[發明專利]一種基于多目標微粒群算法優化的深度學習方法及系統

有效

• 申請號: 201810169310.4
• 申請日: 2018-02-28
• 公開（公告）號: CN108319928B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 高忠科;李彥里;楊宇軒;王新民
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 杜文茹

一種基于多目標微粒群算法優化的深度學習模型：采集腦電信號，對采集的腦電信號進行預處理，得到信號為p維的p通道腦電信數據樣本集；將p維腦電信數據樣本歸一化后作為深度學習模型即卷積神經網絡的一個數據輸入，將對應想象的指令類別作為卷積神經網絡末層的輸出；建立初步的卷積神經網絡；使用多目標微粒群優化算法優化調整初步的卷積神經網絡，得到深度學習模型；使用多目標微粒群優化算法實現多目標運動輔助。本發明利用多目標微粒群優化算法解決了人工對深度學習模型進行調整可能出現的局部最優、效率底下、需要先驗知識等問題。構建的深度學習模型其輸出可以作為控制機械臂或外骨骼等多種設備的信號。

技術領域

本發明涉及一種深度學習模型。特別是涉及一種基于多目標微粒群算法優化的深度學習方法及系統。

背景技術

腦電信號是一種在大腦皮層能為人所檢測到的神經元生理活動的反映方式，根據腦電信號的具體情況，可從不同的區域神經元電位提取出大量的生理信息。不同的人腦工作狀態的準確的檢測、辨識、分類可以于腦控系統等方面為某些特殊的運動輔助需求提供理論基礎。因此腦電信號的辨識處理具有非常重要的意義。

近年來隨著科學技術的發展，尤其是隨著腦機接口(brain-computer interface，BCI)技術的發展，使得相應的腦機接口技術的研究成為了新的研究熱點，其中包括SSVEP、運動想象等技術。其中運動想象的研究，不僅僅有助于提高對大腦的相關機能的理解，還能明顯地有助于腦控運動輔助系統相關領域的研究。該技術具有為有運動輔助需求的被試者提供一種更方便的日常生活手段的潛力與前景，其理想狀況下，能夠使得被試者通過意念控制外部設備進行基本乃至于復雜的生活活動的程度，通過意識向外界傳達或者實現他們的想法，改善被試者的精神和物質生活體驗。

在日常生活中，人們的四肢的運動支持了絕大多數的生活活動，不論是雙足的運動功能還是雙手的復雜生理功能，都對人的正常生活有著至關重要的作用。不論是生活必須的物質活動，還是精神生活的物質基礎創作，都需要相應的肢體進行生理支持。然而對于一些有著特殊的運動或者活動需求的被試者來說，可能由于所需要實現的運動或者行為具有環境限制，比如說進行強腐蝕環境的故障檢測，在這種情況下顯然不能利用個人身體進行這些運動和行為。因此，使用腦機接口技術幫助有運動輔助需求的被試者進行活動具有非常重要的意義。

深度學習作為一種近年來新興的理論方法，其獨特而顯著的對數據的特征進行學習、反饋并實現有監督分類的特點受到了各界人士的廣泛關注。深度學習作為機器學習的一個分支，其算法源于對人腦進行模擬，屬于神經網絡的進一步拓展，它模擬人腦的機制進行數據的解釋和分析學習，自主學習原始數據的多層表示，使用許多隱藏層構成深層神經網絡結構。典型的網絡結構有：卷積神經網絡(CNN)、生成對抗網絡(GAN)和長短時記憶網絡(LSTM)等。隨著深度學習方法的逐步發展，使得針對各種網絡過擬合問題解決方案得以提出，也因此能夠訓練并獲得具有優良效果的深度神經網絡，相比于常規的特征提取和分類的算法，在準確度等性能上面有顯著的提升，因此用于對被試者的腦電運動特征信號提取，具有顯著效果。

微粒群優化算法(PSO)是由J.Kennedy和R.C.Eberhart等于1995年開發的一種演化計算技術，其來源于一個簡化社會模型，是群集智能的一種，被納入到多主體優化系統中。PSO模擬鳥群捕食行為，在所處背景中，每個優化問題的解等同于空間中的一只鳥，我們稱之為粒子，所有的粒子都有被優化函數的決定的適應值及其速度。PSO算法的優勢在于簡單容易實現并且沒有許多參數的調節，目前已經被廣泛應用于函數優化、神經網絡訓練、模糊系統控制以及其他遺傳算法的應用領域，成為自然計算的一個重要分支。采用PSO算法經過對多目標實現特化改進后的MOPSO算法(多目標微粒群優化算法)對深度學習網絡進行優化，能夠代替人工的不斷嘗試，使用計算機自主進行深度學習的網絡參數優化，效率更高且效果更好。