[發(fā)明專利]一種基于集成學(xué)習(xí)的腦認(rèn)知模型融合方法

有效

• 申請?zhí)枺?/td>: 202010514728.1
• 申請日: 2020-06-08
• 公開（公告）號: CN111714118B
• 公開（公告）日: 2023-07-18
• 發(fā)明（設(shè)計）人: 徐頌;王麗娜;劉晶晶;王清華;蔣彭龍
• 申請（專利權(quán)）人: 北京航天自動控制研究所
• 主分類號: A61B5/372
• 分類號: A61B5/372;A61B5/00;G06N20/20;G06F18/24
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 龐靜

一種基于集成學(xué)習(xí)的腦認(rèn)知模型融合方法，(1)對N個被試人員構(gòu)建N個腦認(rèn)知子模型，并完成模型訓(xùn)練；(2)對N個被試人員構(gòu)建N個腦電信號分類子模型，并完成模型訓(xùn)練；(3)分別融合腦認(rèn)知子模型與腦電信號分類子模型，從而獲得N個腦認(rèn)知分類器；(4)令N個腦認(rèn)知分類器在相同刺激下的輸出結(jié)果組合成輸出向量；(5)設(shè)計面向腦認(rèn)知分類器融合的集成學(xué)習(xí)器，以各個腦認(rèn)知分類器輸出向量作為輸入，輸出相應(yīng)刺激的分類識別結(jié)果，并完成模型訓(xùn)練；(6)對集成融合模型進(jìn)行預(yù)測分析，得到性能屬性值并進(jìn)行判決，判決融合模型是否符合要求，若符合，則實現(xiàn)腦認(rèn)知模型的融合；否則，返回步驟(5)重新進(jìn)行腦認(rèn)知分類器融合，直至符合要求。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于集成學(xué)習(xí)的腦認(rèn)知模型融合方法，屬于智能信息處理技術(shù)領(lǐng)域。

背景技術(shù)

研究類人腦神經(jīng)網(wǎng)絡(luò)模型和計算方法，開發(fā)受腦啟發(fā)的類腦智能技術(shù)，是未來智能化時代的關(guān)鍵領(lǐng)域，也是新一輪科技革命的重心。類腦智能技術(shù)能夠適用于人類相對計算機更具優(yōu)勢的信息處理任務(wù)，如機器的環(huán)境感知、交互、自主決策與智能控制等。傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)忽略了大量與實現(xiàn)類腦智能密切相關(guān)的生物規(guī)則。開展基于神經(jīng)電生理的腦認(rèn)知機理研究，以及基于腦認(rèn)知的智能分析策略研究，能夠從仿生學(xué)角度搭建類人腦神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)對腦認(rèn)知技能的學(xué)習(xí)逼近和對人腦神經(jīng)網(wǎng)絡(luò)工作原理的充分表達(dá)。

對大腦認(rèn)知系統(tǒng)進(jìn)行辨識分析對深入理解面向相關(guān)感官刺激的腦認(rèn)知機理有重要的指導(dǎo)意義。研究表明，人腦認(rèn)知系統(tǒng)分級處理，從低層級系統(tǒng)區(qū)提取特征，到高層級的認(rèn)知行為。高層的特征是低層特征的組合，從低層到高層的特征表示越來越強，越來越表現(xiàn)意圖。從神經(jīng)電生理角度出發(fā)，對人腦認(rèn)知機制與腦電信號展開深入研究，利用前沿人工智能領(lǐng)域知識，構(gòu)建深度卷積循環(huán)神經(jīng)網(wǎng)絡(luò)模擬人腦認(rèn)知過程，旨在構(gòu)建新型符合人腦認(rèn)知模式的相關(guān)刺激處理系統(tǒng)，能夠更好的為理解人體認(rèn)知機理提供新的思路。其中基于集成學(xué)習(xí)的腦認(rèn)知模型融合方法能夠充分融合群體腦認(rèn)知智能，解決面向單個被試的腦認(rèn)知處理模型存在的過擬合與泛化性差等問題，能夠有效提升基于腦認(rèn)知的智能信息處理系統(tǒng)的魯棒性與有效性。

發(fā)明內(nèi)容

本發(fā)明的技術(shù)解決問題是：克服現(xiàn)有技術(shù)的不足，提供一種基于集成學(xué)習(xí)的腦認(rèn)知模型融合方法。

本發(fā)明的技術(shù)解決方案是：一種基于集成學(xué)習(xí)的腦認(rèn)知模型融合方法，通過下述方式實現(xiàn)：

(1)對N個被試人員構(gòu)建N個腦認(rèn)知子模型R₁～R_N，以預(yù)設(shè)的實驗范式中的刺激信號為輸入，腦電高效特征為輸出，完成模型訓(xùn)練；

(2)對N個被試人員構(gòu)建N個腦電信號分類子模型D₁～D_N，以腦電高效特征為輸入，相關(guān)刺激分類結(jié)果為輸出，并完成模型訓(xùn)練；

(3)組合腦認(rèn)知子模型與腦電信號分類子模型，以腦認(rèn)知子模型的輸出作為對應(yīng)腦電信號分類子模型的輸入，從而獲得N個腦認(rèn)知分類器S₁～S_N；

(4)將N個腦認(rèn)知分類器相同刺激下的輸出結(jié)果組合成輸出向量；

(5)設(shè)計面向腦認(rèn)知分類器融合的集成學(xué)習(xí)器，以各個腦認(rèn)知分類器輸出向量作為輸入，輸出相應(yīng)刺激的分類識別結(jié)果，并完成模型訓(xùn)練；

(6)對所述集成學(xué)習(xí)器進(jìn)行預(yù)測分析，并計算性能屬性值，應(yīng)用評定準(zhǔn)則對所述的性能屬性值進(jìn)行判決，判決所述融合模型是否符合要求，若符合要求，則實現(xiàn)腦認(rèn)知模型融合；否則，返回步驟(5)重新進(jìn)行腦認(rèn)知分類器融合，直至符合要求。

優(yōu)選的，步驟(1)通過下述方式實現(xiàn)：

(1.1)分別以預(yù)設(shè)實驗范式中的相關(guān)刺激信號作為輸入數(shù)據(jù)，N個被試人員在實驗范式相關(guān)刺激下腦電數(shù)據(jù)的高效特征作為輸出數(shù)據(jù)，形成數(shù)據(jù)集；