【技術實現步驟摘要】
本專利技術涉及腦電數據分析，具體為一種基于腦電數據的用戶偏好建模方法。
技術介紹
1、腦電圖(eeg)在評估用戶偏好上展現出了它的成本效益優勢，使其在工業領域具有廣泛的應用前景。借助腦電信號，本專利技術能夠提取豐富的信息，從而更為準確地揭示和評估用戶的偏好，過去，許多研究者已嘗試應用如k-nearestneighbor(knn)、支持向量機(svm)和xgboost等傳統機器學習分類器，旨在捕捉并衡量用戶的偏好和相關的決策機制。但這些方法的準確率在60％至80％之間，其表現尚有提升空間，相較于這些傳統方法，深度神經網絡展現出了其出色的性能，為用戶的偏好程度提供了一種更為穩定和精確的評估手段；
2、以下列舉一些相近的技術方案：
3、1)theapplicationofeegpowerforthepredictionandinterpretationofconsumerdecision-making:aneuromarketingstudy
4、在此研究中，通過使用支持向量機(svm)和線性判別分析(lda)分類器，嘗試通過“喜歡”和“不喜歡”對被試偏好進行分類；然而，得到的63％的準確率表明這種方法的效果仍有待提高；
5、2)deeplearningwithconvolutionalneuralnetworksforeegdecodingandvisualization
6、此研究結合了深度卷積網絡和淺層網絡技術，旨在更準確地解碼eeg數據；
7、3)eegn
8、該研究提出了一個專為腦電驅動的腦機接口(bcis)設計的緊湊型卷積神經網絡；
9、4)deeplearningwithconvolutionalneuralnetworksforeegdecodingandvisualization.
10、a)deepconvnet：該方案有四個卷積-最大池化層(convolution-max-poolingblock)，其中第一個塊設計用于處理eeg輸入，然后是三個標準卷積-最大池化層和一個密集的softmax分類層(densesoftmaxclassificationlayershallowconvnet：該方案前兩層執行時間和空間卷積，其中時間卷積具有更大的內核，其后連接著平方非線性，平均池層和對數激活函；
11、因此當前針對用戶偏好的分析方式大體可分為兩種：一類是訓練集中包括了待預測的被試，另一類則是訓練集中不包含待預測的被試，即跨被試分析，而對于跨被試的分析，現存方法存在明顯的短板，由于每位被試的腦電信號結構有所差異，導致在跨被試特征提取時經常出現不足之處，這種差異進一步導致訓練數據與測試數據之間存在明顯的分布偏差，這就要求模型不僅需要卓越的特征提取能力，還需要出色的泛化表現，基于這些挑戰，當前的先進方法在測試集上的準確率僅為60％-75％，這種水平的性能很難滿足實際應用需求。
技術實現思路
1、(一)解決的技術問題
2、針對現有技術的不足，本專利技術提供了一種基于腦電數據的用戶偏好建模方法，具備識別準確等優點，解決了上述技術問題。
3、(二)技術方案
4、為實現上述目的，本專利技術提供如下技術方案：一種基于腦電數據的用戶偏好建模方法，包括以下步驟：
5、s1、構建空間特征提取模塊，用于得到輸入數據的空間特征；
6、s2、構建上下文信息提取模塊，用于對步驟s1中輸出的空間特征使用雙向lstm網絡提取上下文信息；
7、s3、構建特征選擇模塊，用于獲得每個通道的權重并對每個通道進行加權；
8、s4、將預處理后的腦電數據進行預處理依次經過空間特征提取模塊、上下文信息提取模塊和特征選擇模塊對用戶偏好進行分析。
9、作為本專利技術的優選技術方案，所述步驟s1中的空間特征提取模塊由兩個完全相同的空間特征提取網絡級聯而成，所述空間特征提取模塊得到輸入數據的空間特征包括以下步驟：
10、s1.1、對于輸入的eeg功率譜數據首先通過一維卷積，再通過非線性層與批歸一化層，得到初步提取的空間特征；
11、s1.2、對于步驟s1.1的輸出采用殘差連接，添加對應映射的輸出加到一維卷積的輸出中，經過激活和批量歸一化，得到的空間特征；
12、s1.3、對于步驟s1.2的得到的空間特征使用dropout來避免過度擬合，并采用最大池來減少維度和保留關鍵特征。
13、作為本專利技術的優選技術方案，所述步驟s1.1中計算的表達式如下：
14、x1＝bn(relu(conv1d(x)))
15、其中，x1表示初步提取的空間特征，bn(*)表示批量歸一化，relu(*)表示relu激活函數，conv1d(*)表示一維卷積，x表示對于輸入的eeg功率譜數據展開的功率矩陣，其維度為(batch,w,f)，batch表示批處理大小，w表示時間窗口的長度，f表示頻率維度。
16、作為本專利技術的優選技術方案，所述步驟s1.2中的計算表達式如下：
17、x3＝bn(relu(x′1+x2))
18、x′1＝l(x1)
19、x2＝conv1d(x1)
20、其中，x3表示進一步提取的空間特征，l(*)表示線性全連接層，bn(*)表示批量歸一化，relu(*)表示relu激活函數，conv1d(*)表示一維卷積，x′1表示經過線性全連接層的輸出，x1表示初步提取的空間特征，x2表示對初步提取的空間特征x1進行一維卷積的輸出，x3表示通過激活函數和批量歸一化處理后的空間特征。
21、作為本專利技術的優選技術方案，所述步驟s1.3中的計算表達式如下：
22、x4＝dropout(maxpool(x3))
23、其中，x4表示空間特征提取模塊的輸出，x3表示通過激活函數和批量歸一化處理后的空間特征，dropout(*)表示正則化，用于避免過度擬合，maxpool(*)表示最大池化操作，用于進行降維和保留關鍵特征。
24、作為本專利技術的優選技術方案，所述步驟s2上下文信息提取模塊使用雙向lstm網絡提取eeg特征與信號之間的上下文相關性，且上下文信息提取模塊由兩個單向lstm正反相連組成，兩份輸出被拼接到一起，得到融合上下文信息的輸出。
25、作為本專利技術的優選技術方案，所述步驟s2的具體表達式如下：
26、
27、
28、
29、其中，表示時間步為t時前向lstm網絡輸出值，表示時間步為t-1時前向lstm網絡輸出值，表示時間步為t時反向lstm網絡輸出值，表示時間步為t-1時反向lstm網絡輸出值，ht表示本文檔來自技高網...
【技術保護點】
1.一種基于腦電數據的用戶偏好建模方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于腦電數據的用戶偏好建模方法，其特征在于：所述步驟S1中的空間特征提取模塊由兩個完全相同的空間特征提取網絡級聯而成，所述空間特征提取模塊得到輸入數據的空間特征包括以下步驟：
3.根據權利要求2所述的一種基于腦電數據的用戶偏好建模方法，其特征在于：所述步驟S1.1中計算的表達式如下：
4.根據權利要求2所述的一種基于腦電數據的用戶偏好建模方法，其特征在于：所述步驟S1.2中的計算表達式如下：
5.根據權利要求2所述的一種基于腦電數據的用戶偏好建模方法，其特征在于：所述步驟S1.3中的計算表達式如下：
6.根據權利要求1所述的一種基于腦電數據的用戶偏好建模方法，其特征在于：所述步驟S2上下文信息提取模塊使用雙向LSTM網絡提取EEG特征與信號之間的上下文相關性，且上下文信息提取模塊由兩個單向LSTM正反相連組成，兩份輸出被拼接到一起，得到融合上下文信息的輸出。
7.根據權利要求6所述的一種基于腦電數據的用戶偏好建模方
8.根據權利要求1所述的一種基于腦電數據的用戶偏好建模方法，其特征在于：所述S3中特征選擇模塊具體包括以下步驟：
9.根據權利要求8所述的一種基于腦電數據的用戶偏好建模方法，其特征在于：所述步驟S3.1中的計算表達式如下：
10.根據權利要求9所述的一種基于腦電數據的用戶偏好建模方法，其特征在于：所述步驟S3.1中的Softmax函數表達式如下：
...【技術特征摘要】
1.一種基于腦電數據的用戶偏好建模方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于腦電數據的用戶偏好建模方法，其特征在于：所述步驟s1中的空間特征提取模塊由兩個完全相同的空間特征提取網絡級聯而成，所述空間特征提取模塊得到輸入數據的空間特征包括以下步驟：
3.根據權利要求2所述的一種基于腦電數據的用戶偏好建模方法，其特征在于：所述步驟s1.1中計算的表達式如下：
4.根據權利要求2所述的一種基于腦電數據的用戶偏好建模方法，其特征在于：所述步驟s1.2中的計算表達式如下：
5.根據權利要求2所述的一種基于腦電數據的用戶偏好建模方法，其特征在于：所述步驟s1.3中的計算表達式如下：
6.根據權利要求1所述的一種基于腦電數據的用戶偏好建...
【專利技術屬性】
技術研發人員：岳康，馬翠霞，王宏安，
申請(專利權)人：重慶中科汽車軟件創新中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。