[發明專利]一種基于深度學習的模型訓練方法以及相關裝置

在審

• 申請號: 201910818363.9
• 申請日: 2019-08-30
• 公開（公告）號: CN110503082A
• 公開（公告）日: 2019-11-26
• 發明（設計）人: 趙赫;雷夢穎;鄭青青;馬鍇;鄭冶楓
• 申請（專利權）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 深圳市深佳知識產權代理事務所(普通合伙)
• 代理人: 駱蘇華<國際申請>=<國際公布>=<進入

本申請公開了一種基于深度學習的模型訓練方法以及相關裝置，通過基于多個個體構建分類模型，將不同個體采集的運動想象腦電圖信號進行了信息共享；而且通過多個子損失函數對于模型損失函數的確定進一步提升了運動想象分類的準確率，從多個維度減小樣本的差異，進而減少個體內由于所處環境或不同精神狀態導致的類內差異大的問題；另外還避免了個體差異化帶來的算法應用局限，提取了不同個體運動想象動作標簽相關的共性信息，減少了個體間的差異，提高了模型訓練的準確性。

技術領域

本申請涉及計算機技術領域，尤其涉及一種基于深度學習的模型訓練方法以及相關裝置。

背景技術

深度學習(Deep learning,DL)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能，尤其在運動想象腦機接口(Motor imagery-Brain computer interface，MI-BCI)系統有著廣泛的應用前景，不僅可以幫助中風偏癱等肢體不便的患者康復訓練，控制物體實現自理，也可以娛樂普通群體，比如腦機增強虛擬現實游戲等。而基于運動想象(Motor imagery，MI)的腦電信號分類是MI-BCI的關鍵環節，解碼的準確度直接影響MI-BCI系統的性能。

一般MI分類算法為針對每個人單獨訓練一個分類模型，即提取運動運動想象動作標簽與基于腦電圖確定的腦電信號的對應關系對模型進行訓練，以對輸入的腦電信號進行分類得到對應的運動運動想象動作標簽。

但是，上述方法在多個個體的檢測過程中，需要依次單獨的建立獨立的模型，導致訓練過程耗時繁瑣，而且由于個體的差異性以及信號的波動性，導致分類性能欠佳，進而影響模型訓練的準確性。

發明內容

有鑒于此，本申請第一方面提供一種基于深度學習的模型訓練方法，可應用于模型訓練系統或程序過程中，具體包括：獲取多個個體的腦電圖(Electroencephalograph，EEG)并確定對應的EEG信號樣本，所述EEG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系，以確定訓練數據集；

基于所述訓練數據集中的多個對應關系分別確定多個子損失函數，以進行組合并確定模型損失函數，所述訓練數據集中的多個對應關系包括多個所述個體的EEG信號樣本與所述運動想象動作標簽的對應關系、所述單個所述個體EEG信號樣本與所述運動想象動作標簽、所述EEG信號樣本與多個個體的標簽信息；

根據所述模型損失函數構建EEG解碼模型并進行初始化；

將所述訓練數據集作為輸入，通過最小化所述模型損失函數對腦電圖解碼模型進行訓練，以得到參數優化的分類模型，所述分類模型用于根據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。

優選的，在本申請一些可能的實現方式中，所述根據所述訓練數據集對參數優化后的所述解碼模型進行訓練，以得到分類模型，包括：

將所述訓練數據集輸入至少一個時間卷積層中，以得到時間訓練數據集，所述時間訓練數據集用于指示不同時間下所述訓練數據集中的對應關系；

將所述時間訓練數據集輸入至少一個空間卷積層中，以得到一維空間訓練數據集，所述一維空間訓練數據集用于指示目標動作下所述訓練數據集中的對應關系；

將所述時間訓練數據集和所述一維空間訓練數據集進行平均池化，以得到池化特征集；

通過至少一個全連接層提取所述池化特征集中的特征，以得到訓練特征集；

根據所述訓練特征集對參數優化后的所述解碼模型進行訓練，以得到分類模型。