模型训练方法、装置、电子装置和存储介质制造方法及图纸

本申请涉及一种模型训练方法、装置、电子装置和存储介质，其中，该模型训练方法包括：获取参考数据，所述参考数据包括第一识别目标以及对应的参考信号，所述参考信号基于被试者对所述第一识别目标的识别产生；根据所述参考数据提取特征数据；根据所述特征数据将所述参考数据与模板数据库进行匹配，得到模板数据，所述模板数据包括第二识别目标以及对应的训练信号，所述第二识别目标至少包括所述参考数据对应的全部所述第一识别目标；根据所述模板数据训练识别模型。通过本申请，解决了数据采集过程繁琐冗长的问题，实现了采集少量数据即可完成识别模型训练的技术效果。完成识别模型训练的技术效果。完成识别模型训练的技术效果。

【技术实现步骤摘要】
模型训练方法、装置、电子装置和存储介质


[0001]本申请涉及机器识别领域，特别是涉及一种模型训练方法、装置、电子装置和存储介质。

技术介绍

[0002]当受到一个固定频率的视觉刺激的时候，人的大脑皮层视觉会产生一个连续的、与刺激频率有关的响应。这个响应被称为稳态视觉诱发电位，即Steady
‑
State Visual Evoked Potentials，SSVEP。它可以可靠地应用于脑机接口系统。脑机接口与传统接口相比，人是通过大脑直接进行操作，脑电信号可以提供除肢体以外的另一种独立控制信号直接执行器，为人类控制外设提供更多途径。基于以上优点，脑机接口技术被广泛的应用到智能轮椅、机械手、仿人机器人等设备控制中，并已经开始渗透到工业、国防业领域。
[0003]当人眼注视某种频率的闪烁刺激时，会诱发同样频率的SSVEP。同时出现多个不同频率的闪烁刺激时，利用SSVEP可判断被试者在注视的具体目标，从而实现“脑控”。传统的校准方法需要让被试者在校准过程中分别注视每一种刺激目标，并采集被试者注视每一个目标时的脑电数据作为训练集，经过训练机器学习模型后，在测试同样采集被试者的脑电数据，利用该模型可判断被试者正在注视的刺激目标。然而，传统的校准方法需要在校准过程中让被试者分别注视每一个不同闪烁频率的目标，以保证用于机器学习的数据中包含所有不同频率刺激的标签数据，这样会使校准过程变的繁琐和冗长，容易引起被试者疲劳。
[0004]针对相关技术中存在数据采集过程繁琐冗长的问题，目前还没有提出有效的解决方案。

技术实现思路

[0005]在本实施例中提供了一种模型训练方法、装置、电子装置和存储介质，以解决相关技术中数据采集过程繁琐冗长的问题。
[0006]第一个方面，在本实施例中提供了一种模型训练方法，包括：
[0007]获取参考数据，所述参考数据包括第一识别目标以及对应的参考信号，所述参考信号基于被试者对所述第一识别目标的识别产生；
[0008]根据所述参考数据提取特征数据；
[0009]根据所述特征数据将所述参考数据与模板数据库进行匹配，得到模板数据，所述模板数据包括第二识别目标以及对应的训练信号，所述第二识别目标至少包括所述参考数据对应的全部所述第一识别目标；
[0010]根据所述模板数据训练识别模型。
[0011]在其中的一个实施例中，所述第一识别目标包括多个不同的识别目标，所述获取参考数据包括：获取被试者在所述第一识别目标的刺激下产生的脑电信号；根据所述第一识别目标向对应的脑电信号添加类别标签，得到所述参考数据。
[0012]在其中的一个实施例中，所述获取被试者在所述第一识别目标刺激下产生的脑电
信号之后还包括：针对所述第一识别目标中同一个所述识别目标获取多组所述脑电信号；根据多组所述脑电信号获取与所述识别目标对应的特征数据。
[0013]在其中的一个实施例中，所述根据所述参考数据提取特征数据包括：将所述第一识别目标对应的参考信号分为多组待处理数据；根据所述待处理数据提取对应的待处理向量，所述待处理向量至少包括所述待处理数据的傅里叶变换频域幅值和典型相关分析的频率相关系数；根据所述待处理向量，获取所述参考数据的特征数据。
[0014]在其中的一个实施例中，所述根据所述特征数据将所述参考数据与模板数据库进行匹配，得到模板数据包括：获取所述模板数据库中每组数据的所述特征数据；通过K近邻方法获取所述参考信号对应的所述特征数据与所述模板数据库中每组数据对应的所述特征数据的距离总和；将所述距离总和小于预设阈值的至少一组数据作为模板数据。
[0015]在其中的一个实施例中，所述根据所述模板数据训练识别模型还包括：将所述第一识别目标与所述第二识别目标进行比对；若所述第一识别目标与所述第二识别目标相同，则基于所述参考数据的特征数据进行迁移学习，得到第二识别模型。
[0016]在其中的一个实施例中，所述根据所述模板数据训练识别模型之后包括：获取待识别数据，所述待识别数据为所述被试者产生的脑电信号；将所述待识别数据输入所述识别模型；输出最终识别结果，所述识别结果为所述第二识别目标的其中一种。
[0017]第二个方面，在本实施例中提供了一种模型训练装置，包括：
[0018]数据获取模块，用于获取参考数据，所述参考数据包括第一识别目标以及对应的参考信号，所述参考信号基于被试者对所述第一识别目标的识别产生；
[0019]特征提取模块，用于根据所述参考数据提取特征数据；
[0020]模板匹配模块，用于根据所述特征数据将所述参考数据与模板数据库进行匹配，得到模板数据，所述模板数据包括第二识别目标以及对应的训练信号，所述第二识别目标至少包括所述参考数据对应的全部所述第一识别目标；
[0021]模型训练模块，用于根据所述模板数据训练识别模型。
[0022]第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的模型训练方法。
[0023]第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的模型训练方法。
[0024]与相关技术相比，在本实施例中提供的模型训练方法，通过获取参考数据，所述参考数据包括第一识别目标以及对应的参考信号，所述参考信号基于被试者对所述第一识别目标的识别产生；根据所述参考数据提取特征数据；根据所述特征数据将所述参考数据与模板数据库进行匹配，得到模板数据，所述模板数据包括第二识别目标以及对应的训练信号，所述第二识别目标至少包括所述参考数据对应的全部所述第一识别目标；根据所述模板数据训练识别模型，解决了数据采集过程繁琐冗长的问题，实现了采集少量数据即可完成识别模型训练的技术效果。
[0025]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0026]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0027]图1是本实施例的模型训练方法的终端的硬件结构框图。
[0028]图2是本实施例的模型训练方法的流程图。
[0029]图3是根据本申请实施例的信号处理示意图。
[0030]图4是根据本申请另一实施例的信号处理示意图。
[0031]图5是根据本申请另一实施例的模型训练方法的示意图
[0032]图6是本实施例的模型训练装置的结构框图。
具体实施方式
[0033]为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
[0034]除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属
具备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取参考数据，所述参考数据包括第一识别目标以及对应的参考信号，所述参考信号基于被试者对所述第一识别目标的识别产生；根据所述参考数据提取特征数据；根据所述特征数据将所述参考数据与模板数据库进行匹配，得到模板数据，所述模板数据包括第二识别目标以及对应的训练信号，所述第二识别目标至少包括所述参考数据对应的全部所述第一识别目标；根据所述模板数据训练识别模型。2.根据权利要求1所述的模型训练方法，其特征在于，所述第一识别目标包括多个不同的识别目标，所述获取参考数据包括：获取被试者在所述第一识别目标的刺激下产生的脑电信号；根据所述第一识别目标向对应的脑电信号添加类别标签，得到所述参考数据。3.根据权利要求2所述的模型训练方法，其特征在于，所述获取被试者在所述第一识别目标刺激下产生的脑电信号之后还包括：针对所述第一识别目标中同一个所述识别目标获取多组所述脑电信号；根据多组所述脑电信号获取与所述识别目标对应的特征数据。4.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述参考数据提取特征数据包括：将所述第一识别目标对应的参考信号分为多组待处理数据；根据所述待处理数据提取对应的待处理向量，所述待处理向量至少包括所述待处理数据的傅里叶变换频域幅值和典型相关分析的频率相关系数；根据所述待处理向量，获取所述参考数据的特征数据。5.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述特征数据将所述参考数据与模板数据库进行匹配，得到模板数据包括：获取所述模板数据库中每组数据的所述特征数据；通过K近邻方法获取所述参考信号对应的所述特征数据与所...

【专利技术属性】
技术研发人员：陈子豪，易昊翔，
申请(专利权)人：杭州回车电子科技有限公司，
类型：发明
国别省市：