[發(fā)明專利]一種基于深度學習的模型訓練方法以及相關(guān)裝置在審
| 申請?zhí)枺?/td> | 201910818363.9 | 申請日： | 2019-08-30 |
| 公開（公告）號： | CN110503082A | 公開（公告）日： | 2019-11-26 |
| 發(fā)明（設(shè)計）人： | 趙赫;雷夢穎;鄭青青;馬鍇;鄭冶楓 | 申請（專利權(quán)）人： | 騰訊科技(深圳)有限公司 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00 |
| 代理公司： | 44285 深圳市深佳知識產(chǎn)權(quán)代理事務所(普通合伙) | 代理人： | 駱蘇華<國際申請>=<國際公布>=<進入 |
| 地址： | 518057 廣東省深圳*** | 國省代碼： | 廣東;44 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 模型訓練 損失函數(shù) 運動想象 腦電圖信號 動作標簽 分類模型 個體差異 個體運動 共性信息 精神狀態(tài) 類內(nèi)差異 算法應用 相關(guān)裝置 信息共享 準確率 構(gòu)建 減小 維度 樣本 體內(nèi) 采集 局限 分類 申請 學習 | ||
1.一種基于深度學習的模型訓練方法，其特征在于，包括：
獲取多個個體的腦電圖并確定對應的腦電圖信號樣本，所述腦電圖信號樣本用于指示對應的運動想象動作標簽；
確定多個所述個體的標簽信息并建立與所述運動想象動作標簽的對應關(guān)系，以確定訓練數(shù)據(jù)集；
基于所述訓練數(shù)據(jù)集中的多個對應關(guān)系分別確定多個子損失函數(shù)，以進行組合并確定模型損失函數(shù)，所述訓練數(shù)據(jù)集中的多個對應關(guān)系包括多個所述個體的腦電圖信號樣本與所述運動想象動作標簽的對應關(guān)系、所述單個所述個體腦電圖信號樣本與所述運動想象動作標簽的對應關(guān)系、所述腦電圖信號樣本與多個所述個體的標簽信息的對應關(guān)系；
根據(jù)所述模型損失函數(shù)構(gòu)建腦電圖解碼模型并進行初始化；
將所述訓練數(shù)據(jù)集作為輸入，通過最小化所述模型損失函數(shù)對腦電圖解碼模型進行訓練，以得到參數(shù)優(yōu)化的分類模型，所述分類模型用于根據(jù)所述腦電圖輸出對應的運動想象動作標簽和對應的個體的標簽信息。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述訓練數(shù)據(jù)集對參數(shù)優(yōu)化后的所述解碼模型進行訓練，以得到分類模型，包括：
將所述訓練數(shù)據(jù)集輸入至少一個時間卷積層中，以得到時序訓練集，所述時序特征集用于表示所述訓練數(shù)據(jù)集的時間信息；
將所述時序訓練集輸入至少一個空間卷積層中，以得到一維空間特征集，所述一維空間特征集用于指示所述時序訓練數(shù)據(jù)集對應的時間空間信息；
將所述一維空間特征集進行平均池化，以得到泛化的池化特征集；
通過至少一個全連接層提取所述泛化的池化特征集中的特征，以得到訓練特征集；
根據(jù)所述訓練特征集對參數(shù)優(yōu)化后的所述解碼模型進行訓練，以得到分類模型。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述將所述時間訓練數(shù)據(jù)集輸入至少一個空間卷積層中，以得到一維空間訓練數(shù)據(jù)集，包括：
根據(jù)所述運動想象動作標簽確定多個相關(guān)的空間通道，所述空間通道用于過濾指定所述目標動作對應的信號；
將所述時間訓練數(shù)據(jù)集輸入至所述多個相關(guān)的空間通道中進行處理，以得到一維空間訓練數(shù)據(jù)集。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述模型損失函數(shù)構(gòu)建腦電圖解碼模型并進行初始化，包括：
根據(jù)預設(shè)算法初始化所述訓練參數(shù)；
獲取所述訓練數(shù)據(jù)集中的對應關(guān)系的權(quán)重信息，以根據(jù)所述多個子損失函數(shù)確定所述模型損失函數(shù)；
根據(jù)所述模型損失函數(shù)采用梯度下降算法對初始化后的所述訓練參數(shù)進行優(yōu)化。
5.根據(jù)權(quán)利要求1-4任一項所述的方法，其特征在于，所述獲取多個個體的腦電圖并確定對應的腦電圖信號樣本，包括：
獲取多個個體的腦電圖；
根據(jù)預設(shè)規(guī)則選擇與所述腦電圖對應的通道，以篩選得到所述腦電圖信號樣本，所述預設(shè)規(guī)則基于所述腦電圖指示的目標動作信息設(shè)定。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述根據(jù)預設(shè)規(guī)則選擇與所述腦電圖對應的通道，以篩選得到所述腦電圖信號樣本，包括：
根據(jù)所述腦電圖確定所述目標動作信息；
根據(jù)所述腦電圖確定所述個體的標簽信息；
選擇所述目標動作信息對應的濾波頻率；
根據(jù)所述濾波頻率選擇對應的通道，以篩選得到所述腦電圖信號樣本。
7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述篩選得到所述腦電圖信號樣本之后，所述方法還包括：
根據(jù)所述腦電圖信號樣本確定波動信息；
若所述波動信息滿足預設(shè)條件，則將所述腦電圖信號樣本通過指數(shù)加權(quán)滑動平均計算，以得到噪聲過濾后的所述腦電圖信號樣本，所述預設(shè)條件基于所述波動信息與預設(shè)閾值的大小關(guān)系確定。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于騰訊科技(深圳)有限公司，未經(jīng)騰訊科技(深圳)有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910818363.9/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
