[發(fā)明專利]腦波狀態(tài)數(shù)據(jù)庫的構(gòu)建方法、系統(tǒng)及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202211053310.0
• 申請(qǐng)日: 2022-08-31
• 公開（公告）號(hào): CN115454961A
• 公開（公告）日: 2022-12-09
• 發(fā)明（設(shè)計(jì)）人: 焦良存;李亞楠
• 申請(qǐng)（專利權(quán)）人: 安徽七度生命科學(xué)集團(tuán)有限公司
• 主分類號(hào): G06F16/21
• 分類號(hào): G06F16/21;G06F16/22;G06K9/00;G06K9/62
• 代理公司: 合肥藍(lán)東知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 34207
• 代理人: 陶志國(guó)

1.一種腦波狀態(tài)數(shù)據(jù)庫的構(gòu)建方法，其特征在于，包括以下步驟，

使用腦波數(shù)據(jù)通過深度學(xué)習(xí)方法構(gòu)建腦波狀態(tài)轉(zhuǎn)移圖；

存儲(chǔ)所構(gòu)建的腦波狀態(tài)轉(zhuǎn)移圖，以圖數(shù)據(jù)庫的方式存儲(chǔ)，用于描述腦波各種狀態(tài)之間可能的轉(zhuǎn)移路徑。

2.根據(jù)權(quán)利要求1所述的腦波狀態(tài)數(shù)據(jù)庫的構(gòu)建方法，其特征在于：所述使用腦波數(shù)據(jù)通過深度學(xué)習(xí)方法構(gòu)建腦波狀態(tài)轉(zhuǎn)移圖，步驟如下：

首先訓(xùn)練得到一個(gè)針對(duì)腦波數(shù)據(jù)的類BERT編碼模型，基于該模型編碼之后的腦波數(shù)據(jù)訓(xùn)練一個(gè)可以自動(dòng)劃分識(shí)別腦波數(shù)據(jù)的模型，該模型能夠?qū)⒛X波數(shù)據(jù)每一個(gè)值識(shí)別為不同的編號(hào)，范圍為1～n，n的大小通過實(shí)驗(yàn)確定；相同編號(hào)的數(shù)據(jù)值為一個(gè)同一個(gè)狀態(tài)，編號(hào)也代表最終形成的圖的節(jié)點(diǎn)編號(hào)；

構(gòu)圖模塊根據(jù)腦波數(shù)據(jù)得到的每一個(gè)狀態(tài)轉(zhuǎn)移路徑構(gòu)造出腦波狀態(tài)轉(zhuǎn)移圖。

3.根據(jù)權(quán)利要求2所述的腦波狀態(tài)數(shù)據(jù)庫的構(gòu)建方法，其特征在于：構(gòu)圖過程中，將狀態(tài)編號(hào)當(dāng)做節(jié)點(diǎn)，狀態(tài)之間存在轉(zhuǎn)變過程的，則存在邊，否則不存在邊；收集每一條腦波數(shù)據(jù)對(duì)應(yīng)的狀態(tài)轉(zhuǎn)移路徑，相同的編號(hào)代表相同的狀態(tài)，同時(shí)統(tǒng)計(jì)每條邊的出現(xiàn)次數(shù)作為邊的權(quán)重。

4.根據(jù)權(quán)利要求2所述的腦波狀態(tài)數(shù)據(jù)庫的構(gòu)建方法，其特征在于：所述基于該模型編碼之后的腦波數(shù)據(jù)訓(xùn)練一個(gè)可以自動(dòng)劃分識(shí)別腦波數(shù)據(jù)的模型，其訓(xùn)練步驟如下：

(1)腦波數(shù)據(jù)符號(hào)化：

首先根據(jù)采集設(shè)備采集到的數(shù)據(jù)，表示為X(x₁,x₂,…x_n)，得到數(shù)據(jù)每一個(gè)時(shí)間步可能的最大值V_max和最小值V_min，將區(qū)間[V_min,V_max]均勻劃分成N個(gè)箱，分別使用1～N表示；對(duì)于數(shù)據(jù)中的值x_i，如果V_min＝x_i＝V_min+(V_max-V_min)/N，那么就將x_i記為1；如果V_min+(V_max-V_min)/N＝x_i＝V_min+2*(V_max-V_min)/N，那么就將x_i記為2；以此類推，將X編碼為使用1-N表示的序列；

(2)將腦波數(shù)據(jù)處理成符號(hào)序列之后，模擬Bert的Embedding方式；其中：

Token Embeddings是詞向量，第一個(gè)單詞是CLS標(biāo)志，表示數(shù)據(jù)邊界，用于之后的分類任務(wù)；

Segment Embeddings用來區(qū)別序列預(yù)測(cè)中的輸入輸出，序列預(yù)測(cè)指的是使用前面L1個(gè)時(shí)間步的數(shù)據(jù)預(yù)測(cè)后面L2個(gè)時(shí)間步的數(shù)據(jù)；

Position Embeddings表示可以學(xué)習(xí)得到的位置編碼；

(3)使用BERT的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)任務(wù)的訓(xùn)練；

直接使用BERT的網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)行如下的兩個(gè)訓(xùn)練任務(wù)：

31)、T1：Masked語言模型

該步驟與原始的BERT訓(xùn)練一致，訓(xùn)練過程中，隨機(jī)mask 15％的token，最終的損失函數(shù)只計(jì)算被mask掉那個(gè)token；

32)、T2：句子預(yù)測(cè)

在該步驟中執(zhí)行序列預(yù)測(cè)，使用腦波數(shù)據(jù)中的前L1個(gè)時(shí)間步的數(shù)據(jù)預(yù)測(cè)后L2個(gè)時(shí)間步的數(shù)據(jù)。