【技術實現(xiàn)步驟摘要】
本申請涉及腦機接口，尤其涉及一種跨域腦電特征分布對齊方法、裝置、計算機設備及介質。
技術介紹
1、當前，將腦電信號技術應用于實際的人機交互場景中仍面臨諸多挑戰(zhàn)。首先,腦電信號是一種微弱的生物電信號,極易受到環(huán)境電磁噪聲、生理噪聲(如眼電、肌電等)以及測量設備本身噪聲的干擾,需要采用有效的預處理手段(如濾波、去噪、基線校正等)來提高信號質量。其次,不同個體的腦電信號存在較大差異,這種個體差異來源于大腦結構和功能的復雜性,給腦電模式的通用化識別帶來了困難。因此,需要開發(fā)跨域數(shù)據(jù)對齊技術,彌合不同個體之間的腦電信號分布差異。
2、現(xiàn)有的跨域對齊方法對于緩解個體差異、提高腦電信號分析的泛化能力確實發(fā)揮了一定作用。但是,它們大多只考慮了源域和目標域數(shù)據(jù)在整體上的分布對齊,忽視了腦電信號本身的時空結構特征。事實上,腦電信號作為一種時間序列信號,不僅具有整體的分布特征,而且在時間和空間(即信號通道)上也存在獨特的結構模式,這些結構模式對于反映人類認知過程和行為決策具有重要意義。因此,有必要開發(fā)新的跨域對齊技術,能夠在保持腦電信號時空結構特征的同時,實現(xiàn)源域和目標域數(shù)據(jù)的分布對齊,進一步提高模式識別和意圖預測的準確性。
技術實現(xiàn)思路
1、本申請?zhí)峁┝艘环N跨域腦電特征分布對齊方法，旨在解決現(xiàn)有的跨域對齊方法只考慮了源域和目標域數(shù)據(jù)在整體上的分布對齊,忽視了腦電信號本身的時空結構特征的問題。所提供的方法能夠在保持腦電信號時空結構特征的同時,實現(xiàn)源域和目標域數(shù)據(jù)的分布對齊,進一步提高模式識別
2、第一方面，本申請?zhí)峁┝艘环N跨域腦電特征分布對齊方法，包括：
3、獲取待對齊的原始腦電數(shù)據(jù)，對原始腦電數(shù)據(jù)進行預處理，獲取標準腦電數(shù)據(jù)和標簽信息；
4、根據(jù)標準腦電數(shù)據(jù)對應的時間點信息和通道信息，構建原始腦電數(shù)據(jù)對應的腦電數(shù)據(jù)矩陣；
5、將腦電數(shù)據(jù)矩陣輸入至預設的卷積神經(jīng)網(wǎng)絡，輸出腦電數(shù)據(jù)矩陣對應的全局特征；
6、將全局特征輸入至預設的廣義低秩近似分解模型,將全局特征分解為低秩分量和稀疏分量，分別對低秩分量和稀疏分量進行特征選取，輸出低秩特征通道數(shù)據(jù)和稀疏特征通道數(shù)據(jù)；
7、分別計算低秩特征通道數(shù)據(jù)和稀疏特征通道數(shù)據(jù)與預設的專家知識數(shù)據(jù)的相似度信息，根據(jù)相似度信息在低秩特征通道數(shù)據(jù)和稀疏特征通道中確定目標特征通道數(shù)據(jù)；
8、根據(jù)迭代特征對齊算法對目標特征通道數(shù)據(jù)進行跨域數(shù)據(jù)的特征分布對齊,輸出對齊后的目標特征通道數(shù)據(jù)；其中，在迭代特征對齊算法中，原始腦電數(shù)據(jù)為目標域數(shù)據(jù)，標準腦電數(shù)據(jù)和標簽信息為源域數(shù)據(jù)，完成對原始腦電數(shù)據(jù)的特征分布對齊。
9、第二方面，本申請?zhí)峁┝艘环N跨域腦電特征分布對齊裝置，包括：
10、數(shù)據(jù)獲取模塊，用于獲取待對齊的原始腦電數(shù)據(jù)，對所述原始腦電數(shù)據(jù)進行預處理，獲取標準腦電數(shù)據(jù)和標簽信息；
11、矩陣構建模塊，用于根據(jù)所述標準腦電數(shù)據(jù)對應的時間點信息和通道信息，構建所述原始腦電數(shù)據(jù)對應的腦電數(shù)據(jù)矩陣；
12、特征輸出模塊，用于將所述腦電數(shù)據(jù)矩陣輸入至預設的卷積神經(jīng)網(wǎng)絡，輸出所述腦電數(shù)據(jù)矩陣對應的全局特征；
13、特征分解模塊，用于將所述全局特征輸入至預設的廣義低秩近似分解模型,將所述全局特征分解為低秩分量和稀疏分量，分別對所述低秩分量和稀疏分量進行特征選取，輸出低秩特征通道數(shù)據(jù)和稀疏特征通道數(shù)據(jù)；
14、相似計算模塊，用于分別計算所述低秩特征通道數(shù)據(jù)和稀疏特征通道數(shù)據(jù)與預設的專家知識數(shù)據(jù)的第一相似度，根據(jù)所述第一相似度在所述低秩特征通道數(shù)據(jù)和稀疏特征通道中確定目標特征通道數(shù)據(jù)；
15、數(shù)據(jù)對齊模塊，用于根據(jù)迭代特征對齊算法對所述目標特征通道數(shù)據(jù)進行跨域數(shù)據(jù)的特征分布對齊,輸出對齊后的所述目標特征通道數(shù)據(jù)；其中，在所述迭代特征對齊算法中，所述原始腦電數(shù)據(jù)為目標域數(shù)據(jù)，所述標準腦電數(shù)據(jù)和標簽信息為源域數(shù)據(jù)，完成對所述原始腦電數(shù)據(jù)的特征分布對齊。
16、第三方面，本申請?zhí)峁┝艘环N計算機設備，所述計算機設備包括存儲器和處理器；所述存儲器用于存儲計算機程序；所述處理器，用于執(zhí)行所述計算機程序并在執(zhí)行所述計算機程序時實現(xiàn)本申請實施例所提供的任一項跨域腦電特征分布對齊方法的步驟。
17、第四方面，本申請?zhí)峁┝艘环N計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時使所述處理器實現(xiàn)本申請實施例所提供的任一項跨域腦電特征分布對齊方法的步驟。
18、與現(xiàn)有技術相比，本申請至少具備以下有益效果：
19、1.提高了腦電信號時空特征解析能力。該方案采用了分級的時空特征提取和編碼策略,能夠高保真地解析和刻畫腦電信號蘊含的認知動力學信息。首先利用卷積神經(jīng)網(wǎng)絡對原始腦電數(shù)據(jù)進行編碼,提取全局時空特征。然后通過廣義低秩分解將全局特征分為大尺度低秩分量和小尺度稀疏分量,分別捕捉緩變和突變特性。最后基于專家知識對這兩類特征進行功能解釋,從而賦予特征以時空語義。這種分級提取和解釋策略,使得該方案能夠高效挖掘腦電信號中蘊含的多尺度時空模式,為后續(xù)認知狀態(tài)分類預測任務提供了高質量的特征支持。
20、2.實現(xiàn)跨個體腦電特征分布的高質量對齊。個體差異導致不同個體的腦電信號在時空分布上存在差異,給基于腦電的模式識別帶來挑戰(zhàn)。該方案引入了迭代特征對齊算法,利用核均值匹配等技術將源域帶標簽數(shù)據(jù)與目標域無標簽數(shù)據(jù)的特征分布對齊,最小化了個體差異影響。同時通過對齊質量評估和反饋優(yōu)化,確保了對齊效果可靠。高質量的特征分布對齊大幅提高了認知狀態(tài)識別模型的泛化能力,是實現(xiàn)個性化人機交互的關鍵所在。
21、3.建立認知動力學時序預測模型?；跁r空特征和對齊后分布,該方案構建了門控循環(huán)單元(gru)時間序列模型,能夠預測大尺度低秩和小尺度稀疏腦電模式未來的演化趨勢,為智能交互系統(tǒng)調節(jié)策略、前瞻性交互等提供支持。通過解碼時序預測輸出,還可預判用戶未來可能的操控意圖和情感狀態(tài),具備"預知"用戶預期行為的能力,擴展了腦電技術的應用場景。
22、應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本申請。
本文檔來自技高網(wǎng)...【技術保護點】
1.一種跨域腦電特征分布對齊方法，其特征在于，包括：
2.根據(jù)權利要求1所述的方法，其特征在于，所述對所述原始腦電數(shù)據(jù)進行預處理，包括：
3.根據(jù)權利要求1所述的方法，其特征在于，所述根據(jù)迭代特征對齊算法對所述目標特征通道數(shù)據(jù)進行跨域數(shù)據(jù)的特征分布對齊，包括：
4.根據(jù)權利要求3所述的方法，其特征在于，在所述根據(jù)迭代特征對齊算法對所述目標特征通道數(shù)據(jù)進行跨域數(shù)據(jù)的特征分布對齊之前，還包括：
5.根據(jù)權利要求3所述的方法，其特征在于，在所述輸出對齊后的所述目標特征通道數(shù)據(jù)和特征分布相似度評分之后，還包括：
6.根據(jù)權利要求1所述的方法，其特征在于，在所述對所述原始腦電數(shù)據(jù)進行預處理之前，還包括：獲取所述原始腦電數(shù)據(jù)對應的用戶操作數(shù)據(jù)和主觀反饋數(shù)據(jù)；在所述輸出對齊后的所述目標特征通道數(shù)據(jù)之后，還包括：
7.根據(jù)權利要求6所述的方法，其特征在于，所述用戶佩戴有虛擬現(xiàn)實裝置和腦電采集裝置，所述腦電采集裝置用于采集所述用戶操控所述虛擬現(xiàn)實裝置時的所述原始腦電信號；在所述獲取所述原始腦電數(shù)據(jù)對應的用戶的認知狀態(tài)識別結果之
8.一種跨域腦電特征分布對齊裝置，其特征在于，包括：
9.一種計算機設備，其特征在于，所述計算機設備包括存儲器和處理器；
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時使所述處理器實現(xiàn)如權利要求1至7中任一項所述的跨域腦電特征分布對齊方法的步驟。
...【技術特征摘要】
1.一種跨域腦電特征分布對齊方法，其特征在于，包括：
2.根據(jù)權利要求1所述的方法，其特征在于，所述對所述原始腦電數(shù)據(jù)進行預處理，包括：
3.根據(jù)權利要求1所述的方法，其特征在于，所述根據(jù)迭代特征對齊算法對所述目標特征通道數(shù)據(jù)進行跨域數(shù)據(jù)的特征分布對齊，包括：
4.根據(jù)權利要求3所述的方法，其特征在于，在所述根據(jù)迭代特征對齊算法對所述目標特征通道數(shù)據(jù)進行跨域數(shù)據(jù)的特征分布對齊之前，還包括：
5.根據(jù)權利要求3所述的方法，其特征在于，在所述輸出對齊后的所述目標特征通道數(shù)據(jù)和特征分布相似度評分之后，還包括：
6.根據(jù)權利要求1所述的方法，其特征在于，在所述對所述原始腦電數(shù)據(jù)進行預處理之前，還包括：獲取所述原始腦電數(shù)...
【專利技術屬性】
技術研發(fā)人員：李越，唐海波，遲碩，
申請(專利權)人：小舟科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。