[發(fā)明專(zhuān)利]一種堆疊去噪自編碼器模型確定方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110009405.1
• 申請(qǐng)日: 2021-01-05
• 公開(kāi)（公告）號(hào): CN112861625B
• 公開(kāi)（公告）日: 2023-07-04
• 發(fā)明（設(shè)計(jì)）人: 于忠亮;李黎黎;田金鵬;張文偉
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳技術(shù)大學(xué)
• 主分類(lèi)號(hào): G06F18/10
• 分類(lèi)號(hào): G06F18/10;G06F18/213;G06N3/0455;G06N3/08;G06F17/14;A61B5/369;A61B5/374
• 代理公司: 北京易捷勝知識(shí)產(chǎn)權(quán)代理有限公司 11613
• 代理人: 韓國(guó)勝

本發(fā)明涉及一種堆疊去噪自編碼器模型確定方法，該方法包括：S1、對(duì)采集的腦電信號(hào)進(jìn)行預(yù)處理，并依照腦區(qū)劃分腦電信號(hào)；S2、基于劃分后的腦電信號(hào)構(gòu)建輸入矩陣；S3、利用至少兩個(gè)自編碼器構(gòu)建特征提取模型；S4、針對(duì)堆疊去噪自編碼器的中間層節(jié)點(diǎn)數(shù)量構(gòu)建約束條件；S5、利用特征提取模型提取腦狀態(tài)特征，構(gòu)建中間層節(jié)點(diǎn)數(shù)約束函數(shù)，通過(guò)遍歷搜索搜尋約束函數(shù)的最大值，得到最優(yōu)腦特征提取模型，進(jìn)而可對(duì)腦狀態(tài)特征進(jìn)行深層抽象，以提取潛在的主要特征。

技術(shù)領(lǐng)域

本發(fā)明涉及腦-機(jī)接口技術(shù)領(lǐng)域，尤其涉及一種堆疊去噪自編碼器模型確定方法。

背景技術(shù)

精神疲勞是一種日常生活中常見(jiàn)的腦狀態(tài)，也是威脅交通安全的關(guān)鍵問(wèn)題，精神疲勞被定義為難以開(kāi)展或繼續(xù)維持認(rèn)知活動(dòng)的腦狀態(tài)。精神疲勞狀態(tài)可導(dǎo)致人類(lèi)機(jī)敏性和活力狀態(tài)下降，并伴有疲倦、嗜睡和注意力集中困難，因此對(duì)于長(zhǎng)時(shí)間駕駛的駕駛員來(lái)說(shuō)精神疲勞是非常危險(xiǎn)的。為了分析腦狀態(tài)并量化精神疲勞，許多研究人員致力于精神疲勞效應(yīng)，精神疲勞分類(lèi)和疲勞對(duì)策等方向的研究。從生物學(xué)的角度來(lái)看，精神疲勞與神經(jīng)元能量減少和谷氨酸傳遞減少有關(guān)，同時(shí)精神疲勞也是一種生理和心理因素的綜合表現(xiàn)。

頭皮腦電信號(hào)(Electroencephalograph，簡(jiǎn)稱(chēng)EEG)的產(chǎn)生依賴(lài)于大量神經(jīng)元突觸后電位的興奮和抑制，表現(xiàn)出較高的時(shí)間分辨率。EEG作為對(duì)腦神經(jīng)元活動(dòng)的直接和非侵入性測(cè)量，被認(rèn)為是精神疲勞測(cè)量最適用和最可靠的手段之一。EEG可分為delta(0.5Hz-4Hz)，theta(4Hz-7Hz)，alpha(8Hz-13Hz)，beta(13Hz-30Hz)和gamma(30Hz-80Hz)波段。在這些波段中，delta和theta波與疲勞狀況有關(guān)，常被用于視覺(jué)注意分析，精神疲勞評(píng)估和疲勞水平預(yù)測(cè)等研究領(lǐng)域。Delta和theta波與清醒狀態(tài)注意力集中程度有關(guān)，因此不同精神狀態(tài)下EEG信號(hào)的主要特征有較大差異。然而，由于大腦結(jié)構(gòu)對(duì)信號(hào)的衰減，EEG具有極低的信噪比(Signal?to?Noise?Ratio，簡(jiǎn)稱(chēng)SNR)和空間分辨率。因此利用EEG分析大腦精神狀態(tài)容易受到噪聲干擾而導(dǎo)致難以提取有效的特征。

腦源定位(Brain?Source?Localization，簡(jiǎn)稱(chēng)BSL)算法是一種通過(guò)重建腦源活動(dòng)來(lái)提高空間分辨率和SNR的方法。然而，腦電信號(hào)的低信噪比仍然限制了BSL逆向問(wèn)題的求解，delta和theta波的功率譜密度(Power?Spectral?Density，簡(jiǎn)稱(chēng)PSD)已被廣泛用于疲勞的定量分析。但是，EEG的低SNR仍限制了其在腦狀態(tài)分析中的應(yīng)用。主成分分析(PrincipalComponent?Analysis，簡(jiǎn)稱(chēng)PCA)是用于提高SNR的常見(jiàn)降維算法，應(yīng)用線(xiàn)性變換來(lái)獲得一組線(xiàn)性獨(dú)立的分量，從而提取主要特征，但是該算法在分析非線(xiàn)性EEG中受到限制。因此，迫切需要一種特征提取算法來(lái)分析腦精神狀態(tài)。

綜上所述，現(xiàn)有分析方法在非線(xiàn)性、低信噪比的EEG分析中受到限制。

上述缺陷是本領(lǐng)域技術(shù)人員期望克服的。

發(fā)明內(nèi)容

(一)要解決的技術(shù)問(wèn)題

為解決上述問(wèn)題，本發(fā)明提供一種堆疊去噪自編碼器模型確定方法，解決現(xiàn)有技術(shù)在非線(xiàn)性、低信噪比的EEG分析中受到限制的問(wèn)題。

(二)技術(shù)方案

為了達(dá)到上述目的，本發(fā)明采用的主要技術(shù)方案包括：

本發(fā)明提供一種堆疊去噪自編碼器模型確定方法，包括：

S1、對(duì)采集的腦電信號(hào)進(jìn)行預(yù)處理，并對(duì)腦電信號(hào)按腦區(qū)進(jìn)行劃分；

S2、基于劃分后的腦電信號(hào)構(gòu)建輸入矩陣；

S3、利用至少兩個(gè)自編碼器構(gòu)建特征提取模型；

S4、針對(duì)堆疊去噪自編碼器的中間層節(jié)點(diǎn)數(shù)量構(gòu)建約束條件；