【技術實現步驟摘要】
本申請涉及腦機接口，尤其涉及一種基于腦電信號的個性化反應力訓練方法、裝置及介質。
技術介紹
1、反應力作為人類重要的認知能力之一,在許多領域都有廣泛的應用,如運動員反應訓練、駕駛員警覺性培養、軍事人員應急反應能力鍛煉等。傳統的反應力訓練方法主要依賴于心理學、教育學等理論,設計出一系列通用的訓練任務和刺激,但由于忽視了個體差異,很難做到因材施教,訓練效果往往不盡人意。
2、近年來,隨著腦科學和人工智能技術的發展,腦電分析和認知計算逐漸走進了反應力訓練的領域。腦電信號能夠直接反映人體內部的神經活動狀態,對個體的認知過程有很強的解釋能力。
3、然而,將腦電分析技術應用于反應力訓練并非易事。首先,腦電信號的高噪聲、高維度和高復雜性給數據處理帶來了極大挑戰。本領域技術人員需要設計有效的去噪、特征提取和模式識別算法,才能從海量的原始數據中提煉出有價值的認知模式信息。其次,如何基于提取出的認知模式合理設計反應刺激,并進一步利用受試者的新反饋數據優化訓練方案,形成一個閉環反饋和自適應優化的流程,這也是一大難題。此外,由于個體差異的存在,我們很難為所有受試者設計出一種通用的有效訓練模式,必須對每一位受試者進行個性化的分析、建模和優化,才能真正達到最優訓練效果。
技術實現思路
1、本申請實施例提供了一種基于腦電信號的個性化反應力訓練方法、裝置及介質，可以將腦電分析技術應用于反應力訓練。所提供的方法形成了一個閉環的自適應優化流程,充分利用了個體腦電信息進行精準建模和訓練,大大提升
2、第一方面，本申請實施例提供了一種基于腦電信號的個性化反應力訓練方法，包括：
3、獲取待訓練的用戶的原始腦電數據，對原始腦電數據進行分割，獲取多個腦電數據段；
4、獲取每個腦電數據段的模式特征信息，根據模式特征信息確定每個腦電數據段對應的反應模式特征向量；
5、根據每個反應模式特征向量對應的時間對多個反應模式特征向量進行連接，獲取初始反應模式映射序列向量，根據初始反應模式映射序列向量在預設的反應模式知識庫中的多個模式原型進行匹配，獲取多個相似原型；
6、對多個腦電數據段進行預處理，獲取每個腦電數據段對應的反應模式數量；其中，預處理包括多尺度時窗切分、特征提取、反應模式組合和頻繁模式挑選；
7、若腦電數據段對應多種反應模式，確定腦電數據段為目標數據段，獲取目標數據段對應的單一反應模式映射向量；
8、在初始反應模式映射序列向量中，根據每個單一反應模式映射向量替換目標數據段對應的反應模式特征向量，獲取精細反應模式映射序列向量；
9、將精細反應模式映射序列向量與多個相似原型進行匹配，獲取至少一個目標原型，根據目標原型確定用戶對應的訓練方案，完成對用戶的個性化反應力訓練。
10、第二方面，本申請還提供一種個性化反應力訓練裝置，包括：
11、數據分割模塊，用于獲取待訓練的用戶的原始腦電數據，對原始腦電數據進行分割，獲取多個腦電數據段；
12、特征獲取模塊，用于獲取每個腦電數據段的模式特征信息，根據模式特征信息確定每個腦電數據段對應的反應模式特征向量；
13、原型獲取模塊，用于根據每個反應模式特征向量對應的時間對多個反應模式特征向量進行連接，獲取初始反應模式映射序列向量，根據初始反應模式映射序列向量在預設的反應模式知識庫中的多個模式原型進行匹配，獲取多個相似原型；
14、數據處理模塊，用于對多個腦電數據段進行預處理，獲取每個腦電數據段對應的反應模式數量；其中，預處理包括多尺度時窗切分、特征提取、反應模式組合和頻繁模式挑選；
15、單一獲取模塊，用于若腦電數據段對應多種反應模式，確定腦電數據段為目標數據段，獲取目標數據段對應的單一反應模式映射向量；
16、精細獲取模塊，用于在初始反應模式映射序列向量中，根據每個單一反應模式映射向量替換目標數據段對應的反應模式特征向量，獲取精細反應模式映射序列向量；
17、訓練完成模塊，用于將精細反應模式映射序列向量與多個相似原型進行匹配，獲取至少一個目標原型，根據目標原型確定用戶對應的訓練方案，完成對用戶的個性化反應力訓練。
18、第三方面，本申請還提供一種計算機設備，包括處理器和存儲器，所述存儲器用于存儲計算機程序，所述計算機程序被所述處理器執行時實現如第一方面所述的基于腦電信號的個性化反應力訓練方法。
19、第四方面，本申請還提供一種計算機可讀存儲介質，其存儲有計算機程序，所述計算機程序被處理器執行時實現如第一方面所述的基于腦電信號的個性化反應力訓練方法。
20、該專利技術方法通過設計視覺(字體、顏色、動畫等)、聽覺(音量、音調、語速等)、觸覺(振動強度)等多模態刺激,并基于調整系數動態調節各模態刺激的參數強度,實現了對用戶注意力的全方位、閉環式優化調節。系統會根據當前專注狀況,自動選擇合適的刺激模式(如視覺提示、語音播報等)及相應的刺激強度,引導用戶將注意力重新集中到認知訓練任務中。在訓練過程中,該智能系統與用戶形成一個自適應的優化閉環,持續感知和分析用戶的專注狀態,并進行針對性的調節干預,使專注度得以動態恢復至最佳區間,確保訓練任務高效地完成。長期使用該方法,不僅可以提高用戶的當前專注力,還可以起到認知能力訓練和習慣養成的作用,逐步優化其專注力管理能力。
21、應當理解的是，以上的一般描述和后文的細節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...【技術保護點】
1.一種基于腦電信號的個性化反應力訓練方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述獲取待訓練的用戶的原始腦電數據，包括：
3.根據權利要求1所述的方法，其特征在于，所述對所述原始腦電數據進行分割，獲取多個腦電數據段，包括：
4.根據權利要求1所述的方法，其特征在于，所述獲取每個所述腦電數據段的模式特征信息，包括：
5.根據權利要求4所述的方法，其特征在于，所述獲取所述尺度能量表示對應的模式特征信息，包括：
6.根據權利要求1所述的方法，其特征在于，所述獲取所述目標數據段對應的單一反應模式映射向量，包括：
7.根據權利要求1所述的方法，其特征在于，所述將所述精細反應模式映射序列向量與多個所述相似原型進行匹配，獲取至少一個目標原型，包括：
8.根據權利要求1所述的方法，其特征在于，所述根據所述目標原型確定所述用戶對應的訓練方案，包括：
9.一種個性化反應力訓練裝置，其特征在于，包括：
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
...【技術特征摘要】
1.一種基于腦電信號的個性化反應力訓練方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述獲取待訓練的用戶的原始腦電數據，包括：
3.根據權利要求1所述的方法，其特征在于，所述對所述原始腦電數據進行分割，獲取多個腦電數據段，包括：
4.根據權利要求1所述的方法，其特征在于，所述獲取每個所述腦電數據段的模式特征信息，包括：
5.根據權利要求4所述的方法，其特征在于，所述獲取所述尺度能量表示對應的模式特征信息，包括：
6.根據權利要求1所述的方法，其特征在于，所述獲取...
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。