CN118114197A - 运动想象脑电分类模型训练方法、装置、设备及存储介质 - Google Patents
运动想象脑电分类模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118114197A CN118114197A CN202410212894.4A CN202410212894A CN118114197A CN 118114197 A CN118114197 A CN 118114197A CN 202410212894 A CN202410212894 A CN 202410212894A CN 118114197 A CN118114197 A CN 118114197A
- Authority
- CN
- China
- Prior art keywords
- data
- domain
- electrode
- target
- feature extraction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 75
- 238000013145 classification model Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000000605 extraction Methods 0.000 claims abstract description 236
- 230000009471 action Effects 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 210000004556 brain Anatomy 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 83
- 230000006870 function Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000013507 mapping Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006978 adaptation Effects 0.000 description 4
- 238000000537 electroencephalography Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004761 scalp Anatomy 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000005171 mammalian brain Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种运动想象脑电分类模型训练方法、装置、设备及存储介质。该方法包括:将源域电极数据和目标域电极数据输入至分类网络模型中,根据模型输出的源域深度特征数据和目标域深度特征数据,生成桥接域电极数据,同时将模型输出并输入至模型的三维全连接层进行特征提取,得到第一特征提取数据和第二特征提取数据,根据第一特征提取数据、第二特征提取数据和桥接域电极数据,确定第一损失值;将第一特征提取数据输入至模型的全连接层,并根据输出的运动预测类别和运动真实类别,确定第二损失值;根据第一损失值和第二损失值进行模型迭代训练,直到满足模型训练结束条件,得到目标运动想象脑电分类模型,用于进行跨用户的运动想象动作分类。
Description
技术领域
本发明涉及脑电数据处理技术领域,尤其涉及一种运动想象脑电分类模型训练方法、装置、设备及存储介质。
背景技术
哺乳动物大脑中的不同活动和大脑状态会引起皮层同步的不同模式,从而导致头皮上随时间产生多样化的电位变化。这些时空相关的头皮电位被认为是神经元计算的核心机制,可以通过脑电图(Electroencephalography,EEG)有效捕获和记录。EEG在检测和精确定位多通道电极信号方面具有较高精度,已成为记录和分析各种大脑活动(如运动想象)的关键工具。因此,基于EEG的运动想象分类近年来受到了广泛关注。
随着计算设备性能的显著改进,深度学习模型在多领域特征提取方面表现出卓越的能力,广泛应用于运动想象信号的处理和分析。然而,尽管深度学习模型具有上述优点,但数据短缺和变异性仍对分类模型的性能和泛化性构成巨大挑战。为了解决这些挑战,已建立的许多跨用户的运动想象分类方法通过从源域用户转移已知知识来保持分类模型的学习性能,最终实现目标域用户有限数据下的无监督分类。
然而,现有的跨用户的运动想象分类方法并未关注用户间情境下跨时段问题和电极数据分布差异性问题,从而导致生成的跨用户运动想象分类网络的分类准确度较低。
发明内容
本发明提供了一种运动想象脑电分类模型训练方法、装置、设备及存储介质,以提高运动想象脑电分类模型的分类准确度。
根据本发明的一方面,提供了一种运动想象脑电分类模型训练方法,所述方法包括:
获取源域电极数据和目标域电极数据;
将所述源域电极数据和所述目标域电极数据输入至未经训练的分类网络模型中,得到所述分类网络模型中的空间特征提取器对所述源域电极数据进行特征提取后输出的源域深度特征数据,以及对所述目标域电极数据进行特征提取后输出的目标域深度特征数据;
根据所述源域深度特征数据和所述目标域深度特征数据,生成桥接域电极数据;
将所述源域深度特征数据和所述目标域深度特征数据输入至所述分类网络模型中的三维全连接层分别进行特征提取,得到所述源域深度特征数据对应的第一特征提取数据和所述目标域深度特征数据对应的第二特征提取数据,并根据所述第一特征提取数据、所述第二特征提取数据和所述桥接域电极数据,确定第一损失值;
将所述第一特征提取数据输入至所述分类网络模型中的全连接层,由所述全连接层进行运动类别预测,得到运动预测类别,并根据所述运动预测类别和所述源域电极数据对应的运动真实类别,确定第二损失值;
根据所述第一损失值和所述第二损失值,对所述分类网络模型进行迭代训练,直到满足模型训练结束条件,得到目标运动想象脑电分类模型,用于进行跨用户的运动想象动作分类。
根据本发明的另一方面,提供了一种运动想象脑电分类模型训练装置,所述装置包括:
电极数据获取模块,用于获取源域电极数据和目标域电极数据;
深度特征提取模块,用于将所述源域电极数据和所述目标域电极数据输入至未经训练的分类网络模型中,得到所述分类网络模型中的空间特征提取器对所述源域电极数据进行特征提取后输出的源域深度特征数据,以及对所述目标域电极数据进行特征提取后输出的目标域深度特征数据;
桥接域数据生成模块,用于根据所述源域深度特征数据和所述目标域深度特征数据,生成桥接域电极数据;
第一损失值确定模块,用于将所述源域深度特征数据和所述目标域深度特征数据输入至所述分类网络模型中的三维全连接层分别进行特征提取,得到所述源域深度特征数据对应的第一特征提取数据和所述目标域深度特征数据对应的第二特征提取数据,并根据所述第一特征提取数据、所述第二特征提取数据和所述桥接域电极数据,确定第一损失值;
第二损失值确定模块,用于将所述第一特征提取数据输入至所述分类网络模型中的全连接层,由所述全连接层进行运动类别预测,得到运动预测类别,并根据所述运动预测类别和所述源域电极数据对应的运动真实类别,确定第二损失值;
目标分类模型生成模块,用于根据所述第一损失值和所述第二损失值,对所述分类网络模型进行迭代训练,直到满足模型训练结束条件,得到目标运动想象脑电分类模型,用于进行跨用户的运动想象动作分类。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的运动想象脑电分类模型训练方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的运动想象脑电分类模型训练方法。
本发明实施例技术方案将源域电极数据和目标域电极数据输入至分类网络模型中,根据模型输出的源域深度特征数据和目标域深度特征数据,生成桥接域电极数据,同时将模型输出并输入至模型的三维全连接层进行特征提取,得到第一特征提取数据和第二特征提取数据,根据第一特征提取数据、第二特征提取数据和桥接域电极数据,确定第一损失值;将第一特征提取数据输入至模型的全连接层,并根据输出的运动预测类别和运动真实类别,确定第二损失值;根据第一损失值和第二损失值进行模型迭代训练,直到满足模型训练结束条件,得到目标运动想象脑电分类模型,用于进行跨用户的运动想象动作分类。上述技术方案通过结合源域深度特征和目标域深度特征,生成桥接域电极数据,解决了跨用户的时域电极数据分布差异问题,最小化了源域和目标域用户内和用户间的时域电极差异,完成了源域和目标域之间的数据对齐。通过结合源域深度特征数据、目标域深度特征数据和桥接域深度特征数据确定第一损失值,缩小了时间阶段间、用户间和电极间的分布差异性,提高了运动想象脑电分类模型的模型训练准确度,从而提高了运动想象分类的准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种运动想象脑电分类模型训练方法的流程图;
图2是根据本发明实施例二提供的一种运动想象脑电分类模型训练方法的流程图;
图3是根据本发明实施例三提供的一种运动想象脑电分类模型训练方法的流程图;
图4是根据本发明实施例四提供的一种运动想象脑电分类模型的训练过程结构示意图;
图5是根据本发明实施例五提供的一种运动想象脑电分类模型训练装置的结构示意图;
图6是实现本发明实施例的运动想象脑电分类模型训练方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种运动想象脑电分类模型训练方法的流程图,本实施例可适用于进行基于脑电的跨用户的运动想象动作分类的情况,该方法可以由运动想象脑电分类模型训练装置来执行,该运动想象脑电分类模型训练装置可以采用硬件和/或软件的形式实现,该运动想象脑电分类模型训练装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取源域电极数据和目标域电极数据。
其中,源域电极数据可以是已有标签或已知分布的电极数据集;源域电极数据可以包括用户在不同实验阶段下的各个电极通道所测试得到的电极数据。目标域电极数据可以是希望模型迁移到的新数据集,其标签和分布未知或有限;目标域电极数据和源域电极数据在特征分布或数据分布上可能存在一定差异。
其中,源域电极数据和目标域电极数据均为参与分类网络模型训练的样本数据。
S120、将源域电极数据和目标域电极数据输入至未经训练的分类网络模型中,得到分类网络模型中的空间特征提取器对源域电极数据进行特征提取后输出的源域深度特征数据,以及对目标域电极数据进行特征提取后输出的目标域深度特征数据。
其中,未经训练的分类网络模型中包括用于进行数据特征提取的空间特征提取器。
示例性的,将源域电极数据和目标域电极数据分别输入至未经训练的分类网络模型中,由分类网络模型的空间特征提取器对源域电极数据进行特征提取,得到源域电极数据对应的源域深度特征数据,以及对目标域电极数据进行特征提取,得到目标域电极数据对应的目标域深度特征数据。
S130、根据源域深度特征数据和目标域深度特征数据,生成桥接域电极数据。
其中,桥接域电极数据中即包含有所有实验阶段的源域数据特征,又包含有所有实验阶段的目标域数据特征,表征了源域和目标域的共同数据分布,能够有效解决跨时段和跨用户的全局分布差异问题。
示例性的,可以对源域深度特征数据和目标域深度特征数据进行全局均值计算,并根据生成的源域和目标域分别对应的全局均值,生成桥接域电极数据。
S140、将源域深度特征数据和目标域深度特征数据输入至分类网络模型中的三维全连接层分别进行特征提取,得到源域深度特征数据对应的第一特征提取数据和目标域深度特征数据对应的第二特征提取数据,并根据第一特征提取数据、第二特征提取数据和桥接域电极数据,确定第一损失值。
示例性的,将源域深度特征数据输入至分类网络模型中的三维全连接层进行特征提取,得到源域深度特征数据对应的第一特征提取数据;以及,将目标域特征数据输入至分类网络模型中的三维全连接层进行特征提取,得到目标域深度特征数据对应的第二特征提取数据。根据第一特征提取数据和桥接域电极数据,确定源域损失值;以及,根据第二特征提取数据和桥接域电极数据,确定目标域损失值。将源域损失值和目标域损失值之和确定为第一损失值。
S150、将第一特征提取数据输入至分类网络模型中的全连接层,由全连接层进行运动类别预测,得到运动预测类别,并根据运动预测类别和源域电极数据对应的运动真实类别,确定第二损失值。
示例性的,将第一特征提取数据输入至分类模型中的全连接层,由全连接层对源域电极数据对应的运动类别进行预测,得到运动预测类别。其中,运动预测类别可以为左手动、右手动、左腿动和右腿动等类别,具体根据场景实际需求对运动类别进行预先设定。
根据模型输出的运动预测类别和源域电极数据对应的运动真实类别,基于预设的分类损失函数,确定第二损失值。
S160、根据第一损失值和第二损失值,对分类网络模型进行迭代训练,直到满足模型训练结束条件,得到目标运动想象脑电分类模型,用于进行跨用户的运动想象动作分类。
示例性的,确定第一损失值和第二损失值的损失值之和是否趋于稳定,若是,则可以确定模型迭代训练完成,得到目标运动想象脑电分类模型。其中,模型训练结束条件可以是损失值趋于稳定,也可以是达到预设迭代次数阈值,具体可以由相关技术人员进行预先设定。
本实施例得到的目标运动想象脑电分类模型可以用于跨用户之间的运动想象动作分类。在一个模型使用场景下,获取目标用户的目标电极数据,并将目标电极数据输入至目标运动想象脑电分类模型中,得到模型输出的目标用户的运动类别,例如,想象左手运动、想象右手运动、想象双脚运动和想象舌头运动等。
本发明实施例技术方案将源域电极数据和目标域电极数据输入至分类网络模型中,根据模型输出的源域深度特征数据和目标域深度特征数据,生成桥接域电极数据,同时将模型输出并输入至模型的三维全连接层进行特征提取,得到第一特征提取数据和第二特征提取数据,根据第一特征提取数据、第二特征提取数据和桥接域电极数据,确定第一损失值;将第一特征提取数据输入至模型的全连接层,并根据输出的运动预测类别和运动真实类别,确定第二损失值;根据第一损失值和第二损失值进行模型迭代训练,直到满足模型训练结束条件,得到目标运动想象脑电分类模型,用于进行跨用户的运动想象动作分类。上述技术方案通过结合源域深度特征和目标域深度特征,生成桥接域电极数据,解决了跨用户的时域电极数据分布差异问题,最小化了源域和目标域用户内和用户间的时域电极差异,完成了源域和目标域之间的数据对齐。通过结合源域深度特征数据、目标域深度特征数据和桥接域深度特征数据确定第一损失值,缩小了时间阶段间、用户间和电极间的分布差异性,提高了运动想象脑电分类模型的模型训练准确度,从而提高了运动想象分类的准确度。
实施例二
图2为本发明实施例二提供的一种运动想象脑电分类模型训练方法的流程图。本实施例在以上述实施例为基础上,进行了优化改进。
进一步的,源域电极数据和目标域电极数据由至少两个实验阶段下的不同电极通道的电极数据组成;相应的,将步骤“根据源域深度特征数据和目标域深度特征数据,生成桥接域电极数据”细化为“根据不同电极通道下的各实验阶段的电极数据分别对应的源域深度特征数据,确定各电极通道分别对应的源域电极全局均值;以及,根据不同电极通道下的各实验阶段的电极数据分别对应的目标域深度特征数据,确定各电极通道分别对应的目标域电极全局均值;根据源域电极全局均值和目标域电极全局均值,基于源域电极数据的源域数据量和目标域电极数据的目标域数据量,确定桥接域电极均值;根据桥接域电极均值,生成桥接域电极数据。”以完善桥接域电极数据的生成方式。
需要说明的是,在本发明实施例中未详述的部分,可参见其他实施例的表述。如图2所示,该方法包括以下具体步骤:
S210、获取源域电极数据和目标域电极数据;源域电极数据和目标域电极数据由至少两个实验阶段下的不同电极通道的电极数据组成。
S220、将源域电极数据和目标域电极数据输入至未经训练的分类网络模型中,得到分类网络模型中的空间特征提取器对源域电极数据进行特征提取后输出的源域深度特征数据,以及对目标域电极数据进行特征提取后输出的目标域深度特征数据。
S230、根据不同电极通道下的各实验阶段的电极数据分别对应的源域深度特征数据,确定各电极通道分别对应的源域电极全局均值。
示例性的,源域电极全局均值的确定方式可以如下:
其中,ns表示源域电极数据的样本数量;os表示源域实验阶段数目;e表示电极通道;表示第o实验阶段下的第e个电极通道下的第i个源域电极样本。
需要说明的是,源域电极全局均值为各电极通道下的源域电极数据的样本均值。因此,表示源域电极通道e对应的源域电极全局均值;各电极通道分别对应其源域电极全局均值。
S240、根据不同电极通道下的各实验阶段的电极数据分别对应的目标域深度特征数据,确定各电极通道分别对应的目标域电极全局均值。
示例性的,目标域电极全局均值的确定方式可以如下:
其中,nt表示目标域电极数据的样本数量;ot表示目标域实验阶段数目;e表示电极通道;表示第o实验阶段下的第e个电极通道下的第j个目标域电极样本。
需要说明的是,目标域电极全局均值为各电极通道下的目标域电极数据的样本均值。因此,表示目标域电极通道e对应的目标域电极全局均值;各电极通道分别对应其目标域电极全局均值。
S250、根据源域电极全局均值和目标域电极全局均值,基于源域电极数据的源域数据量和目标域电极数据的目标域数据量,确定桥接域电极均值。
示例性的,桥接域电极均值的确定方式可以如下:
其中,表示电极通道e的源域电极全局均值;/>表示电极通道e的目标域电极全局均值;ns表示源域电极数据的样本数量,也即源域数据量;nt表示目标域电极数据的样本数量,也即目标域数据量。
S260、根据桥接域电极均值,生成桥接域电极数据。
示例性的,可以根据源域电极全局均值、目标域电极全局均值和桥接域电极均值,基于双高斯扰动,生成桥接域电极数据。
在一个可选实施例中,根据桥接域电极均值,生成桥接域电极数据,包括:根据目标域数据量和源域数据量,确定目标特征标准差;其中,目标特征标准差为源域特征标准差或目标域特征标准差;源域特征标准差基于源域电极全局均值确定得到;目标域特征标准差基于目标域电极全局均值确定得到;根据桥接域电极均值,确定桥接域电极数据对应的桥接域标准差;根据目标特征标准差和桥接域标准差,生成桥接域电极数据。
示例性的,根据源域电极全局均值和源域电极数据,可以确定源域特征标准差;以及,根据目标域电极全局均值和目标域电极数据,可以确定目标域特征标准差,以及根据桥接域电极均值和桥接域电极数据,可以确定桥接域标准差。若目标域数据量大于源域数据量,则目标特征标准差为目标域特征标准差;若源域数据量大于目标域数据量,则目标特征标准差为源域特征标准差。若目标域数据量等于源域数据量,则从源域特征标准差或目标域特征标准差中随机选取一个作为目标特征标准差。或者,可选的,当使用桥接域数据对源域数据进行对齐时,则目标特征标准差为源域特征标准差。当使用桥接域数据对目标域数据进行对齐时,则目标特征标准差为目标域特征标准差。
示例性的,桥接域电极数据zg的确定方式可以如下:
其中,表示全一向量,能够将/>复制ng次,ng可以为桥接域电极通道数量;/>表示克罗内克积;/>可以表示桥接域电极均值;wG可以表示目标特征标准差;σg表示桥接域标准差;/>表示服从(0,1)的标准高斯噪声。
S270、将源域深度特征数据和目标域深度特征数据输入至分类网络模型中的三维全连接层分别进行特征提取,得到源域深度特征数据对应的第一特征提取数据和目标域深度特征数据对应的第二特征提取数据,并根据第一特征提取数据、第二特征提取数据和桥接域电极数据,确定第一损失值。
S280、将第一特征提取数据输入至分类网络模型中的全连接层,由全连接层进行运动类别预测,得到运动预测类别,并根据运动预测类别和源域电极数据对应的运动真实类别,确定第二损失值。
S290、根据第一损失值和第二损失值,对分类网络模型进行迭代训练,直到满足模型训练结束条件,得到目标运动想象脑电分类模型,用于进行跨用户的运动想象动作分类。
本实施例技术方案通过根据不同电极通道下的各实验阶段的电极数据分别对应的源域深度特征数据,确定各电极通道分别对应的源域电极全局均值;以及,根据不同电极通道下的各实验阶段的电极数据分别对应的目标域深度特征数据,确定各电极通道分别对应的目标域电极全局均值;根据源域电极全局均值和目标域电极全局均值,基于源域电极数据的源域数据量和目标域电极数据的目标域数据量,确定桥接域电极均值;根据桥接域电极均值,生成桥接域电极数据,上述技术方案通过在生成桥接域电极数据的过程中既考虑源域特征又考虑目标域特征,有效较少了跨用户和跨试验阶段以及电极数据之间的数据分布差异性,实现了对桥接域电极数据的生成。
实施例三
图3为本发明实施例三提供的一种运动想象脑电分类模型训练方法的流程图。本实施例在以上述实施例为基础上,进行了优化改进。
进一步的,将步骤“将源域深度特征数据和目标域深度特征数据输入至分类网络模型中的三维全连接层分别进行特征提取,得到源域深度特征数据对应的第一提取特征数据和目标域深度特征数据对应的第二特征提取数据,并根据第一特征提取数据、第二特征提取数据和桥接域电极数据,确定第一损失值”细化为“将源域深度特征数据输入至分类网络模型中的三维全连接层进行特征提取,得到源域深度特征数据对应的第一特征提取数据,并根据第一特征提取数据和所述桥接域电极数据,确定源域损失值;以及,将目标域深度特征数据输入至分类网络模型中的三维全连接层进行特征提取,得到目标域深度特征数据对应的第二特征提取数据,并根据第二特征提取数据和桥接域电极数据,确定目标域损失值;根据源域损失值和目标域损失值,确定第一损失值。”以完善第一损失值的确定方式。
需要说明的是,在本发明实施例中未详述的部分,可参见其他实施例的表述。如图3所示,该方法包括以下具体步骤:
S310、获取源域电极数据和目标域电极数据;
S320、将源域电极数据和目标域电极数据输入至未经训练的分类网络模型中,得到分类网络模型中的空间特征提取器对源域电极数据进行特征提取后输出的源域深度特征数据,以及对目标域电极数据进行特征提取后输出的目标域深度特征数据。
S330、根据源域深度特征数据和目标域深度特征数据,生成桥接域电极数据。
S340A、将源域深度特征数据输入至分类网络模型中的三维全连接层进行特征提取,得到源域深度特征数据对应的第一特征提取数据,并根据第一特征提取数据和桥接域电极数据,确定源域损失值。
其中,源域损失值可以用于描述源域电极数据和桥接域电极数据在不同实验阶段和不同电极通道之间的数据分布差异。其中可以包括两个适应阶段的损失值,两个适应阶段可以分别对应三维全连接层的第一三维全连接层进行特征提取阶段以及第二三维全全连接层进行特征提取阶段。
在一个可选实施例中,三维全连接层包括第一三维全连接层和第二三维全连接层;将源域深度特征数据输入至分类网络模型中的三维全连接层进行特征提取,得到源域深度特征数据对应的第一特征提取数据,并根据第一特征提取数据和桥接域电极数据,确定源域损失值,包括:将源域深度特征数据输入至第一三维全连接层进行特征提取,得到源域深度特征数据对应的第一阶段源域特征提取数据;将第一阶段源域特征提取数据输入至第二三维全连接层进行特征提取,得到源域深度特征数据对应的第二阶段源域特征提取数据;根据第一阶段源域特征提取数据和桥接域电极数据,确定第一阶段源域损失值;以及,根据第二阶段源域特征提取数据和桥接域电极数据,确定第二阶段源域损失值;根据第一阶段源域损失值和第二阶段源域损失值,确定源域损失值。
可选的,根据第一阶段源域特征提取数据和桥接域电极数据,确定第一阶段源域损失值,包括:确定第一阶段源域特征提取数据与桥接域电极数据之间的最大均值差异;以及,分别确定第一阶段源域特征提取数据对应的源域特征数据期望值和桥接域电极数据对应的桥接域数据期望值;根据最大均值差异、源域特征数据期望值和桥接域数据期望值,确定第一阶段源域损失值。
示例性的,根据最大均值差异、源域特征数据期望值和桥接域数据期望值,确定第一阶段源域损失值的方式可以如下:
其中,可以表示源域特征数据期望值;/>可以表示桥接域数据期望值;/>可以表示第一阶段源域特征提取数据的电极领域数据分布;/>可以表示桥接域电极数据的电极领域数据分布;/>可以表示第一特征提取阶段下的源域电极数据和桥接域电极数据之间的最大均值差异;其中,MMD(Maximum Mean Discrepancy,最大均值差异)表示最大均值差异计算函数。
示例性的,将上述第一阶段源域损失值的计算公式进行简化,得到简化式子如下:
其中,φ(·)可以表示非线性映射函数;H可以用于表示再生核希尔伯特空间(RKHS,Reproducing Kernel Hilbert Space),具体可以是将特征数据映射到RKHS中。可以表示第一阶段源域特征提取数据;zg表示桥接域电极数据;eg可以表示桥接域的电极通道数目;es可以表示源域的电极通道数目;os可以表示实验阶段数目;ns可以表示源域电极数据的样本数目;ng可以表示桥接域电极数据的样本数目。
可选的,根据第二阶段源域特征提取数据和桥接域电极数据,确定第二阶段源域损失值,包括:确定第二阶段源域特征提取数据与桥接域电极数据之间的最大均值差异;以及,分别确定第二阶段源域特征提取数据对应的源域特征数据期望值和桥接域电极数据对应的桥接域数据期望值;根据第二阶段下的最大均值差异、源域特征数据期望值和桥接域数据期望值,确定第二阶段源域损失值。
示例性的,根据第二阶段下的最大均值差异、源域特征数据期望值和桥接域数据期望值,确定第二阶段源域损失值的方式可以如下:
其中,可以表示源域特征数据期望值;/>可以表示桥接域数据期望值;/>可以表示第二阶段源域特征提取数据的电极领域数据分布;/>可以表示桥接域电极数据的电极领域数据分布;/>可以表示第二特征提取阶段下的源域电极数据和桥接域电极数据之间的最大均值差异;其中,MMD(Maximum Mean Discrepancy,最大均值差异)表示最大均值差异计算函数。
示例性的,将上述第二阶段源域损失值的计算公式进行简化,得到简化式子如下:
其中,φ(·)可以表示非线性映射函数;H可以用于表示再生核希尔伯特空间(RKHS,Reproducing Kernel Hilbert Space),具体可以是将特征数据映射到RKHS中。可以表示第二阶段源域特征提取数据;zg表示桥接域电极数据;eg可以表示桥接域的电极通道数目;es可以表示源域的电极通道数目;os可以表示实验阶段数目;ns可以表示源域电极数据的样本数目;ng可以表示桥接域电极数据的样本数目。
示例性的,根据第一阶段源域损失值和第二阶段源域损失值,确定源域损失值Ls的方式可以如下:
其中,可以表示第一阶段源域损失值;/>可以表示第二阶段源域损失值。
S340B、将目标域深度特征数据输入至分类网络模型中的三维全连接层进行特征提取,得到目标域深度特征数据对应的第二特征提取数据,并根据第二特征提取数据和桥接域电极数据,确定目标域损失值。
其中,目标域损失值可以用于描述目标域电极数据和桥接域电极数据在不同实验阶段和不同电极通道之间的数据分布差异。其中可以包括两个适应阶段的损失值,两个适应阶段可以分别对应三维全连接层的第三三维全连接层进行特征提取阶段以及第四三维全全连接层进行特征提取阶段。
在一个可选实施例中,三维全连接层包括第三三维全连接层和第四三维全连接层;将目标域深度特征数据输入至分类网络模型中的三维全连接层进行特征提取,得到目标域深度特征数据对应的第二特征提取数据,并根据第二特征提取数据和桥接域电极数据,确定目标域损失值,包括:将目标域深度特征数据输入至第三三维全连接层进行特征提取,得到目标域深度特征数据对应的第一阶段目标域特征提取数据;将第一阶段目标域特征提取数据输入至第四三维全连接层进行特征提取,得到目标域深度特征数据对应的第二阶段目标域特征提取数据;根据第一阶段目标域特征提取数据和桥接域电极数据,确定第一阶段目标域损失值;以及,根据第二阶段目标域特征提取数据和桥接域电极数据,确定第二阶段目标域损失值;根据第一阶段目标域损失值和第二阶段目标域损失值,确定目标域损失值。
可选的,根据第一阶段目标域特征提取数据和桥接域电极数据,确定第一阶段目标域损失值,包括:确定第一阶段目标域特征提取数据与桥接域电极数据之间的最大均值差异;以及,分别确定第一阶段目标域特征提取数据对应的目标域特征数据期望值和桥接域电极数据对应的桥接域数据期望值;根据最大均值差异、目标域特征数据期望值和桥接域数据期望值,确定第一阶段目标域损失值。
示例性的,根据第一阶段下的目标域与桥接域电极数据之间的最大均值差异、目标域特征数据期望值和桥接域数据期望值,确定第一阶段目标域损失值的方式可以如下:
其中,可以表示目标域特征数据期望值;/>可以表示桥接域数据期望值;可以表示第一阶段目标域特征提取数据的电极领域数据分布;/>可以表示桥接域电极数据的电极领域数据分布;/>可以表示第一特征提取阶段下的目标域电极数据和桥接域电极数据之间的最大均值差异;其中,MMD(Maximum Mean Discrepancy,最大均值差异)表示最大均值差异计算函数。
示例性的,将上述第一阶段目标域损失值的计算公式进行简化,得到简化式子如下:
其中,φ(·)可以表示非线性映射函数;H可以用于表示再生核希尔伯特空间(RKHS,Reproducing Kernel Hilbert Space),具体可以是将特征数据映射到RKHS中。可以表示第一阶段目标域特征提取数据;zg表示桥接域电极数据;eg可以表示桥接域的电极通道数目;et可以表示目标域的电极通道数目;ot可以表示实验阶段数目;nt可以表示目标域电极数据的样本数目;ng可以表示桥接域电极数据的样本数目。
可选的,根据第二阶段目标域特征提取数据和桥接域电极数据,确定第二阶段目标域损失值,包括:确定第二阶段目标域特征提取数据与桥接域电极数据之间的最大均值差异;以及,分别确定第二阶段目标域特征提取数据对应的目标域特征数据期望值和桥接域电极数据对应的桥接域数据期望值;根据第二阶段下的最大均值差异、目标域特征数据期望值和桥接域数据期望值,确定第二阶段目标域损失值。
示例性的,根据第二阶段下的目标域与桥接域电极数据之间的最大均值差异、目标域特征数据期望值和桥接域数据期望值,确定第二阶段目标域损失值的方式可以如下:
其中,可以表示目标域特征数据期望值;/>可以表示桥接域数据期望值;可以表示第二阶段目标域特征提取数据的电极领域数据分布;/>可以表示桥接域电极数据的电极领域数据分布;/>可以表示第二特征提取阶段下的目标域电极数据和桥接域电极数据之间的最大均值差异;其中,MMD(Maximum Mean Discrepancy,最大均值差异)表示最大均值差异计算函数。
示例性的,将上述第二阶段目标域损失值的计算公式进行简化,得到简化式子如下:
其中,φ(·)可以表示非线性映射函数;H可以用于表示再生核希尔伯特空间(RKHS,Reproducing Kernel Hilbert Space),具体可以是将特征数据映射到RKHS中。可以表示第二阶段目标域特征提取数据;zg表示桥接域电极数据;eg可以表示桥接域的电极通道数目;et可以表示目标域的电极通道数目;ot可以表示实验阶段数目;nt可以表示目标域电极数据的样本数目;ng可以表示桥接域电极数据的样本数目。
示例性的,根据第一阶段目标域损失值和第二阶段目标域损失值,确定目标域损失值Lt的方式可以如下:
其中,可以表示第一阶段目标域损失值;/>可以表示第二阶段目标域损失值。
S350、根据源域损失值和目标域损失值,确定第一损失值。
示例性的,根据源域损失值和目标域损失值,确定第一损失值L1的方式可以如下:
L1=Ls+Lt;
S360、将第一特征提取数据输入至分类网络模型中的全连接层,由全连接层进行运动类别预测,得到运动预测类别,并根据运动预测类别和源域电极数据对应的运动真实类别,确定第二损失值。
S370、根据第一损失值和第二损失值,对分类网络模型进行迭代训练,直到满足模型训练结束条件,得到目标运动想象脑电分类模型,用于进行跨用户的运动想象动作分类。
本实施例技术方案通过将源域深度特征数据输入至分类网络模型中的三维全连接层进行特征提取,得到源域深度特征数据对应的第一特征提取数据,并根据第一特征提取数据和桥接域电极数据,确定源域损失值;以及,将目标域深度特征数据输入至分类网络模型中的三维全连接层进行特征提取,得到目标域深度特征数据对应的第二特征提取数据,并根据第二特征提取数据和桥接域电极数据,确定目标域损失值;根据源域损失值和目标域损失值,确定第一损失值。上述技术方案在确定源域损失值和目标域损失值的过程中分别引入了桥接域电极数据,以及从两个自适应特征提取阶段,有效减少了跨实验阶段和电极之间的数据分布差异,提高了对源域损失值和目标域损失值的确定准确度,从而提高了模型训练准确度。
实施例四
图4为本发明实施例四提供的一种运动想象脑电分类模型的训练过程结构示意图。本实施例在以上述实施例为基础上,提供了一种优选实例。
在运动想象脑电分类模型训练过程中,首先,需要构建桥接域电极数据,其由源域电极数据和目标域电极数据的深度特征生成,包含来自所有实验阶段和电极通道的信息,表征了所有脑电图数据的共同数据分布。
在一个生成桥接域电极数据的具体实施例中,如图4所示的一种运动想象脑电分类模型的训练过程结构示意图,将源域电极数据和目标域电极数据分别输入至空间特征提取器中,得到空间特征提取器分别对源域电极数据进行特征提取后得到的源域电极数据的深度特征以及对目标域电极数据进行特征提取后得到的目标域电极数据的深度特征
根据不同电极通道下的各实验阶段的电极数据分别对应的源域深度特征数据,确定各电极通道分别对应的源域电极全局均值。示例性的,源域电极全局均值的确定方式可以如下:
其中,ns表示源域电极数据的样本数量;os表示源域实验阶段数目;e表示电极通道;表示第o实验阶段下的第e个电极通道下的第i个源域电极样本。
同理,根据不同电极通道下的各实验阶段的电极数据分别对应的目标域深度特征数据,确定各电极通道分别对应的目标域电极全局均值。目标域电极全局均值的确定方式可以如下:
其中,nt表示目标域电极数据的样本数量;ot表示目标域实验阶段数目;e表示电极通道;表示第o实验阶段下的第e个电极通道下的第j个目标域电极样本。
根据源域电极全局均值和目标域电极全局均值,基于源域电极数据的源域数据量和目标域电极数据的目标域数据量,确定桥接域电极均值
其中,表示电极通道e的源域电极全局均值;/>表示电极通道e的目标域电极全局均值;ns表示源域电极数据的样本数量,也即源域数据量;nt表示目标域电极数据的样本数量,也即目标域数据量。
示例性的,桥接域电极数据zg的确定方式可以如下:
其中,表示全一向量,将/>复制ng次,ng可以为桥接域电极通道数量;/>表示克罗内克积;/>可以表示桥接域电极均值;wG可以表示目标特征标准差;σg表示桥接域标准差;/>表示服从(0,1)的标准高斯噪声。
其次,构建源域时域电极损失函数,得到源域损失值,以及,构建目标域时域电极损失函数,得到目标域损失值。
示例性的,将源域深度特征数据输入至3D FCLayer1(第一三维全连接层)进行特征提取,得到源域深度特征数据对应的第一阶段源域特征提取数据将第一阶段源域特征提取数据/>输入至3D FCLayer2(第二三维全连接层)进行特征提取,得到源域深度特征数据对应的第二阶段源域特征提取数据/>根据第一阶段源域特征提取数据/>和桥接域电极数据zg,确定第一阶段源域损失值/>以及,根据第二阶段源域特征提取数据/>和桥接域电极数据zg,确定第二阶段源域损失值/>根据第一阶段源域损失值/>和第二阶段源域损失值/>确定源域损失值Ls。
示例性的,将目标域深度特征数据输入至3D FCLayer1(第三三维全连接层)进行特征提取,得到目标域深度特征数据对应的第一阶段目标域特征提取数据将第一阶段目标域特征提取数据/>输入至3D FCLayer2(第四三维全连接层)进行特征提取,得到目标域深度特征数据对应的第二阶段目标域特征提取数据/>根据第一阶段目标域特征提取数据/>和桥接域电极数据zg,确定第一阶段目标域损失值/>以及,根据第二阶段目标域特征提取数据/>和桥接域电极数据zg,确定第二阶段目标域损失值/>根据第一阶段目标域损失值/>和第二阶段目标域损失值/>确定目标域损失值Lt。
将第二阶段目标域特征提取数据输入至FCLayer3(全连接层)中,由FCLayer3进行运动类别预测,得到预测结果;根据预测结果和源域电极数据对应的源域标签,确定分类损失值Lcls。根据源域损失值、目标域损失值和分类损失值,对分类网络模型进行迭代训练,迭代更新模型权重参数,直到满足模型训练结束条件,得到完成迭代的运动想象脑电分类模型。
可选的,在模型训练结束后,还可以对训练完成的运动想象脑电分类模型进行测试。在一个具体实施例中,将待测试的目标域电极数据输入至训练完成的运动想象脑电分类模型中,由空间特征提取器进行数据特征提取,并将特征提取后的数据输入第一阶段的三维全连接层进行特征提取,得到第一特征提取结果;将第一特征提取结果输入至第二阶段的三维全连接层进行特征提取,得到第二特征提取结果;将第二特征提取结果和桥接域电极数据输入至三维全连接层进行运动类别预测,得到运动预测类别,从而测试模型输出结果的准确性。
实施例五
图5为本发明实施例五提供的一种运动想象脑电分类模型训练装置的结构示意图。本发明实施例所提供的一种运动想象脑电分类模型训练装置,该装置可适用于进行基于脑电的跨用户的运动想象动作分类的情况,该运动想象脑电分类模型训练装置可以采用硬件和/或软件的形式实现,如图5所示,该装置具体包括:电极数据获取模块501、深度特征提取模块502、桥接域数据生成模块503、第一损失值确定模块504、第二损失值确定模块505和目标分类模型生成模块506。其中,
电极数据获取模块501,用于获取源域电极数据和目标域电极数据;
深度特征提取模块502,用于将所述源域电极数据和所述目标域电极数据输入至未经训练的分类网络模型中,得到所述分类网络模型中的空间特征提取器对所述源域电极数据进行特征提取后输出的源域深度特征数据,以及对所述目标域电极数据进行特征提取后输出的目标域深度特征数据;
桥接域数据生成模块503,用于根据所述源域深度特征数据和所述目标域深度特征数据,生成桥接域电极数据;
第一损失值确定模块504,用于将所述源域深度特征数据和所述目标域深度特征数据输入至所述分类网络模型中的三维全连接层分别进行特征提取,得到所述源域深度特征数据对应的第一特征提取数据和所述目标域深度特征数据对应的第二特征提取数据,并根据所述第一特征提取数据、所述第二特征提取数据和所述桥接域电极数据,确定第一损失值;
第二损失值确定模块505,用于将所述第一特征提取数据输入至所述分类网络模型中的全连接层,由所述全连接层进行运动类别预测,得到运动预测类别,并根据所述运动预测类别和所述源域电极数据对应的运动真实类别,确定第二损失值;
目标分类模型生成模块506,用于根据所述第一损失值和所述第二损失值,对所述分类网络模型进行迭代训练,直到满足模型训练结束条件,得到目标运动想象脑电分类模型,用于进行跨用户的运动想象动作分类。
本发明实施例技术方案将源域电极数据和目标域电极数据输入至分类网络模型中,根据模型输出的源域深度特征数据和目标域深度特征数据,生成桥接域电极数据,同时将模型输出并输入至模型的三维全连接层进行特征提取,得到第一特征提取数据和第二特征提取数据,根据第一特征提取数据、第二特征提取数据和桥接域电极数据,确定第一损失值;将第一特征提取数据输入至模型的全连接层,并根据输出的运动预测类别和运动真实类别,确定第二损失值;根据第一损失值和第二损失值进行模型迭代训练,直到满足模型训练结束条件,得到目标运动想象脑电分类模型,用于进行跨用户的运动想象动作分类。上述技术方案通过结合源域深度特征和目标域深度特征,生成桥接域电极数据,解决了跨用户的时域电极数据分布差异问题,最小化了源域和目标域用户内和用户间的时域电极差异,完成了源域和目标域之间的数据对齐。通过结合源域深度特征数据、目标域深度特征数据和桥接域深度特征数据确定第一损失值,缩小了时间阶段间、用户间和电极间的分布差异性,提高了运动想象脑电分类模型的模型训练准确度,从而提高了运动想象分类的准确度。
可选的,所述源域电极数据和所述目标域电极数据由至少两个实验阶段下的不同电极通道的电极数据组成;
相应的,所述桥接域数据生成模块503,包括:
源域均值确定单元,用于根据不同电极通道下的各实验阶段的电极数据分别对应的源域深度特征数据,确定各电极通道分别对应的源域电极全局均值;以及,
目标域均值确定单元,用于根据不同电极通道下的各实验阶段的电极数据分别对应的目标域深度特征数据,确定各电极通道分别对应的目标域电极全局均值;
桥接域均值确定单元,用于根据所述源域电极全局均值和所述目标域电极全局均值,基于所述源域电极数据的源域数据量和所述目标域电极数据的目标域数据量,确定桥接域电极均值;
桥接域数据生成单元,用于根据所述桥接域电极均值,生成桥接域电极数据。
可选的,所述桥接域数据生成单元,包括:
目标标准差确定子单元,用于根据所述目标域数据量和所述源域数据量,确定目标特征标准差;所述目标特征标准差为源域特征标准差或目标域特征标准差;所述源域特征标准差基于所述源域电极全局均值确定得到;所述目标域特征标准差基于所述目标域电极全局均值确定得到;
桥接域标准差确定子单元,用于根据所述桥接域电极均值,确定所述桥接域电极数据对应的桥接域标准差;
桥接域电极数据生成子单元,用于根据所述目标特征标准差和所述桥接域标准差,生成桥接域电极数据。
可选的,第一损失值确定模块504,包括:
源域损失值确定单元,用于将所述源域深度特征数据输入至所述分类网络模型中的三维全连接层进行特征提取,得到所述源域深度特征数据对应的第一特征提取数据,并根据所述第一特征提取数据和所述桥接域电极数据,确定源域损失值;以及,
目标域损失值确定单元,用于将所述目标域深度特征数据输入至所述分类网络模型中的三维全连接层进行特征提取,得到所述目标域深度特征数据对应的第二特征提取数据,并根据所述第二特征提取数据和所述桥接域电极数据,确定目标域损失值;
第一损失值确定单元,用于根据所述源域损失值和所述目标域损失值,确定第一损失值。
可选的,所述三维全连接层包括第一三维全连接层和第二三维全连接层;相应的,所述源域损失值确定单元,包括:
第一阶段源域特征提取子单元,用于将所述源域深度特征数据输入至所述第一三维全连接层进行特征提取,得到所述源域深度特征数据对应的第一阶段源域特征提取数据;
第二阶段源域特征提取子单元,用于将所述第一阶段源域特征提取数据输入至所述第二三维全连接层进行特征提取,得到所述源域深度特征数据对应的第二阶段源域特征提取数据;
第一阶段源域损失值确定子单元,用于根据所述第一阶段源域特征提取数据和所述桥接域电极数据,确定第一阶段源域损失值;以及,
第二阶段源域损失值确定子单元,用于根据所述第二阶段源域特征提取数据和所述桥接域电极数据,确定第二阶段源域损失值;
源域损失值确定子单元,用于根据所述第一阶段源域损失值和所述第二阶段源域损失值,确定源域损失值。
可选的,所述第一阶段源域特征提取子单元,具体用于:
确定第一阶段源域特征提取数据与所述桥接域电极数据之间的最大均值差异;以及,
分别确定所述第一阶段源域特征提取数据对应的源域特征数据期望值和所述桥接域电极数据对应的桥接域数据期望值;
根据所述最大均值差异、所述源域特征数据期望值和所述桥接域数据期望值,确定第一阶段源域损失值。
可选的,所述三维全连接层包括第三三维全连接层和第四三维全连接层;相应的,所述目标域损失值确定单元,包括:
第一阶段目标域特征提取子单元,用于将所述目标域深度特征数据输入至所述第三三维全连接层进行特征提取,得到所述目标域深度特征数据对应的第一阶段目标域特征提取数据;
第二阶段目标域特征提取子单元,用于将所述第一阶段目标域特征提取数据输入至所述第四三维全连接层进行特征提取,得到所述目标域深度特征数据对应的第二阶段目标域特征提取数据;
第一阶段目标域损失值确定子单元,用于根据所述第一阶段目标域特征提取数据和所述桥接域电极数据,确定第一阶段目标域损失值;以及,
第二阶段目标域损失值确定子单元,用于根据所述第二阶段目标域特征提取数据和所述桥接域电极数据,确定第二阶段目标域损失值;
目标域损失值确定子单元,用于根据所述第一阶段目标域损失值和所述第二阶段目标域损失值,确定目标域损失值。
本发明实施例所提供的运动想象脑电分类模型训练装置可执行本发明任意实施例所提供的运动想象脑电分类模型训练方法,具备执行方法相应的功能模块和有益效果。
实施例六
图6示出了可以用来实施本发明的实施例的电子设备60的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备60包括至少一个处理器61,以及与至少一个处理器61通信连接的存储器,如只读存储器(ROM)62、随机访问存储器(RAM)63等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器61可以根据存储在只读存储器(ROM)62中的计算机程序或者从存储单元68加载到随机访问存储器(RAM)63中的计算机程序,来执行各种适当的动作和处理。在RAM 63中,还可存储电子设备60操作所需的各种程序和数据。处理器61、ROM 62以及RAM 63通过总线64彼此相连。输入/输出(I/O)接口65也连接至总线64。
电子设备60中的多个部件连接至I/O接口65,包括:输入单元66,例如键盘、鼠标等;输出单元67,例如各种类型的显示器、扬声器等;存储单元68,例如磁盘、光盘等;以及通信单元69,例如网卡、调制解调器、无线通信收发机等。通信单元69允许电子设备60通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器61可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器61的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器61执行上文所描述的各个方法和处理,例如运动想象脑电分类模型训练方法。
在一些实施例中,运动想象脑电分类模型训练方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元68。在一些实施例中,计算机程序的部分或者全部可以经由ROM 62和/或通信单元69而被载入和/或安装到电子设备60上。当计算机程序加载到RAM 63并由处理器61执行时,可以执行上文描述的运动想象脑电分类模型训练方法的一个或多个步骤。备选地,在其他实施例中,处理器61可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行运动想象脑电分类模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种运动想象脑电分类模型训练方法,其特征在于,包括:
获取源域电极数据和目标域电极数据;
将所述源域电极数据和所述目标域电极数据输入至未经训练的分类网络模型中,得到所述分类网络模型中的空间特征提取器对所述源域电极数据进行特征提取后输出的源域深度特征数据,以及对所述目标域电极数据进行特征提取后输出的目标域深度特征数据;
根据所述源域深度特征数据和所述目标域深度特征数据,生成桥接域电极数据;
将所述源域深度特征数据和所述目标域深度特征数据输入至所述分类网络模型中的三维全连接层分别进行特征提取,得到所述源域深度特征数据对应的第一特征提取数据和所述目标域深度特征数据对应的第二特征提取数据,并根据所述第一特征提取数据、所述第二特征提取数据和所述桥接域电极数据,确定第一损失值;
将所述第一特征提取数据输入至所述分类网络模型中的全连接层,由所述全连接层进行运动类别预测,得到运动预测类别,并根据所述运动预测类别和所述源域电极数据对应的运动真实类别,确定第二损失值;
根据所述第一损失值和所述第二损失值,对所述分类网络模型进行迭代训练,直到满足模型训练结束条件,得到目标运动想象脑电分类模型,用于进行跨用户的运动想象动作分类。
2.根据权利要求1所述的方法,其特征在于,所述源域电极数据和所述目标域电极数据由至少两个实验阶段下的不同电极通道的电极数据组成;
相应的,根据所述源域深度特征数据和所述目标域深度特征数据,生成桥接域电极数据,包括:
根据不同电极通道下的各实验阶段的电极数据分别对应的源域深度特征数据,确定各电极通道分别对应的源域电极全局均值;以及,
根据不同电极通道下的各实验阶段的电极数据分别对应的目标域深度特征数据,确定各电极通道分别对应的目标域电极全局均值;
根据所述源域电极全局均值和所述目标域电极全局均值,基于所述源域电极数据的源域数据量和所述目标域电极数据的目标域数据量,确定桥接域电极均值;
根据所述桥接域电极均值,生成桥接域电极数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述桥接域电极均值,生成桥接域电极数据,包括:
根据所述目标域数据量和所述源域数据量,确定目标特征标准差;所述目标特征标准差为源域特征标准差或目标域特征标准差;所述源域特征标准差基于所述源域电极全局均值确定得到;所述目标域特征标准差基于所述目标域电极全局均值确定得到;
根据所述桥接域电极均值,确定所述桥接域电极数据对应的桥接域标准差;
根据所述目标特征标准差和所述桥接域标准差,生成桥接域电极数据。
4.根据权利要求1所述的方法,其特征在于,所述将所述源域深度特征数据和所述目标域深度特征数据输入至所述分类网络模型中的三维全连接层分别进行特征提取,得到所述源域深度特征数据对应的第一提取特征数据和所述目标域深度特征数据对应的第二特征提取数据,并根据所述第一特征提取数据、所述第二特征提取数据和所述桥接域电极数据,确定第一损失值,包括:
将所述源域深度特征数据输入至所述分类网络模型中的三维全连接层进行特征提取,得到所述源域深度特征数据对应的第一特征提取数据,并根据所述第一特征提取数据和所述桥接域电极数据,确定源域损失值;以及,
将所述目标域深度特征数据输入至所述分类网络模型中的三维全连接层进行特征提取,得到所述目标域深度特征数据对应的第二特征提取数据,并根据所述第二特征提取数据和所述桥接域电极数据,确定目标域损失值;
根据所述源域损失值和所述目标域损失值,确定第一损失值。
5.根据权利要求4所述的方法,其特征在于,所述三维全连接层包括第一三维全连接层和第二三维全连接层;
相应的,所述将所述源域深度特征数据输入至所述分类网络模型中的三维全连接层进行特征提取,得到所述源域深度特征数据对应的第一特征提取数据,并根据所述第一特征提取数据和所述桥接域电极数据,确定源域损失值,包括:
将所述源域深度特征数据输入至所述第一三维全连接层进行特征提取,得到所述源域深度特征数据对应的第一阶段源域特征提取数据;
将所述第一阶段源域特征提取数据输入至所述第二三维全连接层进行特征提取,得到所述源域深度特征数据对应的第二阶段源域特征提取数据;
根据所述第一阶段源域特征提取数据和所述桥接域电极数据,确定第一阶段源域损失值;以及,
根据所述第二阶段源域特征提取数据和所述桥接域电极数据,确定第二阶段源域损失值;
根据所述第一阶段源域损失值和所述第二阶段源域损失值,确定源域损失值。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一阶段源域特征提取数据和所述桥接域电极数据,确定第一阶段源域损失值,包括:
确定第一阶段源域特征提取数据与所述桥接域电极数据之间的最大均值差异;以及,
分别确定所述第一阶段源域特征提取数据对应的源域特征数据期望值和所述桥接域电极数据对应的桥接域数据期望值;
根据所述最大均值差异、所述源域特征数据期望值和所述桥接域数据期望值,确定第一阶段源域损失值。
7.根据权利要求4所述的方法,其特征在于,所述三维全连接层包括第三三维全连接层和第四三维全连接层;
相应的,所述将所述目标域深度特征数据输入至所述分类网络模型中的三维全连接层进行特征提取,得到所述目标域深度特征数据对应的第二特征提取数据,并根据所述第二特征提取数据和所述桥接域电极数据,确定目标域损失值,包括:
将所述目标域深度特征数据输入至所述第三三维全连接层进行特征提取,得到所述目标域深度特征数据对应的第一阶段目标域特征提取数据;
将所述第一阶段目标域特征提取数据输入至所述第四三维全连接层进行特征提取,得到所述目标域深度特征数据对应的第二阶段目标域特征提取数据;
根据所述第一阶段目标域特征提取数据和所述桥接域电极数据,确定第一阶段目标域损失值;以及,
根据所述第二阶段目标域特征提取数据和所述桥接域电极数据,确定第二阶段目标域损失值;
根据所述第一阶段目标域损失值和所述第二阶段目标域损失值,确定目标域损失值。
8.一种运动想象脑电分类模型训练装置,其特征在于,包括:
电极数据获取模块,用于获取源域电极数据和目标域电极数据;
深度特征提取模块,用于将所述源域电极数据和所述目标域电极数据输入至未经训练的分类网络模型中,得到所述分类网络模型中的空间特征提取器对所述源域电极数据进行特征提取后输出的源域深度特征数据,以及对所述目标域电极数据进行特征提取后输出的目标域深度特征数据;
桥接域数据生成模块,用于根据所述源域深度特征数据和所述目标域深度特征数据,生成桥接域电极数据;
第一损失值确定模块,用于将所述源域深度特征数据和所述目标域深度特征数据输入至所述分类网络模型中的三维全连接层分别进行特征提取,得到所述源域深度特征数据对应的第一特征提取数据和所述目标域深度特征数据对应的第二特征提取数据,并根据所述第一特征提取数据、所述第二特征提取数据和所述桥接域电极数据,确定第一损失值;
第二损失值确定模块,用于将所述第一特征提取数据输入至所述分类网络模型中的全连接层,由所述全连接层进行运动类别预测,得到运动预测类别,并根据所述运动预测类别和所述源域电极数据对应的运动真实类别,确定第二损失值;
目标分类模型生成模块,用于根据所述第一损失值和所述第二损失值,对所述分类网络模型进行迭代训练,直到满足模型训练结束条件,得到目标运动想象脑电分类模型,用于进行跨用户的运动想象动作分类。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的运动想象脑电分类模型训练方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的运动想象脑电分类模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410212894.4A CN118114197A (zh) | 2024-02-27 | 2024-02-27 | 运动想象脑电分类模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410212894.4A CN118114197A (zh) | 2024-02-27 | 2024-02-27 | 运动想象脑电分类模型训练方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118114197A true CN118114197A (zh) | 2024-05-31 |
Family
ID=91213111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410212894.4A Pending CN118114197A (zh) | 2024-02-27 | 2024-02-27 | 运动想象脑电分类模型训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118114197A (zh) |
-
2024
- 2024-02-27 CN CN202410212894.4A patent/CN118114197A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657465B (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN111860573B (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
CN109376267B (zh) | 用于生成模型的方法和装置 | |
CN109447156B (zh) | 用于生成模型的方法和装置 | |
CN105488539B (zh) | 分类模型的生成方法及装置、系统容量的预估方法及装置 | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN110809768B (zh) | 数据清洗系统和方法 | |
CN112818227B (zh) | 内容推荐方法、装置、电子设备及存储介质 | |
JP2022160646A (ja) | ビデオジッタの検出方法、装置、電子機器および記憶媒体 | |
CN114048322A (zh) | 知识图谱的噪声识别方法、装置及计算机可读存储介质 | |
CN114882315B (zh) | 样本生成方法、模型训练方法、装置、设备及介质 | |
CN115861255A (zh) | 用于图像处理的模型训练方法、装置、设备、介质及产品 | |
CN113657466B (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN112784102B (zh) | 视频检索方法、装置和电子设备 | |
CN116795615A (zh) | 一种芯片评测方法、系统、电子设备和存储介质 | |
CN118114197A (zh) | 运动想象脑电分类模型训练方法、装置、设备及存储介质 | |
CN116524475A (zh) | 生成推荐妆容的方法及装置、车辆、电子设备和存储介质 | |
CN115994243A (zh) | 跨模态检索模型处理方法、装置、设备、产品及介质 | |
CN113569581B (zh) | 意图识别方法、装置、设备及存储介质 | |
CN115457365A (zh) | 一种模型的解释方法、装置、电子设备及存储介质 | |
CN113627354B (zh) | 模型训练、视频处理方法,装置,设备以及存储介质 | |
CN112541705B (zh) | 生成用户行为评估模型的方法、装置、设备以及存储介质 | |
CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
CN113282839A (zh) | 一种互联网数据推送处理方法及系统 | |
CN111582404A (zh) | 内容分类方法、装置及可读存储介质 |
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 |