CN117743810A - 一种脑电信号监测的意图理解分析方法 - Google Patents

Abstract

本发明涉及脑电信号分析的技术领域，公开了一种脑电信号监测的意图理解分析方法，所述方法包括：对采集的脑电信号进行预处理，并对预处理后的脑电信号进行分解重构去除信号噪音得到重构后的脑电信号；对重构后的脑电信号进行信号增强得到增强后的脑电信号，并对增强后的脑电信号进行思维意图特征提取得到脑电信号的思维意图特征向量；根据提取得到的思维意图特征向量进行意图文本生成，得到脑电信号的意图描述文本，实现了对脑电信号意图的可解释性，提高脑电信号监测与意图理解分析的准确性和可靠性。

Description

一种脑电信号监测的意图理解分析方法

技术领域

本发明涉及脑电信号分析的技术领域，尤其涉及一种脑电信号监测的意图理解分析方法。

背景技术

脑电信号是记录脑部神经元电活动的一种非侵入性技术。通过分析脑电信号，人们可以了解大脑在不同状态下的功能和信息处理过程，从而对认知、情绪、意图等进行推断和理解。对于失去运动能力的患者，通过分析脑电信号并识别其意图，可以实现脑机接口控制外部设备，帮助患者恢复日常生活自理能力。通过监测和理解用户的脑电信号，可以将人的意图直接转化为计算机指令与外界进行交互，实现更自然、高效的个人意图表达，具有重要临床实践意义。现有的脑电信号意图理解方法在意图解码精度上仍存在一定限制，精度和实时性有待提高。针对该问题，本专利提出一种脑电信号监测的意图理解分析方法，提高脑电信号监测与意图理解分析的准确性、实时性和可靠性，以推动相关领域的发展和应用。

发明内容

有鉴于此，本发明提供一种脑电信号监测的意图理解分析方法，目的在于：1）通过对预处理后的脑电信号进行本征模态分解，得到不同模态分解尺度的分解结果，并比较每个分解结果的分布程度去除噪音信号，优化脑电信号，提高脑电信号识别的准确率；2）利用优化本征模态分解进行信号分解，通过引入局部极值搜索策略控制分解结果，提高信号分解准确性，为后续意图理解奠定数据基础；3）通过去除噪音、增强信号、提取思维意图特征和生成意图文本过将脑电信号转化为易于理解和解释的文本描述，实现了对脑电信号意图的可解释性，提高脑电信号监测与意图理解分析的准确性和可靠性。

实现上述目的，本发明提供的一种脑电信号监测的意图理解分析方法，包括以下步骤：

S1：对采集的脑电信号进行预处理，并对预处理后的脑电信号进行分解重构去除信号噪音得到重构后的脑电信号，其中优化本征模态分解为所述脑电信号分解重构的主要实施方法；

S2：对重构后的脑电信号进行信号增强得到增强后的脑电信号，其中瞬时特征增强为所述脑电信号增强的主要实施方法；

S3：对增强后的脑电信号进行思维意图特征提取得到脑电信号的思维意图特征向量，其中深度语义分析为所述思维意图特征提取的主要实施方法；

S4：根据提取得到的思维意图特征向量进行意图文本生成，得到脑电信号的意图描述文本。

作为本发明的进一步改进方法：

可选地，所述S1步骤中对采集的脑电信号进行预处理，包括：

利用脑电信号采集仪采集脑电信号，其中脑电信号的表示形式为：

；

其中：

X表示脑电信号采集仪所采集的脑电信号；

表示脑电信号X中第n个采样信号点的信号值，相邻两个采样信号点的采样时间间隔为/>，N表示所采集脑电信号的采样信号点总数；

对所采集的脑电信号进行平滑预处理，其中预处理公式为：

S11：对采集脑电信号进行指数平滑处理，随机选择平滑系数，取值范围为(0,1)；

S12：根据平滑系数更新计算平滑值，所述平滑更新计算公式为：

；

其中，是第t个数据点的平滑值，/>是上一个数据点的平滑值；

S13：依次迭代更新计算每个数据点的平滑值，完成整个脑电信号数据的平滑处理，预处理后的脑电信号为：

；

其中：

表示预处理后的脑电信号。

所述S1步骤中对预处理后的脑电信号进行分解，包括：

对预处理后的脑电信号进行优化本征模态分解，其中优化本征模态分解流程为：

A1：设置优化EMD算法的迭代次数、收敛阈值和停止条件，其中：

迭代次数为EMD算法的分解层数，每一次迭代得到一个本征模态函数；

收敛阈值用于判断分解结果是否收敛的阈值，当两次迭代之间的差异小于该阈值时，则分解达到收敛状态；

停止条件为达到预设的层数或者收敛阈值达到收敛状态；

A2：对原始信号进行一次EMD分解得到第一层本征模态函数和一个残差项，所述EMD分解步骤为：搜索脑电信号中的局部极大值点和局部极小值点；利用极大值点和极小值点之间的插值拟合得到脑电信号的上包络线和下包络线；取上、下包络线的平均值作为包络线；将原始信号减去包络线得到第一层本征模态函数；

A3：判断是否满足停止条件，若满足则结束迭代；

A4：根据当前层本征模态函数计算局部极值点的选取策略和包络线的确定方式对当前分解结果进行优化调整，所述调整包括局部极值选取策略调整和包络线调整：

局部极值选取策略调整根据当前本征模态函数的特征，通过自适应梯度调整策略确定局部极值点，具体计算公式为：

；

其中：

表示通过当前搜索位置、Hessian矩阵的逆和梯度向量计算得到的下一搜索位置；

表示当前搜索位置；

表示脑电信号的Hessian矩阵；

表示脑电信号在当前位置处的梯度向量；

包络线调整采用Hilbert-Huang变换并结合调整后的局部极值选取策略进行优化，通过对当前本征模态函数进行HHT分解，并对每个本征模态函数分量进行调整后的局部极值搜索，以确定局部极值点位置；根据局部极值点位置，采用样条曲线插值构建自适应包络线；根据生成的包络线和原始本征模态函数分量，进行局部极值点处的插值操作得到调整优化后的包络线；

A5：重复步骤A4，直到满足停止条件，得到最终的优化分解结果，其中分解结果集合为：

；

其中：

表示分解结果/>中第n个位置的信号值。

所述S1步骤中对预处理后的脑电信号进行重构得到重构后的脑电信号，包括：

对本征分解信号进行重构得到重构后的脑电信号，其中脑电信号的重构流程为：

B1：计算每个分解结果的分布程度，则分解结果的分布程度/>为：

；

其中：

表示分解结果/>中N个位置的信号值均值；

B2：将分布程度低于预设置分布阈值的分解结果标记为纯净脑电信号分解结果，将分布程度大于等于预设置分布阈值的分解结果标记为带有其他噪音信号的混合脑电信号分解结果；

B3：重构脑电信号：

；

其中：

表示重构电信号；

表示纯净脑电信号分解结果的数目；

表示所标记得到的第/>个纯净脑电信号分解结果。

所述S2步骤中对重构后的脑电信号进行信号增强，包括：

S21：将增强后的脑电信号与相应刺激时间点进行时间对齐，并根据刺激时间点利用预置的窗口大小截取脑电信号段；

S22：对截取的信号段进行平均计算得到信号均值，并将超出均值的脑电信号点作为脑电信号突出点作为事件相关电位，对计算得到的事件相关电位进行增强得到增强后的脑电信号段，计算公式为：

；

其中，|Y(f)| 代表脑电信号段 Y (f) 在频率 f 处的幅度，|N(f)| 代表估计的噪声谱 N(f) 在频率 f 处的幅度，代表脑电信号段Y(f) 在频率 f 处的相位；arg(Y(f))表示脑电信号段在频率 f 处的相位；j表示复数单位；

S23：将增强后的增强后的脑电信号段与原始脑电信号进行叠加实现脑电信号增强。

所述S3步骤中对增强后的脑电信号进行思维意图特征提取，包括：

S31：对增强后的脑电信号进行区域分段，构成脑电信号的思维意图特征向量：

；

其中：

表示增强后的脑电信号的思维意图特征向量，/>表示第n个分段的思维意图特征向量，N表示分段总数；

S32：对思维意图特征向量进行归一化处理，得到归一化处理后的思维意图特征向量：

；

；

其中：

表示归一化处理后的思维意图特征向量；

表示第n个分段思维意图特征向量的归一化处理结果；

表示L1范数。

所述S4步骤中根据提取得到的思维意图特征向量进行意图文本生成，包括：

根据思维意图特征向量进行描述文本生成，得到脑电信号的描述文本，其中描述文本中第t+1个词组的生成公式为：

；

其中：

表示描述文本中第t+1个词组，t的初始值为0；

表示文本词组出现概率编码矩阵；

表示预设词组文本集合中每个词组文本作为描述文本中第t+1个词组的出现概率向量，表示选取出现概率最高的词组作为描述文本中第t+1个词组；

构成词组长度为L的描述文本：，作为脑电信号的描述文本进行意图表达。

为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：

存储器，存储至少一个指令；

通信接口，实现电子设备通信；及处理器，执行所述存储器中存储的指令以实现上述所述的脑电信号监测的意图理解分析方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的脑电信号监测的意图理解分析方法。

相对于现有技术，本发明提出一种脑电信号监测的意图理解分析方法，该技术具有以下优势：

首先，本方案通过对预处理后的脑电信号进行本征模态分解，得到不同模态分解尺度的分解结果，并比较每个分解结果的分布程度去除噪音信号，优化脑电信号，提高脑电信号识别的准确率.

同时，本方案利用优化本征模态分解进行信号分解，通过引入局部极值搜索策略控制分解结果，提高信号分解准确性，为后续意图理解奠定数据基础。

此外，本方案通过去除噪音、增强信号、提取思维意图特征和生成意图文本过将脑电信号转化为易于理解和解释的文本描述，实现了对脑电信号意图的可解释性，提高脑电信号监测与意图理解分析的准确性和可靠性。

附图说明

图1为本发明一实施例提供的一种脑电信号监测的意图理解分析方法的流程示意图；

图2为本发明一实施例提供的实现脑电信号监测的意图理解分析方法的电子设备的结构示意图。

图中：1电子设备，10处理器，11存储器，12程序，13通信接口。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种脑电信号监测的意图理解分析方法。所述脑电信号监测的意图理解分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述脑电信号监测的意图理解分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

实施例1

S1：对采集的脑电信号进行预处理，并对预处理后的脑电信号进行分解重构去除信号噪音得到重构后的脑电信号，其中优化本征模态分解为所述脑电信号分解重构的主要实施方法。

所述S1步骤中对采集的脑电信号进行预处理，包括：

利用脑电信号采集仪采集脑电信号，其中脑电信号的表示形式为：

；

其中：

X表示脑电信号采集仪所采集的脑电信号；

表示脑电信号X中第n个采样信号点的信号值，相邻两个采样信号点的采样时间间隔为/>，N表示所采集脑电信号的采样信号点总数；

对所采集的脑电信号进行平滑预处理，其中预处理公式为：

S11：对采集脑电信号进行指数平滑处理，随机选择平滑系数，取值范围为(0,1)；

S12：根据平滑系数更新计算平滑值，所述平滑更新计算公式为：

；

其中，是第t个数据点的平滑值，/>是上一个数据点的平滑值；

S13：依次迭代更新计算每个数据点的平滑值，完成整个脑电信号数据的平滑处理，预处理后的脑电信号为：

；

其中：

表示预处理后的脑电信号。

所述S1步骤中对预处理后的脑电信号进行分解，包括：

对预处理后的脑电信号进行优化本征模态分解，其中优化本征模态分解流程为：

A1：设置优化EMD算法的迭代次数、收敛阈值和停止条件，其中：

迭代次数为EMD算法的分解层数，每一次迭代得到一个本征模态函数；

收敛阈值用于判断分解结果是否收敛的阈值，当两次迭代之间的差异小于该阈值时，则分解达到收敛状态；

停止条件为达到预设的层数或者收敛阈值达到收敛状态；

A2：对原始信号进行一次EMD分解得到第一层本征模态函数和一个残差项，所述EMD分解步骤为：搜索脑电信号中的局部极大值点和局部极小值点；利用极大值点和极小值点之间的插值拟合得到脑电信号的上包络线和下包络线；取上、下包络线的平均值作为包络线；将原始信号减去包络线得到第一层本征模态函数；

A3：判断是否满足停止条件，若满足则结束迭代；

A4：根据当前层本征模态函数计算局部极值点的选取策略和包络线的确定方式对当前分解结果进行优化调整，所述调整包括局部极值选取策略调整和包络线调整：

局部极值选取策略调整根据当前本征模态函数的特征，通过自适应梯度调整策略确定局部极值点，具体计算公式为：

；

其中：

表示通过当前搜索位置、Hessian矩阵的逆和梯度向量计算得到的下一搜索位置；

表示当前搜索位置；

表示脑电信号的Hessian矩阵；

表示脑电信号在当前位置处的梯度向量；

包络线调整采用Hilbert-Huang变换并结合调整后的局部极值选取策略进行优化，通过对当前本征模态函数进行HHT分解，并对每个本征模态函数分量进行调整后的局部极值搜索，以确定局部极值点位置；根据局部极值点位置，采用样条曲线插值构建自适应包络线；根据生成的包络线和原始本征模态函数分量，进行局部极值点处的插值操作得到调整优化后的包络线；

A5：重复步骤A4，直到满足停止条件，得到最终的优化分解结果，其中分解结果集合为：

；

其中：

表示分解结果/>中第n个位置的信号值。

所述S1步骤中对预处理后的脑电信号进行重构得到重构后的脑电信号，包括：

对本征分解信号进行重构得到重构后的脑电信号，其中脑电信号的重构流程为：

B1：计算每个分解结果的分布程度，则分解结果的分布程度/>为：

；

其中：

表示分解结果/>中N个位置的信号值均值；

B2：将分布程度低于预设置分布阈值的分解结果标记为纯净脑电信号分解结果，将分布程度大于等于预设置分布阈值的分解结果标记为带有其他噪音信号的混合脑电信号分解结果；

B3：重构脑电信号：

；

其中：

表示重构电信号；

表示纯净脑电信号分解结果的数目；

表示所标记得到的第/>个纯净脑电信号分解结果。

S2：对重构后的脑电信号进行信号增强得到增强后的脑电信号，其中瞬时特征增强为所述脑电信号增强的主要实施方法。

所述S2步骤中对重构后的脑电信号进行信号增强，包括：

S21：将增强后的脑电信号与相应刺激时间点进行时间对齐，并根据刺激时间点利用预置的窗口大小截取脑电信号段；

S22：对截取的信号段进行平均计算得到信号均值，并将超出均值的脑电信号点作为脑电信号突出点作为事件相关电位，对计算得到的事件相关电位进行增强得到增强后的脑电信号段，计算公式为：

；

其中，|Y(f)| 代表脑电信号段 Y (f) 在频率 f 处的幅度，|N(f)| 代表估计的噪声谱 N(f) 在频率 f 处的幅度，代表脑电信号段Y(f) 在频率 f 处的相位；arg(Y(f))表示脑电信号段在频率 f 处的相位；j表示复数单位；

S23：将增强后的增强后的脑电信号段与原始脑电信号进行叠加实现脑电信号增强。

S3：对增强后的脑电信号进行思维意图特征提取得到脑电信号的思维意图特征向量，其中深度语义分析为所述思维意图特征提取的主要实施方法。

所述S3步骤中对增强后的脑电信号进行思维意图特征提取，包括：

S31：对增强后的脑电信号进行区域分段，构成脑电信号的思维意图特征向量：

；

其中：

表示增强后的脑电信号的思维意图特征向量，/>表示第n个分段的思维意图特征向量，N表示分段总数；

S32：对思维意图特征向量进行归一化处理，得到归一化处理后的思维意图特征向量：

；

；

其中：

表示归一化处理后的思维意图特征向量；

表示第n个分段思维意图特征向量的归一化处理结果；

表示L1范数。

S4：根据提取得到的思维意图特征向量进行意图文本生成，得到脑电信号的意图描述文本。

所述S4步骤中根据提取得到的思维意图特征向量进行意图文本生成，包括：

根据思维意图特征向量进行描述文本生成，得到脑电信号的描述文本，其中描述文本中第t+1个词组的生成公式为：

；

其中：

表示描述文本中第t+1个词组，t的初始值为0；

表示文本词组出现概率编码矩阵；

表示预设词组文本集合中每个词组文本作为描述文本中第t+1个词组的出现概率向量，表示选取出现概率最高的词组作为描述文本中第t+1个词组；

构成词组长度为L的描述文本：，作为脑电信号的描述文本进行意图表达。

实施例2

如图2所示，是本发明一实施例提供的实现脑电信号监测的意图理解分析方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现脑电信号监测的意图理解分析的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。

所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

对采集的脑电信号进行预处理，并对预处理后的脑电信号进行分解重构去除信号噪音得到重构后的脑电信号，其中优化本征模态分解为所述脑电信号分解重构的主要实施方法；

对重构后的脑电信号进行信号增强得到增强后的脑电信号，其中瞬时特征增强为所述脑电信号增强的主要实施方法；

对增强后的脑电信号进行思维意图特征提取得到脑电信号的思维意图特征向量，其中深度语义分析为所述思维意图特征提取的主要实施方法；

根据提取得到的思维意图特征向量进行意图文本生成，得到脑电信号的意图描述文本。

具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。

需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种脑电信号监测的意图理解分析方法，其特征在于，所述方法包括：

S1：对采集的脑电信号进行预处理，并对预处理后的脑电信号进行分解重构去除信号噪音得到重构后的脑电信号，其中优化本征模态分解为所述脑电信号分解重构的主要实施方法；

S2：对重构后的脑电信号进行信号增强得到增强后的脑电信号，其中瞬时特征增强为所述脑电信号增强的主要实施方法；

S3：对增强后的脑电信号进行思维意图特征提取得到脑电信号的思维意图特征向量，其中深度语义分析为所述思维意图特征提取的主要实施方法；

S4：根据提取得到的思维意图特征向量进行意图文本生成，得到脑电信号的意图描述文本。

2.如权利要求1所述的一种脑电信号监测的意图理解分析方法，其特征在于，所述S1步骤中对采集的脑电信号进行预处理，包括：

利用脑电信号采集仪采集脑电信号，其中脑电信号的表示形式为：

；

其中：

X表示脑电信号采集仪所采集的脑电信号；

表示脑电信号X中第n个采样信号点的信号值，相邻两个采样信号点的采样时间间隔为/>，N表示所采集脑电信号的采样信号点总数；

对所采集的脑电信号进行平滑预处理，其中预处理公式为：

S11：对采集脑电信号进行指数平滑处理，随机选择平滑系数，取值范围为(0,1)；

S12：根据平滑系数更新计算平滑值，所述平滑更新计算公式为：

；

其中，是第t个数据点的平滑值，/>是上一个数据点的平滑值；

S13：依次迭代更新计算每个数据点的平滑值，完成整个脑电信号数据的平滑处理，预处理后的脑电信号为：

；

其中：

表示预处理后的脑电信号。

3.如权利要求1所述的一种脑电信号监测的意图理解分析方法，其特征在于，所述S1步骤中对预处理后的脑电信号进行分解，包括：

对预处理后的脑电信号进行优化本征模态分解，其中优化本征模态分解流程为：

A1：设置优化EMD算法的迭代次数、收敛阈值和停止条件，其中：

迭代次数为EMD算法的分解层数，每一次迭代得到一个本征模态函数；

收敛阈值用于判断分解结果是否收敛的阈值，当两次迭代之间的差异小于该阈值时，则分解达到收敛状态；

停止条件为达到预设的层数或者收敛阈值达到收敛状态；

A2：对原始信号进行一次EMD分解得到第一层本征模态函数和一个残差项，所述EMD分解步骤为：搜索脑电信号中的局部极大值点和局部极小值点；利用极大值点和极小值点之间的插值拟合得到脑电信号的上包络线和下包络线；取上、下包络线的平均值作为包络线；将原始信号减去包络线得到第一层本征模态函数；

A3：判断是否满足停止条件，若满足则结束迭代；

A4：根据当前层本征模态函数计算局部极值点的选取策略和包络线的确定方式对当前分解结果进行优化调整，所述调整包括局部极值选取策略调整和包络线调整：

局部极值选取策略调整根据当前本征模态函数的特征，通过自适应梯度调整策略确定局部极值点，具体计算公式为：

；

其中：

表示通过当前搜索位置、Hessian矩阵的逆和梯度向量计算得到的下一搜索位置；

表示当前搜索位置；

表示脑电信号的Hessian矩阵；

表示脑电信号在当前位置处的梯度向量；

包络线调整采用Hilbert-Huang变换并结合调整后的局部极值选取策略进行优化，通过对当前本征模态函数进行HHT分解，并对每个本征模态函数分量进行调整后的局部极值搜索，以确定局部极值点位置；根据局部极值点位置，采用样条曲线插值构建自适应包络线；根据生成的包络线和原始本征模态函数分量，进行局部极值点处的插值操作得到调整优化后的包络线；

A5：重复步骤A4，直到满足停止条件，得到最终的优化分解结果，其中分解结果集合为：

；

其中：

表示分解结果/>中第n个位置的信号值。

4.如权利要求3所述的一种脑电信号监测的意图理解分析方法，其特征在于，所述S1步骤中对预处理后的脑电信号进行重构得到重构后的脑电信号，包括：

对本征分解信号进行重构得到重构后的脑电信号，其中脑电信号的重构流程为：

B1：计算每个分解结果的分布程度，则分解结果的分布程度/>为：

；

其中：

表示分解结果/>中N个位置的信号值均值；

B2：将分布程度低于预设置分布阈值的分解结果标记为纯净脑电信号分解结果，将分布程度大于等于预设置分布阈值的分解结果标记为带有其他噪音信号的混合脑电信号分解结果；

B3：重构脑电信号：

；

其中：

表示重构电信号；

表示纯净脑电信号分解结果的数目；

表示所标记得到的第/>个纯净脑电信号分解结果。

5.如权利要求1所述的一种脑电信号监测的意图理解分析方法，其特征在于，所述S2步骤中对重构后的脑电信号进行信号增强，包括：

S21：将增强后的脑电信号与相应刺激时间点进行时间对齐，并根据刺激时间点利用预置的窗口大小截取脑电信号段；

S22：对截取的信号段进行平均计算得到信号均值，并将超出均值的脑电信号点作为脑电信号突出点作为事件相关电位，对计算得到的事件相关电位进行增强得到增强后的脑电信号段，计算公式为：

；

其中，|Y(f)| 代表脑电信号段 Y (f) 在频率 f 处的幅度，|N(f)| 代表估计的噪声谱 N(f) 在频率 f 处的幅度，代表脑电信号段Y(f) 在频率 f 处的相位；arg(Y(f))表示脑电信号段在频率 f 处的相位；j表示复数单位；

S23：将增强后的增强后的脑电信号段与原始脑电信号进行叠加实现脑电信号增强。

6.如权利要求1所述的一种脑电信号监测的意图理解分析方法，其特征在于，所述S3步骤中对增强后的脑电信号进行思维意图特征提取，包括：

S31：对增强后的脑电信号进行区域分段，构成脑电信号的思维意图特征向量：

；

其中：

表示增强后的脑电信号的思维意图特征向量，/>表示第n个分段的思维意图特征向量，N表示分段总数；

S32：对思维意图特征向量进行归一化处理，得到归一化处理后的思维意图特征向量：

；

；

其中：

表示归一化处理后的思维意图特征向量；

表示第n个分段思维意图特征向量的归一化处理结果；

表示L1范数。

7.如权利要求1所述的一种脑电信号监测的意图理解分析方法，其特征在于，所述S4步骤中根据提取得到的思维意图特征向量进行意图文本生成，包括：

根据思维意图特征向量进行描述文本生成，得到脑电信号的描述文本，其中描述文本中第t+1个词组的生成公式为：

；

其中：

表示描述文本中第t+1个词组，t的初始值为0；

表示文本词组出现概率编码矩阵；

表示预设词组文本集合中每个词组文本作为描述文本中第t+1个词组的出现概率向量，表示选取出现概率最高的词组作为描述文本中第t+1个词组；

构成词组长度为L的描述文本：，作为脑电信号的描述文本进行意图表达。