申请/专利权人：杭州电子科技大学

申请日：2024-04-17

公开（公告）日：2024-06-28

公开（公告）号：CN118260672A

主分类号：G06F18/2415

分类号：G06F18/2415;G06F18/213;G06F3/01;G06N3/0464;G06N3/047;G06N3/048;G06N3/094;A61B5/369;A61B5/00;A61M21/00

优先权：

专利状态码：在审-公开

法律状态：2024.06.28#公开

摘要：本发明公开了一种基于多被试数据合并对抗训练的运动想象解码方法，该解码方法采用多被试数据合并对抗训练运动想象分类模型，交替使用正向训练与逆向训练来训练运动想象分类模型，使模型专注于运动想象任务的特征提取，在跨时段和跨被试方面具有更好的鲁棒性，解决了多被试合并训练运动想象分类模型时准确率较低的问题，有效地提高多被试数据合并时的训练效果，在现实应用如卒中康复当中更具实用性；同时，本发明拓宽了模型训练数据的获取来源，减少了单个被试需要采集的数据量，能够缓解脑电数据采集困难，训练样本匮乏的问题；同时，与传统一对一的模型训练方式相比，本发明的分类准确率较高。

主权项：1.一种基于多被试数据合并对抗训练的运动想象解码方法，其特征在于：包括以下步骤：步骤1、对多个执行运动想象任务的被试进行脑电信号采集，得到脑电信号数据集；对采集到的数据集进行预处理后，划分为训练集和验证集；步骤2、构建运动想象分类模型运动想象分类模型包括特征提取模型、运动想象分类器和身份识别分类器三个模块；特征提取模型采用卷积神经网络；所述的特征提取模型的输出特征通过Flatten层展开后，分别输入到运动想象分类器和身份识别分类器；运动想象分类器和身份识别分类器均采用全连接层结构；步骤3、使用训练集对运动想象分类模型交替进行正向训练和逆向训练；正向训练的过程如下：将训练集输入运动想象分类模型中，获取运动想象和身份识别的分类概率；根据两个分类概率分别计算两个分类器的交叉熵，并更新特征提取模型和两个分类器的参数；其中，运动想象分类器的交叉熵更新运动想象分类器和特征提取模型的参数；身份识别分类器的交叉熵更新身份识别分类器的参数；逆向训练的过程如下：将训练集输入运动想象分类模型中，获取运动想象和身份识别的分类概率；根据两个分类概率分别计算运动想象分类器的交叉熵和身份识别分类器的负熵；通过所得的交叉熵和负熵共同更新运动想象分类器和特征提取模型的参数；步骤4、通过验证集分别验证每次逆向训练得到的运动想象分类模型，选取准确率最高的运动想象分类模型作为最终运动想象分类模型；步骤5、采集受试者的脑电信号，并将所得脑电信号输入最终运动想象分类模型中，获取受试者的运动想象类型。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于多被试数据合并对抗训练的运动想象解码方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD