计算核覆盖范围内的平均值作为输出,得到不同区域的池化核聚合不同局部范围内的特征,提取了不同局部区域的相关性信息。而池化核的步长也会影响到学习的局部特征粒度。多次池化操作后,网络学习到不同粒度下输入数据的局部特征。最后网络输出层进行局部特征的融合,得到反映数据局部关联的特征表达。例如,可以学习提取反映某脑区内信号节律模式的局部特征,描述局部区域的α波成分,或者学习某些脑区功能连接的局部特征,反映特定脑区对的相互作用和关联模式。
具体地,能够对个性化数据编码为向量,如对空调温度、空调风量、灯光亮度和灯光色温进行编码,得到温度编码、风量编码、亮度编码和色温编码,然后将目标用户对应的温度编码、风量编码、亮度编码和色温编码转换成对应的向量,得到目标用户的个性化特征,同样地,能够对非类数据进行编码,如对用户年龄、用户性别、用户语音、用户图像和用户文本进行编码,得到年龄编码、性别编码、语音编码、图像编码和文本编码,然后将目标用户对应的年龄编码、性别编码、语音编码、图像编码和文本编码转换成对应的向量,得到目标用户的非类特征。
具体地,通过引入非类特征,可以提供更丰富的样本信息,引导模型更聚焦于目标任务,例如引入来自公开数据库的生理信号,如心率、血压等,可以为模型提供更丰富的人群统计信息,辅助模型学习用户类别间的区分模式。通过引入个性化特征,可以提供更丰富的样本个体差异信息,帮助模型学习用户间的个体区分性模式,可以引导模型关注用户个体的特有属性,例如在脑电信号分析中,加入基于用户的个体化特征,如用户操作习惯,可以帮助模型区分不同用户的个体差异,学习每个用户独特的操作模式和偏好,从而产生个性化的控制结果,相比于仅使用原始数据的全局和局部特征的方法,更能区分不同类别用户的高级语义差异。
步骤4、将所述目标用户的全局特征、局部特征、个性化特征和非类特征进行融合,得到第一高维特征矩阵,基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵,其中,所述第一高维特征矩阵和第二高维特征矩阵的第一维度表示目标用户,第二维度为目标用户对应的特征。
在实际应用中,目标用户可以为多个,假设多个目标用户对应的全局特征表示为矩阵,其中,每个目标用户对应的全局特征是一个列向量,反映对应目标用户的整体特征;多个目标用户对应的局部特征表示为矩阵/>,其中,每个目标用户对应的局部特征也是一个列向量,反映对应目标用户的局部特征;多个目标用户对应的个性化特征表示为矩阵/>,其中,每个目标用户对应的个性化特征也是一个列向量,反映对应目标用户的个性化特征;多个目标用户对应的非类特征表示为矩阵,其中,每个目标用户对应的非类特征也是一个列向量,反映对应目标用户的非类特征;然后对各个目标用户对应的全局特征和局部特征进行拼接操作得到/>,/>即包含第i个目标用户的全局和局部特征,遍历所有目标用户,得到最终特征矩阵/>,矩阵X的列向量依次代表了所有目标用户融合后的全局-局部特征表达;然后对目标用户i,取出其对应的列向量/>、/>、/>,将该三个列向量拼接为新的特征向量:/>,遍历所有目标用户得到第一高维特征矩阵,经过对个性化特征和非类特征的引入,得到了融合有丰富特征的第一高维特征矩阵F,便于作为后续建模的输入。
进一步地,所述基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵,包括:
利用预先训练好的个性化识别模型,学习提取不同用户类别的个性化特征及其对应的权重系数;
对不同用户类别的个性化特征对应的权重系数构建第一权重向量,对所述第一权重向量进行归一化处理得到第二权重向量;
根据所述目标用户对应的用户类别确定第一高维特征矩阵中的个性化特征对应的目标权重向量;
利用所述目标权重向量对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵。
在实际应用中,预先收集大量标注有样本类别标签的用户脑电信号样本,可以根据用户的性格、年龄段、思维方式等将用户脑电信号样本进行分组,每组作为一类样本,然后可以采用监督学习方法,如神经网络、SVM(support vector machines,支持向量机)等构建个性化识别模型,使用用户脑电信号样本对所述个性化识别模型进行训练,学习提取样本的个性化特征,然后,可以通过监督训练评估各个个性化特征对样本类别的预测力,可以得到个性化特征在分类任务上的权重系数。例如,可以训练逻辑回归模型,得到每个个性化特征的权重系数,表示其对分类结果的贡献。对学习到的个性化特征的权重系数构建第一权重向量,假设一用户类别学习到的个性化特征的权重系数分别为:特征1的权重系数为0.8、特征2的权重系数为0.6、特征3的权重系数为0.3、特征4的权重系数为0.4、特征5的权重系数为0.2,则可以构建一个权重向量w = [0.8,0.6,0.3,0.4,0.2],然后对该权重向量进行归一化,使权重系数映射到[0,1]区间,具体的归一化公式为:
,
其中,max(w)为权重向量的最大值,也就是0.8,得到计算结果为:,以此类推,得到所有用户类别的第二权重向量,再用第二权重向量对矩阵P中的对应特征进行加权,得到P_w,然后对每个目标用户i,取出其对应的融合特征向量/> (由全局和局部特征向量拼接得到),个性化特征向量/>(从P_w中取出第i列),以及非类特征向量/>,最后,将融合特征向量/>、个性化特征向量和非类特征向量/>在特征维度上进行拼接,得到目标用户i的新特征向量:,其中包含了目标用户i的全局特征、局部特征、加权后的个性化特征和非类特征。遍历所有目标用户i,将所有目标用户的/>按列组合,形成第二高维特征矩阵,即/>。
步骤5、对所述第二高维特征矩阵进行张量转换得到核心张量,对所述核心张量进行分解得到分解结果。
具体地,所述对所述第二高维特征矩阵进行张量转换得到核心张量,包括:
根据所述第二高维特征矩阵的第一维度构建张量的第一维度;
根据所述第二高维特征矩阵的第二维度构建所述张量的第二维度;
根据所述第二高维特征矩阵的目标用户数量和特征数量对所述张量的第三维度进行降维填充,得到核心张量。
在实际应用中,第二高维特征矩阵的尺寸为a×b,其中,a表示目标用户数量,b表示目标用户的特征数量,所述张量为三阶张量,其尺寸定义为a×b×c。张量的第三维c表示张量的低维表达形态,其取值根据目标用户和特征的实际情况来确定,通常取一个比a和b都小的数字,以达到降维的目的。例如在目标用户数量a为200时,特征数量b为500的情况下,可以取c的值为50来获得较低维的表达。张量的三个维度对应的含义分别是:第一维度a表示目标用户的数量,保持第二高维特征矩阵的目标用户数量不变,第二维度b表示特征的数量,保持第二高维特征矩阵的特征数量不变,第三维度c是新增的低维表示的维数。通过在c维上进行降维,可以获得核心张量对目标用户进行低维特征表达的能力。具体低,针对第二高维特征矩阵F2,遍历其中每一个目标用户i,提取目标用户的特征向量,其中为1×n的行向量,然后将所有目标用户的特征向量/>按行顺序叠加起来,形成一个a×b的矩阵,该矩阵就是构建的三阶张量的前两个维度,保持目标用户和特征数量不变,然后,在新添加的第三维度c上,对各个目标用户都填充相同的常数值1,就得到了核心张量,其尺寸为a×b×c。第三维的每个值都置为1,起到了降维的作用。最终,通过从第二高维特征矩阵中提取目标用户的特征向量,并堆叠形成张量的前两个维度,然后在第三维上进行降维填充,实现了从第二高维特征矩阵到低维的核心张量的转换。
通过直接利用第二高维特征矩阵构建张量的前两维,然后降维到更小的第三维空间,降维到低维度c而不是直接一维,能够保留一定特征表达能力。核心张量,可以用于后续进一步的分解学习,以提取用户的低维个性化特征。
具体地,所述对所述核心张量进行分解得到分解结果,包括:
利用预设分解目标函数对所述核心张量进行分解得到分解结果,其中,所述预设分解目标函数的表达式为:
,
,
其中,L是损失函数,β是一个超参数,用于控制正则化项的权重强度,R是表达个性化特征的正则化项,U是个性化特征的先验知识均值矩阵,T是核心张量,S是分解结果中的中间低维特征矩阵,包含目标用户的个性化特征表达式,A是用户效应矩阵,B是特征效应矩阵,是T与S、A、B重构张量的误差,最小化该项获得分解结果。
在实际应用中,对核心张量进行PARAFAC分解,会得到中间低维特征矩阵、用户效应矩阵和特征效应矩阵,分解得到的中间低维特征矩阵为对角核矩阵,对角核矩阵大小为a×c,包含了a个目标用户在c维上得到的低维表达向量。对角核矩阵的每一列是一个c维向量,对应一个目标用户的个性化低维特征表示,由于对角核矩阵的对角元素值较大,而非对角元素为0,所以不同目标用户的低维表达是相互独立的。用户效应矩阵的大小为a×a,反映了a个目标用户之间在个性化特征上的相关性信息,用户效应矩阵的行和列都对应a个样本,元素值表示两目标用户间的相关性数值。特征效应矩阵大小为b×c,反映了目标用户的特征向量对最终c维低维特征的作用效应,特征效应矩阵每一行对应一个特征向量,每一列对应一个低维特征维度。具体地,||S -U||^2是计算S和U之间的向量差的平方,即二者对应目标用户特征表达的差异,矩阵S、A、B中的元素值可以通过迭代算法学习获得,使得损失函数L最小化,从而获得既接近核心张量T又表达个性化特征的S、A、B矩阵,最终,就从核心张量分解中提取了中间低维特征矩阵S,以及用户效应矩阵A和特征效应矩阵B。通过PARAFAC分解学习张量的低秩结构表示,可以获得包含个性化信息的中间变量,是从高维特征矩阵过渡到低维个性化特征表示的重要桥梁。
具体地,所述先验知识均值矩阵的构建方法,包括:
预先获取第一样本用户在不同认知状态下的第一样本脑电信号,其中,所述第一样本脑电信号有标注第一样本用户在对应认知状态下的第一样本个性化数据;
利用机器学习算法对所述第一样本脑电信号进行学习得到映射函数,其中,所述映射函数用于编码所述第一样本个性化数据的第一样本向量;
根据所述映射函数对第二样本用户在不同认知状态下的第二样本脑电信号提取出对应的第二样本向量,其中,所述第二样本脑电信号无标注第二样本用户在对应认知状态下的第二样本个性化数据;
计算所述第一样本向量和第二样本向量的均值得到先验知识均值矩阵。
在实际应用中,能够预先获取少量符合测试场景的第一样本用户在不同认知状态下的第一样本脑电信号,也就是获取第一样本用户在执行不同控制任务时的脑电信号作为第一样本脑电信号,并在第一样本脑电信号上标注有执行控制任务时对应的第一样本个性化数据,基于第一样本用户的第一样本脑电信号,采用机器学习的方法,如特征提取和迁移学习等,学习线性或非线性映射函数,使其能够从第一样本用户执行控制任务时的第一样本脑电信号中,提取出编码该用户个性化特征的第一样本向量。在学习得到个性化特征提取的映射函数之后,就可以在收集到更多新用户(也就是第二样本用户)的无标注的第二样本脑电信号的情况下,直接利用学习到的映射函数,从无标注的第二样本脑电信号中有效地提取出第二样本用户个性化的控制特征表达。在得到所有第一样本向量和所有第二样本向量之后,也就是得到所有第一样本用户和所有第二样本用户的个性化特征之后,计算所有第一样本用户和所有第二样本用户的个性化特征向量的均值,也就是计算第一样本向量和第二样本向量的均值,即获得了一个编码共性个性化特征先验知识的向量,定义该向量为先验知识均值矩阵U。
步骤6、将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵。
具体地,所述约束特征提取模型包括:输入层、编码层、约束层、解码层和输出层;将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵,包括:
利用输入层接收所述分解结果;
利用编码层所述输入层接收的分解结果中提取高级语义特征;
利用约束层在所述高级语义特征中加入个性化的约束,得到个性化语义特征;
利用解码层将所述个性化语义特征映射到与输入层一致的低维表达空间,得到低维表达矩阵;
利用输出层输出所述低维表达矩阵。
在实际应用中,编码层采用多层全连接网络结构,其作用是从输入层中提取抽象的高级语义特征表示,为个性化特征表达奠定基础。具体来说,编码层的第一层是一个全连接层,输入为模型的原始输入特征,包括中间低维表达矩阵、用户效应矩阵和特征效应矩阵,该全连接层通过线性变换来实现初步的特征抽取,然后添加非线性ReLU激活函数,引入非线性表达能力,形成全连接层-激活函数模块,然后堆叠多个同样的全连接层-激活函数模块,每个全连接层-激活函数模块都在前一层的基础上,学习更高级的抽象特征表示。网络层数可以根据实际需要进行设定。同时,可以逐步降低每个全连接层的输出维度,形成一个漏斗结构,以提升高阶语义特征的聚合能力。每个全连接层的权重和偏置都通过反向传播算法进行迭代更新,以优化特征提取的效果。最后,编码层输出抽象特征的高级语义表达,作为约束层的输入,用于引导个性化特征的学习。通过编码层的多层非线性映射,可以从原始输入空间,逐步抽取对个性化特征建模更有利的高级语义特征。
具体地,约束层设置在编码层输出的基础上,其作用是加入样本个性化的约束,引导模型学习能反映样本差异的特征表示。约束层包含两个约束单元,第一个约束单元是目标用户相关性约束单元,该单元的输入来自用户效应矩阵,用户效应矩阵包含了目标用户间的相似性信息,该单元会根据用户效应矩阵中目标用户的相关性,对编码层输出的特征施加相似性约束,使相似目标用户的编码特征能够更加接近,增强模型对目标用户个性化差异的学习能力,具体可以通过以用户效应矩阵为邻接矩阵构建图卷积网络实现;第二个约束单元是特征约束单元,其输入来自特征效应矩阵,特征效应矩阵反映了原始特征对输出特征的作用强度,该单元会对编码特征施加重构约束,最小化编码特征与原特征投影的误差,以保持特征语义信息的一致性。经过约束层的处理,编码特征在保持语义信息的同时,集成了目标用户个性化的约束,得到个性化语义特征,为后续的个性化特征表达奠定了基础。
具体地,解码层的作用是将编码层学习到的高级语义特征,映射回与输入层低维表达空间相匹配的结构,实现对高级语义特征的重构。为此,解码层选用与编码层对称的多层全连接网络结构,将抽象特征逐步映射回低维空间。具体来说,解码层的输入是编码层输出的高级语义特征,首先通过一个全连接层及非线性激活函数,将高级语义特征映射到更高维的空间,然后依次通过多个全连接层降低特征维度,直到与输入层的低维空间相同为止,以实现对高级语义特征的重构。解码层的每个全连接层都会通过反向传播算法更新权重和偏置,使得重构后的低维特征与输入层表达之间的误差最小化。最终,解码层输出维度与输入层一致的低维表达矩阵,既保留了输入结构约束,也集成了抽象语义信息。通过解码层的设计,约束特征提取模型可以重新获得同时兼具丰富语义与个性结构信息的低维特征,为后续的个性化建模提供支持。
具体地,所述约束特征提取模型的训练方法包括:
预先获取样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵;
固定所述样本用户效应矩阵和样本特征效应矩阵,对所述样本中间低维特征矩阵进行奇异值分解,得到样本奇异值及其对应的样本奇异向量,对所述样本奇异向量进行过滤得到目标奇异向量,根据所述目标奇异向量构成压缩特征矩阵;
固定所述压缩特征矩阵,初始化样本用户效应矩阵和样本特征效应矩阵,利用梯度下降算法更新样本用户效应矩阵和样本特征效应矩阵中的每个元素值;
对所述样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵进行交替迭代,直至达到迭代终止条件。
在实际应用中,约束特征提取模型的训练目标是最小化中间低维特征矩阵S与低维表达矩阵S'之间的重构损失,即||S - S'||。同时加入约束单元提供的个性化约束,指导约束特征提取模型学习符合用户差异信息的低维特征表示。经过迭代训练,约束特征提取模型可以学习到集成了个性化约束的低维特征表达。具体地,先获取样本用户的样本脑电信号、样本个性化数据和样本非类数据,然后根据样本脑电信号、样本个性化数据和样本非类数据得到对应的样本全局特征、样本局部特征、样本个性化特征和样本非类特征,将样本全局特征、样本局部特征、样本个性化特征和样本非类特征融合,以及样本个性化特征的加权处理,得到样本高维特征矩阵,对所述样本高维特征矩阵进行张量转换和分解,得到对应的样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵,然后固定样本用户效应矩阵和样本特征效应矩阵,对样本中间低维特征矩阵进行优化,具体地,对样本中间低维特征矩阵进行奇异值分解,得到的样本奇异值表示了样本中间低维特征矩阵在对应的样本奇异向量方向上的信息量大小,样本奇异值较大,表示对应的样本奇异向量上保留了较多输入信息,而样本奇异值较小,则表示对应的样本奇异向量主要包含噪声或冗余信息,因此,需要对样本奇异向量进行过滤,具体地,通过设置奇异值过滤阈值,将样本奇异值大于奇异值过滤阈值的样本奇异向量保留,保留的样本奇异向量中保留了输入的关键信息,去除样本奇异值不大于奇异值过滤阈值的样本奇异向量,以实现对样本中间低维特征矩阵的压缩。保留下来的样本奇异向量会构成一个压缩后的中间低维特征矩阵,也就是得到了压缩特征矩阵,过滤了冗余和噪声,能够更准确地表达输入主要信息。通过奇异值过滤实现中间低维特征矩阵的压缩优化,增强特征表达个性化差异的能力,消除不相关的干扰信息。然后可以对用户效应矩阵和特征效应矩阵进行随机初始化,如从均匀分布或正态分布中随机采样元素值,也可以进行特定初始化,如将全部元素赋值为0或1,进行迭代更新,先计算用户效应矩阵和特征效应矩阵中每个元素相对于当前损失函数值的负梯度,即梯度方向上的变化率,然后按照负梯度方向微小地调整每个元素的值,使损失函数值依次下降。通过多轮迭代,用户效应矩阵和特征效应矩阵的元素值会不断更新,最终可使约束特征提取模型整体损失函数达到最小值;迭代终止条件可为设定学习率阈值,当学习率低于学习率阈值时停止迭代,或设定最大迭代轮数,达到最大迭代轮数则终止,也可以按损失函数是否已收敛来判断是否提前结束迭代过程。
在每次迭代更新样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵后,需要评估当前样本中间低维特征矩阵对样本个性化特征的提取效果,可以利用验证集进行评估。将当前迭代得到的样本中间低维特征矩阵应用于验证集样本,提取验证集样本的个性化特征。然后基于提取出的该特征,进行个性化效果指标的计算,如进行分类,计算分类准确率、召回率、F1值等指标,也可以计算样本间的相似性或距离度量,来评估特征的个性化效果。如果个性化效果指标达到预先设定的要求阈值,说明当前样本中间低维特征矩阵可以提取出有效的个性化特征,则将该次迭代得到的样本中间低维特征矩阵,作为最终输出的个性化特征表达。否则,说明特征表达效果还不足,需要进行下一轮迭代,继续优化中间低维特征矩阵、用户效应矩阵和特征效应矩阵,直到获得能够满足要求的个性化特征表达结果。通过利用独立验证集的评估,可以判断中间表达特征的个性化提取效果,确定最终的个性化特征表达,完成特征提取的有效优化。
本发明的基于脑电信号的个性化动态意图特征提取方法,收集目标用户在执行各控制任务时的原始脑电信号,对信号进行预处理提取时域频域特征,通过深度学习网络获得高级语义特征表示,并加入个性化特征比如每个用户的操作习惯,构建第一高维特征矩阵,然后对个性化特征进行加权,生成第二高维特征矩阵,然后,采用张量分解,学习得到目标用户的个性化中间低维特征矩阵,反映了目标用户独特的控制模式,构建约束特征提取模型,该模型通过交替迭代方式,优化样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵,学习能区分不同用户控制个性的核心特征,得到反映个性化差异的控制特征后,建模优化控制策略,根据目标用户的个性化控制特征,输出最佳的控制命令。
如图2所示,本发明实施例还提供了一种基于脑电信号的个性化动态意图特征提取系统,包括:
获取模块10,用于获取目标用户的个性化数据、非类数据及在不同认知状态下对应的脑电信号;
提取构建模块20,用于提取所述脑电信号的特征,并根据脑电信号和提取的特征构建对应的高维特征数据;
提取转换模块30,用于将所述高维特征数据输入预设的特征提取模型提取得到全局特征和局部特征,将所述个性化数据进行转换得到对应的个性化特征,将所述非类数据进行转换得到对应的非类特征;
融合加权模块40,用于将所述目标用户的全局特征、局部特征、个性化特征和非类特征进行融合,得到第一高维特征矩阵,基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵;
转换分解模块50,用于对所述第二高维特征矩阵进行张量转换得到核心张量,对所述核心张量进行分解得到分解结果;
特征优化模块60,用于将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵。
关于基于脑电信号的个性化动态意图特征提取系统的具体构成可以参见上文中对于基于脑电信号的个性化动态意图特征提取方法的构成,在此不再赘述。上述基于脑电信号的个性化动态意图特征提取系统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3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于脑电信号的个性化动态意图特征提取方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备, 包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行计算机程序时实现以下步骤:
获取目标用户的个性化数据、非类数据及在不同认知状态下对应的脑电信号;
提取所述脑电信号的特征,并根据脑电信号和提取的特征构建对应的高维特征数据;
将所述高维特征数据输入预设的特征提取模型提取得到全局特征和局部特征,将所述个性化数据进行转换得到对应的个性化特征,将所述非类数据进行转换得到对应的非类特征;
将所述目标用户的全局特征、局部特征、个性化特征和非类特征进行融合,得到第一高维特征矩阵,基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵;
对所述第二高维特征矩阵进行张量转换得到核心张量,对所述核心张量进行分解得到分解结果;
将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵。
在一个实施例中,所述基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵,包括:
利用预先训练好的个性化识别模型,学习提取不同用户类别的个性化特征及其对应的权重系数;
对不同用户类别的个性化特征对应的权重系数构建第一权重向量,对所述第一权重向量进行归一化处理得到第二权重向量;
根据所述目标用户对应的用户类别确定第一高维特征矩阵中的个性化特征对应的目标权重向量;
利用所述目标权重向量对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵。
在一个实施例中,所述第一高维特征矩阵和第二高维特征矩阵的第一维度表示目标用户,第二维度表示目标用户对应的特征,所述对所述第二高维特征矩阵进行张量转换得到核心张量,包括:
根据所述第二高维特征矩阵的第一维度构建张量的第一维度;
根据所述第二高维特征矩阵的第二维度构建所述张量的第二维度;
根据所述第二高维特征矩阵的目标用户数量和特征数量对所述张量的第三维度进行降维填充,得到核心张量。
在一个实施例中,所述对所述核心张量进行分解得到分解结果,包括:
利用预设分解目标函数对所述核心张量进行分解得到分解结果,其中,所述预设分解目标函数的表达式为:
,
,
其中,L是损失函数,β是一个超参数,用于控制正则化项的权重强度,R是表达个性化特征的正则化项,U是个性化特征的先验知识均值矩阵,T是核心张量,S是分解结果中的中间低维特征矩阵,包含目标用户的个性化特征表达式,A是用户效应矩阵,B是特征效应矩阵,是T与S、A、B重构张量的误差,最小化该项获得分解结果。
在一个实施例中,所述先验知识均值矩阵的构建方法,包括:
预先获取第一样本用户在不同认知状态下的第一样本脑电信号,其中,所述第一样本脑电信号有标注第一样本用户在对应认知状态下的第一样本个性化数据;
利用机器学习算法对所述第一样本脑电信号进行学习得到映射函数,其中,所述映射函数用于编码所述第一样本个性化数据的第一样本向量;
根据所述映射函数对第二样本用户在不同认知状态下的第二样本脑电信号提取出对应的第二样本向量,其中,所述第二样本脑电信号无标注第二样本用户在对应认知状态下的第二样本个性化数据;
计算所述第一样本向量和第二样本向量的均值得到先验知识均值矩阵。
在一个实施例中,所述约束特征提取模型的训练方法包括:
预先获取样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵;
固定所述样本用户效应矩阵和样本特征效应矩阵,对所述样本中间低维特征矩阵进行奇异值分解,得到样本奇异值及其对应的样本奇异向量,对所述样本奇异向量进行过滤得到目标奇异向量,根据所述目标奇异向量构成压缩特征矩阵;
固定所述压缩特征矩阵,初始化样本用户效应矩阵和样本特征效应矩阵,利用梯度下降算法更新样本用户效应矩阵和样本特征效应矩阵中的每个元素值;
对所述样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵进行交替迭代,直至达到迭代终止条件。
在一个实施例中,所述约束特征提取模型包括:输入层、编码层、约束层、解码层和输出层;将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵,包括:
利用输入层接收所述分解结果;
利用编码层所述输入层接收的分解结果中提取高级语义特征;
利用约束层在所述高级语义特征中加入个性化的约束,得到个性化语义特征;
利用解码层将所述个性化语义特征映射到与输入层一致的低维表达空间,得到低维表达矩阵;
利用输出层输出所述低维表达矩阵。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标用户的个性化数据、非类数据及在不同认知状态下对应的脑电信号;
提取所述脑电信号的特征,并根据脑电信号和提取的特征构建对应的高维特征数据;
将所述高维特征数据输入预设的特征提取模型提取得到全局特征和局部特征,将所述个性化数据进行转换得到对应的个性化特征,将所述非类数据进行转换得到对应的非类特征;
将所述目标用户的全局特征、局部特征、个性化特征和非类特征进行融合,得到第一高维特征矩阵,基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵;
对所述第二高维特征矩阵进行张量转换得到核心张量,对所述核心张量进行分解得到分解结果;
将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵。
在一个实施例中,所述基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵,包括:
利用预先训练好的个性化识别模型,学习提取不同用户类别的个性化特征及其对应的权重系数;
对不同用户类别的个性化特征对应的权重系数构建第一权重向量,对所述第一权重向量进行归一化处理得到第二权重向量;
根据所述目标用户对应的用户类别确定第一高维特征矩阵中的个性化特征对应的目标权重向量;
利用所述目标权重向量对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵。
在一个实施例中,所述第一高维特征矩阵和第二高维特征矩阵的第一维度表示目标用户,第二维度表示目标用户对应的特征,所述对所述第二高维特征矩阵进行张量转换得到核心张量,包括:
根据所述第二高维特征矩阵的第一维度构建张量的第一维度;
根据所述第二高维特征矩阵的第二维度构建所述张量的第二维度;
根据所述第二高维特征矩阵的目标用户数量和特征数量对所述张量的第三维度进行降维填充,得到核心张量。
在一个实施例中,所述对所述核心张量进行分解得到分解结果,包括:
利用预设分解目标函数对所述核心张量进行分解得到分解结果,其中,所述预设分解目标函数的表达式为:
,
,
其中,L是损失函数,β是一个超参数,用于控制正则化项的权重强度,R是表达个性化特征的正则化项,U是个性化特征的先验知识均值矩阵,T是核心张量,S是分解结果中的中间低维特征矩阵,包含目标用户的个性化特征表达式,A是用户效应矩阵,B是特征效应矩阵,是T与S、A、B重构张量的误差,最小化该项获得分解结果。
在一个实施例中,所述先验知识均值矩阵的构建方法,包括:
预先获取第一样本用户在不同认知状态下的第一样本脑电信号,其中,所述第一样本脑电信号有标注第一样本用户在对应认知状态下的第一样本个性化数据;
利用机器学习算法对所述第一样本脑电信号进行学习得到映射函数,其中,所述映射函数用于编码所述第一样本个性化数据的第一样本向量;
根据所述映射函数对第二样本用户在不同认知状态下的第二样本脑电信号提取出对应的第二样本向量,其中,所述第二样本脑电信号无标注第二样本用户在对应认知状态下的第二样本个性化数据;
计算所述第一样本向量和第二样本向量的均值得到先验知识均值矩阵。
在一个实施例中,所述约束特征提取模型的训练方法包括:
预先获取样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵;
固定所述样本用户效应矩阵和样本特征效应矩阵,对所述样本中间低维特征矩阵进行奇异值分解,得到样本奇异值及其对应的样本奇异向量,对所述样本奇异向量进行过滤得到目标奇异向量,根据所述目标奇异向量构成压缩特征矩阵;
固定所述压缩特征矩阵,初始化样本用户效应矩阵和样本特征效应矩阵,利用梯度下降算法更新样本用户效应矩阵和样本特征效应矩阵中的每个元素值;
对所述样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵进行交替迭代,直至达到迭代终止条件。
在一个实施例中,所述约束特征提取模型包括:输入层、编码层、约束层、解码层和输出层;将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵,包括:
利用输入层接收所述分解结果;
利用编码层所述输入层接收的分解结果中提取高级语义特征;
利用约束层在所述高级语义特征中加入个性化的约束,得到个性化语义特征;
利用解码层将所述个性化语义特征映射到与输入层一致的低维表达空间,得到低维表达矩阵;
利用输出层输出所述低维表达矩阵。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
Claims (10)
1.基于脑电信号的个性化动态意图特征提取方法,其特征在于,包括:
获取目标用户的个性化数据、非类数据及在不同认知状态下对应的脑电信号;
提取所述脑电信号的特征,并根据脑电信号和提取的特征构建对应的高维特征数据;
将所述高维特征数据输入预设的特征提取模型提取得到全局特征和局部特征,将所述个性化数据进行转换得到对应的个性化特征,将所述非类数据进行转换得到对应的非类特征;
将所述目标用户的全局特征、局部特征、个性化特征和非类特征进行融合,得到第一高维特征矩阵,基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵;
对所述第二高维特征矩阵进行张量转换得到核心张量,对所述核心张量进行分解得到分解结果;
将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵。
2.如权利要求1所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵,包括:
利用预先训练好的个性化识别模型,学习提取不同用户类别的个性化特征及其对应的权重系数;
对不同用户类别的个性化特征对应的权重系数构建第一权重向量,对所述第一权重向量进行归一化处理得到第二权重向量;
根据所述目标用户对应的用户类别确定第一高维特征矩阵中的个性化特征对应的目标权重向量;
利用所述目标权重向量对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵。
3.如权利要求1所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述第一高维特征矩阵和第二高维特征矩阵的第一维度表示目标用户,第二维度表示目标用户对应的特征,所述对所述第二高维特征矩阵进行张量转换得到核心张量,包括:
根据所述第二高维特征矩阵的第一维度构建张量的第一维度;
根据所述第二高维特征矩阵的第二维度构建所述张量的第二维度;
根据所述第二高维特征矩阵的目标用户数量和特征数量对所述张量的第三维度进行降维填充,得到核心张量。
4.如权利要求1所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述对所述核心张量进行分解得到分解结果,包括:
利用预设分解目标函数对所述核心张量进行分解得到分解结果,其中,所述预设分解目标函数的表达式为:
,
,
其中,L是损失函数,β是一个超参数,用于控制正则化项的权重强度,R是表达个性化特征的正则化项,U是个性化特征的先验知识均值矩阵,T是核心张量,S是分解结果中的中间低维特征矩阵,包含目标用户的个性化特征表达式,A是用户效应矩阵,B是特征效应矩阵,是T与S、A、B重构张量的误差,最小化该项获得分解结果。
5.如权利要求4所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述先验知识均值矩阵的构建方法,包括:
预先获取第一样本用户在不同认知状态下的第一样本脑电信号,其中,所述第一样本脑电信号有标注第一样本用户在对应认知状态下的第一样本个性化数据;
利用机器学习算法对所述第一样本脑电信号进行学习得到映射函数,其中,所述映射函数用于编码所述第一样本个性化数据的第一样本向量;
根据所述映射函数对第二样本用户在不同认知状态下的第二样本脑电信号提取出对应的第二样本向量,其中,所述第二样本脑电信号无标注第二样本用户在对应认知状态下的第二样本个性化数据;
计算所述第一样本向量和第二样本向量的均值得到先验知识均值矩阵。
6.如权利要求4所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述约束特征提取模型的训练方法包括:
预先获取样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵;
固定所述样本用户效应矩阵和样本特征效应矩阵,对所述样本中间低维特征矩阵进行奇异值分解,得到样本奇异值及其对应的样本奇异向量,对所述样本奇异向量进行过滤得到目标奇异向量,根据所述目标奇异向量构成压缩特征矩阵;
固定所述压缩特征矩阵,初始化样本用户效应矩阵和样本特征效应矩阵,利用梯度下降算法更新样本用户效应矩阵和样本特征效应矩阵中的每个元素值;
对所述样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵进行交替迭代,直至达到迭代终止条件。
7.如权利要求1所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述约束特征提取模型包括:输入层、编码层、约束层、解码层和输出层;将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵,包括:
利用输入层接收所述分解结果;
利用编码层所述输入层接收的分解结果中提取高级语义特征;
利用约束层在所述高级语义特征中加入个性化的约束,得到个性化语义特征;
利用解码层将所述个性化语义特征映射到与输入层一致的低维表达空间,得到低维表达矩阵;
利用输出层输出所述低维表达矩阵。
8.基于脑电信号的个性化动态意图特征提取系统,其特征在于,包括:
获取模块,用于获取目标用户的个性化数据、非类数据及在不同认知状态下对应的脑电信号;
提取构建模块,用于提取所述脑电信号的特征,并根据脑电信号和提取的特征构建对应的高维特征数据;
提取转换模块,用于将所述高维特征数据输入预设的特征提取模型提取得到全局特征和局部特征,将所述个性化数据进行转换得到对应的个性化特征,将所述非类数据进行转换得到对应的非类特征;
融合加权模块,用于将所述目标用户的全局特征、局部特征、个性化特征和非类特征进行融合,得到第一高维特征矩阵,基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵;
转换分解模块,用于对所述第二高维特征矩阵进行张量转换得到核心张量,对所述核心张量进行分解得到分解结果;
特征优化模块,用于将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵。
9.计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311821655.0A CN117473303B (zh) | 2023-12-27 | 2023-12-27 | 基于脑电信号的个性化动态意图特征提取方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311821655.0A CN117473303B (zh) | 2023-12-27 | 2023-12-27 | 基于脑电信号的个性化动态意图特征提取方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117473303A true CN117473303A (zh) | 2024-01-30 |
CN117473303B CN117473303B (zh) | 2024-03-19 |
Family
ID=89626049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311821655.0A Active CN117473303B (zh) | 2023-12-27 | 2023-12-27 | 基于脑电信号的个性化动态意图特征提取方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117473303B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784940A (zh) * | 2024-02-23 | 2024-03-29 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 针对汉字笔画书写想象的高维张量分析方法及装置 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170347906A1 (en) * | 2016-06-07 | 2017-12-07 | NeuroSteer Ltd. | Systems and methods for analyzing brain activity and applications thereof |
CN108805089A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
CN110013248A (zh) * | 2018-01-08 | 2019-07-16 | 上海交通大学 | 脑电张量模式识别技术与脑机交互康复系统 |
CN111209974A (zh) * | 2020-01-14 | 2020-05-29 | 华中科技大学鄂州工业技术研究院 | 基于张量分解的异构大数据核心特征提取的方法及系统 |
CN112329633A (zh) * | 2020-11-05 | 2021-02-05 | 南开大学 | 基于张量分解的情感识别方法、装置、介质及电子设备 |
CN113796874A (zh) * | 2021-11-19 | 2021-12-17 | 北京大学 | 一种基于张量分解模型的多元脑电数据识别分析方法 |
CN114052735A (zh) * | 2021-11-26 | 2022-02-18 | 山东大学 | 一种基于深度领域自适应的脑电情绪识别方法及系统 |
US20220130134A1 (en) * | 2019-02-06 | 2022-04-28 | Google Llc | Training Machine-Learned Models for Perceptual Tasks Using Biometric Data |
CN115105076A (zh) * | 2022-05-20 | 2022-09-27 | 中国科学院自动化研究所 | 基于动态卷积残差多源迁移的脑电情绪识别方法及系统 |
CN115981462A (zh) * | 2022-12-14 | 2023-04-18 | 湖南大学 | 一种多用户与多边缘智能体脑机个性化脑电交互系统 |
CN116186522A (zh) * | 2023-04-04 | 2023-05-30 | 石家庄学院 | 大数据核心特征提取方法、电子设备及存储介质 |
CN116211305A (zh) * | 2022-12-20 | 2023-06-06 | 重庆邮电大学 | 动态实时情绪检测方法及系统 |
CN116597824A (zh) * | 2023-05-19 | 2023-08-15 | 杭州电子科技大学 | 一种基于注意力引导张量网络的想象语音分类方法及系统 |
CN116889411A (zh) * | 2023-07-21 | 2023-10-17 | 北京交通大学 | 自动驾驶安全员脑电信息语义分析方法及系统 |
CN116933137A (zh) * | 2023-07-25 | 2023-10-24 | 深圳大学 | 脑电跨被试的情绪识别方法、装置、设备及介质 |
US20230371872A1 (en) * | 2020-08-25 | 2023-11-23 | Innereye Ltd. | Method and system for quantifying attention |
CN117113015A (zh) * | 2023-09-05 | 2023-11-24 | 浙江大学 | 一种基于时空深度学习的脑电信号识别方法及装置 |
-
2023
- 2023-12-27 CN CN202311821655.0A patent/CN117473303B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170347906A1 (en) * | 2016-06-07 | 2017-12-07 | NeuroSteer Ltd. | Systems and methods for analyzing brain activity and applications thereof |
CN110013248A (zh) * | 2018-01-08 | 2019-07-16 | 上海交通大学 | 脑电张量模式识别技术与脑机交互康复系统 |
CN108805089A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态的情绪识别方法 |
US20220130134A1 (en) * | 2019-02-06 | 2022-04-28 | Google Llc | Training Machine-Learned Models for Perceptual Tasks Using Biometric Data |
CN111209974A (zh) * | 2020-01-14 | 2020-05-29 | 华中科技大学鄂州工业技术研究院 | 基于张量分解的异构大数据核心特征提取的方法及系统 |
US20230371872A1 (en) * | 2020-08-25 | 2023-11-23 | Innereye Ltd. | Method and system for quantifying attention |
CN112329633A (zh) * | 2020-11-05 | 2021-02-05 | 南开大学 | 基于张量分解的情感识别方法、装置、介质及电子设备 |
CN113796874A (zh) * | 2021-11-19 | 2021-12-17 | 北京大学 | 一种基于张量分解模型的多元脑电数据识别分析方法 |
CN114052735A (zh) * | 2021-11-26 | 2022-02-18 | 山东大学 | 一种基于深度领域自适应的脑电情绪识别方法及系统 |
CN115105076A (zh) * | 2022-05-20 | 2022-09-27 | 中国科学院自动化研究所 | 基于动态卷积残差多源迁移的脑电情绪识别方法及系统 |
CN115981462A (zh) * | 2022-12-14 | 2023-04-18 | 湖南大学 | 一种多用户与多边缘智能体脑机个性化脑电交互系统 |
CN116211305A (zh) * | 2022-12-20 | 2023-06-06 | 重庆邮电大学 | 动态实时情绪检测方法及系统 |
CN116186522A (zh) * | 2023-04-04 | 2023-05-30 | 石家庄学院 | 大数据核心特征提取方法、电子设备及存储介质 |
CN116597824A (zh) * | 2023-05-19 | 2023-08-15 | 杭州电子科技大学 | 一种基于注意力引导张量网络的想象语音分类方法及系统 |
CN116889411A (zh) * | 2023-07-21 | 2023-10-17 | 北京交通大学 | 自动驾驶安全员脑电信息语义分析方法及系统 |
CN116933137A (zh) * | 2023-07-25 | 2023-10-24 | 深圳大学 | 脑电跨被试的情绪识别方法、装置、设备及介质 |
CN117113015A (zh) * | 2023-09-05 | 2023-11-24 | 浙江大学 | 一种基于时空深度学习的脑电信号识别方法及装置 |
Non-Patent Citations (4)
Title |
---|
THI T.T. PHAM ET AL.: "Tensor Decomposition of Non-EEG Physiological Signals for Visualization and Recognition of Human Stress", 《ICBBT》, 31 May 2019 (2019-05-31), pages 132 - 136 * |
孔祥浩 等: "CNN与CSP相结合的脑电特征提取与识别方法研究", 信号处理, vol. 34, no. 2, 25 February 2018 (2018-02-25), pages 42 - 51 * |
李明爱 等: "基于小波包和深度信念网络的脑电特征提取方法", 电子测量与仪器学报, vol. 32, no. 01, 15 January 2018 (2018-01-15), pages 116 - 123 * |
雷梦颖 等: "稀疏多小波时变系统辨识及脑电信号时频分析", 北京航空航天大学学报, no. 06, 13 October 2017 (2017-10-13), pages 199 - 207 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784940A (zh) * | 2024-02-23 | 2024-03-29 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 针对汉字笔画书写想象的高维张量分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117473303B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdelhameed et al. | A deep learning approach for automatic seizure detection in children with epilepsy | |
JP7422946B2 (ja) | ベイジアングラフ探索を用いたニューラルネットワークアーキテクチャの自動構築 | |
CN111881812B (zh) | 用于针灸的基于深度学习的多模态情绪分析方法及系统 | |
CN112667080B (zh) | 基于深度卷积对抗网络的脑电信号无人平台智能控制方法 | |
CN111553295B (zh) | 基于自注意力机制的多模态情感识别方法 | |
CN117473303B (zh) | 基于脑电信号的个性化动态意图特征提取方法及相关装置 | |
CN112800998B (zh) | 融合注意力机制和dmcca的多模态情感识别方法及系统 | |
CN111134666A (zh) | 一种多通道脑电数据的情绪识别方法及电子装置 | |
Snoek | Bayesian optimization and semiparametric models with applications to assistive technology | |
CN111954250B (zh) | 一种轻量级Wi-Fi行为感知方法和系统 | |
CN117216546A (zh) | 模型训练方法、装置、电子设备、存储介质及程序产品 | |
Jinliang et al. | EEG emotion recognition based on granger causality and capsnet neural network | |
CN112233199A (zh) | 基于离散表征和条件自回归的fMRI视觉重构方法 | |
CN117150346A (zh) | 基于eeg的运动想象脑电分类方法、装置、设备及介质 | |
CN116548985A (zh) | 脑电信号特征提取方法、装置、计算机设备及存储介质 | |
CN113408503B (zh) | 一种情绪识别方法、装置、计算机可读存储介质及设备 | |
CN115017960A (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
CN114287937A (zh) | 一种基于多模态卷积神经网络的情绪识别方法 | |
Zhang et al. | Hierarchical model compression via shape-edge representation of feature maps—an enlightenment from the primate visual system | |
Tang et al. | Dynamic pruning group equivariant network for motor imagery EEG recognition | |
Wang et al. | EEG emotion recognition based on knowledge distillation optimized residual networks | |
Jeong et al. | Automated video classification system driven by characteristics of emotional human brainwaves caused by audiovisual stimuli | |
Dado et al. | Brain2GAN: Feature-disentangled neural coding of visual perception in the primate brain | |
CN117338313B (zh) | 基于堆叠集成技术的多维度特征脑电信号识别方法 | |
CN114861715A (zh) | 一种基于深度学习的肌电信号手势识别方法及装置 |
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 |