一种基于深度学习的模型训练方法以及相关装置制造方法及图纸

本申请公开了一种基于深度学习的模型训练方法以及相关装置，通过基于多个个体构建分类模型，将不同个体采集的运动想象脑电图信号进行了信息共享；而且通过多个子损失函数对于模型损失函数的确定进一步提升了运动想象分类的准确率，从多个维度减小样本的差异，进而减少个体内由于所处环境或不同精神状态导致的类内差异大的问题；另外还避免了个体差异化带来的算法应用局限，提取了不同个体运动想象动作标签相关的共性信息，减少了个体间的差异，提高了模型训练的准确性。

A model training method and related devices based on deep learning

The application discloses a model training method and related devices based on deep learning. By building a classification model based on multiple individuals, the information of EEG signals collected by different individuals is shared; moreover, the determination of model loss function by multiple sub loss functions further improves the accuracy of classification of sports imagination, and reduces samples from multiple dimensions In addition, it also avoids the limitations of algorithm application brought by individual difference, extracts the common information related to different individual movement imagination action labels, reduces the differences between individuals, and improves the accuracy of model training.

【技术实现步骤摘要】
一种基于深度学习的模型训练方法以及相关装置
本申请涉及计算机
，尤其涉及一种基于深度学习的模型训练方法以及相关装置。
技术介绍
深度学习(Deeplearning,DL)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，尤其在运动想象脑机接口(Motorimagery-Braincomputerinterface，MI-BCI)系统有着广泛的应用前景，不仅可以帮助中风偏瘫等肢体不便的患者康复训练，控制物体实现自理，也可以娱乐普通群体，比如脑机增强虚拟现实游戏等。而基于运动想象(Motorimagery，MI)的脑电信号分类是MI-BCI的关键环节，解码的准确度直接影响MI-BCI系统的性能。一般MI分类算法为针对每个人单独训练一个分类模型，即提取运动运动想象动作标签与基于脑电图确定的脑电信号的对应关系对模型进行训练，以对输入的脑电信号进行分类得到对应的运动运动想象动作标签。但是，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的模型训练方法，其特征在于，包括：/n获取多个个体的脑电图并确定对应的脑电图信号样本，所述脑电图信号样本用于指示对应的运动想象动作标签；/n确定多个所述个体的标签信息并建立与所述运动想象动作标签的对应关系，以确定训练数据集；/n基于所述训练数据集中的多个对应关系分别确定多个子损失函数，以进行组合并确定模型损失函数，所述训练数据集中的多个对应关系包括多个所述个体的脑电图信号样本与所述运动想象动作标签的对应关系、所述单个所述个体脑电图信号样本与所述运动想象动作标签的对应关系、所述脑电图信号样本与多个所述个体的标签信息的对应关系；/n根据所述模型损失函数构建脑电图解码模型并进行初...

【技术特征摘要】
1.一种基于深度学习的模型训练方法，其特征在于，包括：
获取多个个体的脑电图并确定对应的脑电图信号样本，所述脑电图信号样本用于指示对应的运动想象动作标签；
确定多个所述个体的标签信息并建立与所述运动想象动作标签的对应关系，以确定训练数据集；
基于所述训练数据集中的多个对应关系分别确定多个子损失函数，以进行组合并确定模型损失函数，所述训练数据集中的多个对应关系包括多个所述个体的脑电图信号样本与所述运动想象动作标签的对应关系、所述单个所述个体脑电图信号样本与所述运动想象动作标签的对应关系、所述脑电图信号样本与多个所述个体的标签信息的对应关系；
根据所述模型损失函数构建脑电图解码模型并进行初始化；
将所述训练数据集作为输入，通过最小化所述模型损失函数对脑电图解码模型进行训练，以得到参数优化的分类模型，所述分类模型用于根据所述脑电图输出对应的运动想象动作标签和对应的个体的标签信息。


2.根据权利要求1所述的方法，其特征在于，所述根据所述训练数据集对参数优化后的所述解码模型进行训练，以得到分类模型，包括：
将所述训练数据集输入至少一个时间卷积层中，以得到时序训练集，所述时序特征集用于表示所述训练数据集的时间信息；
将所述时序训练集输入至少一个空间卷积层中，以得到一维空间特征集，所述一维空间特征集用于指示所述时序训练数据集对应的时间空间信息；
将所述一维空间特征集进行平均池化，以得到泛化的池化特征集；
通过至少一个全连接层提取所述泛化的池化特征集中的特征，以得到训练特征集；
根据所述训练特征集对参数优化后的所述解码模型进行训练，以得到分类模型。


3.根据权利要求2所述的方法，其特征在于，所述将所述时间训练数据集输入至少一个空间卷积层中，以得到一维空间训练数据集，包括：
根据所述运动想象动作标签确定多个相关的空间通道，所述空间通道用于过滤指定所述目标动作对应的信号；
将所述时间训练数据集输入至所述多个相关的空间通道中进行处理，以得到一维空间训练数据集。


4.根据权利要求1所述的方法，其特征在于，所述根据所述模型损失函数构建脑电图解码模型并进行初始化，包括：
根据预设算法初始化所述训练参数；
获取所述训练数据集中的对应关系的权重信息，以根据所述多个子损失函数确定所述模型损失函数；
根据所述模型损失函数采用梯度下降算法对初始化后的所述训练参数进行优化。


5.根据权利要求1-4任一项所述的方法，其特征在于，所述获取多个个体的脑电图并确定对应的脑电图信号样本，包括：
获取多个个体的脑电图；
根据预设规则选择与所述脑电图对应的通道，以筛...

【专利技术属性】
技术研发人员：赵赫，雷梦颖，郑青青，马锴，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44