脑波状态数据库的构建方法、系统及存储介质技术方案

本发明专利技术的一种脑波状态数据库的构建方法、系统及存储介质，包括以下步骤，使用脑波数据通过深度学习方法构建脑波状态转移图；存储所构建的脑波状态转移图，以图数据库的方式存储，用于描述脑波各种状态之间可能的转移路径。本发明专利技术的脑波状态数据库的构建方法其不依赖于专家知识，直接从大量的脑波数据中自动识别提取脑波状态，更加符合脑波数据的情况；本发明专利技术预训练类似BERT结构的模型和脑波数据自动划分识别模型，对于数据的要求不高，采集的各类脑波数据统一形式之后均可以使用；本发明专利技术构建的脑波状态数据库由于是通过通用数据无监督构建的，所以对于一些脑波状态相关的特定任务具有很好的辅助作用。任务具有很好的辅助作用。

【技术实现步骤摘要】
脑波状态数据库的构建方法、系统及存储介质


[0001]本专利技术涉及脑波状态分析
，具体涉及一种脑波状态数据库的构建方法、系统及存储介质。

技术介绍

[0002]脑波(英语：brainwave)亦称"脑电波",脑波是神经元细胞之间传递信息时产生的生物电信号；是大脑皮质中的锥体细胞突触活动时产生的离子交换而产生的电波信号。脑细胞只要是活动就会产生相应的生物电，也是通过这些电通过树突来跟别的脑细胞进行联接，形成思维的网络；在科学应用上我们能通过仪器检测到的脑波必须由一定数量的神经元细胞活动而产生的，作为频率的不同分为下面几种类型；Δ波、Θ波、α波、β波、γ波等：根据大脑状态管理的不同把β波在细分为Smr波、βl波(低β波)、βh波(高β波)。
[0003]目前针对脑波的研究包括：脑波状态分析，脑波诱导等。大多关于脑波的研究通常需要预先知道各种状态形式，这就需要专家知识辅助，专家知识一般也仅限于固定的标准对脑波进行判断，例如按照主要频率进行划分。其实与人思想相关的脑波复杂程度不仅仅是频率能够反映的，更合理的方式应当是通过对大量脑波数据进行研究，将其所有的形态尽量全部或者大部分进行分析记录，进而反过来指导脑波状态的研究。
[0004]自然语言处理技术中的BERT(Bidirectional Encoder Representations from Transformers)是一种预训练的模型。该模型是使用海量文本数据进行训练得到的，其用法之一就是类似Word2vec模型一样当作文本特征提取的工具，也就是对文本进行编码，其对于各类自然语言处理任务都有巨大的提升。该模型相当于是使用海量与任务不相关的文本数据得到一套具有海量信息的编码方法，其对于领域内数据资源的利用对于脑波数据研究中存在的目标研究数据量少的问题具有启发作用。
[0005]总得来说，目前对于脑波状态数据的构建技术研究较少。脑波状态的识别需要专业人员进行协助，局限于对脑波数据的频率认知，其实脑波的各种变化形态并没有考虑。

技术实现思路

[0006]本专利技术提出的一种脑波状态数据库的构建方法，可解决上述技术问题。
[0007]为实现上述目的，本专利技术采用了以下技术方案：
[0008]一种脑波状态数据库的构建方法，包括以下步骤，
[0009]使用脑波数据通过深度学习方法构建脑波状态转移图；
[0010]存储所构建的脑波状态转移图，以图数据库的方式存储，用于描述脑波各种状态之间可能的转移路径。
[0011]进一步的，所述使用脑波数据通过深度学习方法构建脑波状态转移图，步骤如下：
[0012]首先训练得到一个针对脑波数据的类BERT编码模型，基于该模型编码之后的脑波数据训练一个可以自动划分识别脑波数据的模型，该模型能够将脑波数据每一个值识别为不同的编号，范围为1～n，n的大小通过实验确定；相同编号的数据值为一个同一个状态，编
号也代表最终形成的图的节点编号；
[0013]构图模块根据脑波数据得到的每一个状态转移路径构造出脑波状态转移图。
[0014]进一步的，构图过程中，将状态编号当做节点，状态之间存在转变过程的，则存在边，否则不存在边；收集每一条脑波数据对应的状态转移路径，相同的编号代表相同的状态，同时统计每条边的出现次数作为边的权重。
[0015]进一步的，所述基于该模型编码之后的脑波数据训练一个可以自动划分识别脑波数据的模型，其训练步骤如下：
[0016](1)脑波数据符号化：
[0017]首先根据采集设备采集到的数据，表示为X(x1,x2,
…
x
n
)，得到数据每一个时间步可能的最大值V
max
和最小值V
min
，将区间[V
min
,V
max
]均匀划分成N个箱，分别使用1～N表示；对于数据中的值x
i
，如果V
min
<＝x
i
<＝V
min
+(V
max
‑
V
min
)/N，那么就将x
i
记为1；如果V
min
+(V
max
‑
V
min
)/N<＝x
i
<＝V
min
+2*(V
max
‑
V
min
)/N，那么就将x
i
记为2；以此类推，将X编码为使用1
‑
N表示的序列；
[0018](2)将脑波数据处理成符号序列之后，模拟Bert的Embedding方式；其中：
[0019]Token Embeddings是词向量，第一个单词是CLS标志，表示数据边界，用于之后的分类任务；
[0020]Segment Embeddings用来区别序列预测中的输入输出，序列预测指的是使用前面L1个时间步的数据预测后面L2个时间步的数据；
[0021]Position Embeddings表示可以学习得到的位置编码；
[0022](3)使用BERT的网络结构进行改进任务的训练；
[0023]直接使用BERT的网络结构，进行如下的两个训练任务：
[0024]31)、T1：Masked语言模型
[0025]该步骤与原始的BERT训练一致，训练过程中，随机mask 15％的token，最终的损失函数只计算被mask掉那个token；
[0026]32)、T2：句子预测
[0027]在该步骤中执行序列预测，使用脑波数据中的前L1个时间步的数据预测后L2个时间步的数据。
[0028]进一步的，所述自动划分识别脑波数据的模型包括：
[0029]Self
‑
attention模块：使用自注意力Self
‑
attention机制实现的模块，计算编码后脑波数据每个数据值之间的相似度分数，如果脑波数据长度为L，该模块的输出结果为L*L的矩阵；如对于其中的值a
ij
表示，第i个值和第j个值之间的相似度分数；
[0030]图卷积层：对Self
‑
attention模块的输出进行图卷积操作，得到的输出是数据中每个点的图特征向量，假设为L*E1矩阵，那么原始数据中第i个点就表示成长度为E1的图特征向量；该特征具有两个作用，一方面进行状态编号识别，一方面则用于状态特征变换；
[0031]状态编号预测：根据图卷积层的输出，识别脑波数据的每个点对应的状态编号也即构图中的编号；
[0032]状态特征变换：根据状态编号和图卷积层得到的特征向量，得到每个状态编号在当前处理数据中的图特征向量，经过变换得到每个状态编号对应的特征；
[0033]状态特征矩阵：在该模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑波状态数据库的构建方法，其特征在于，包括以下步骤，使用脑波数据通过深度学习方法构建脑波状态转移图；存储所构建的脑波状态转移图，以图数据库的方式存储，用于描述脑波各种状态之间可能的转移路径。2.根据权利要求1所述的脑波状态数据库的构建方法，其特征在于：所述使用脑波数据通过深度学习方法构建脑波状态转移图，步骤如下：首先训练得到一个针对脑波数据的类BERT编码模型，基于该模型编码之后的脑波数据训练一个可以自动划分识别脑波数据的模型，该模型能够将脑波数据每一个值识别为不同的编号，范围为1～n，n的大小通过实验确定；相同编号的数据值为一个同一个状态，编号也代表最终形成的图的节点编号；构图模块根据脑波数据得到的每一个状态转移路径构造出脑波状态转移图。3.根据权利要求2所述的脑波状态数据库的构建方法，其特征在于：构图过程中，将状态编号当做节点，状态之间存在转变过程的，则存在边，否则不存在边；收集每一条脑波数据对应的状态转移路径，相同的编号代表相同的状态，同时统计每条边的出现次数作为边的权重。4.根据权利要求2所述的脑波状态数据库的构建方法，其特征在于：所述基于该模型编码之后的脑波数据训练一个可以自动划分识别脑波数据的模型，其训练步骤如下：(1)脑波数据符号化：首先根据采集设备采集到的数据，表示为X(x1,x2,
…
x
n
)，得到数据每一个时间步可能的最大值V
max
和最小值V
min
，将区间[V
min
,V
max
]均匀划分成N个箱，分别使用1～N表示；对于数据中的值x
i
，如果V
min
<＝x
i
<＝V
min
+(V
max
‑
V
min
)/N，那么就将x
i
记为1；如果V
min
+(V
max
‑
V
min
)/N<＝x
i
<＝V
min
+2*(V
max
‑
V
min
)/N，那么就将x
i
记为2；以此类推，将X编码为使用1
‑
N表示的序列；(2)将脑波数据处理成符号序列之后，模拟Bert的Embedding方式；其中：Token Embeddings是词向量，第一个单词是CLS标志，表示数据边界，用于之后的分类任务；Segment Embeddings用来区别序列预测中的输入输出，序列预测指的是使用前面L1个时间步的数据预测后面L2个时间步的数据；Position Embeddings表示可以学习得到的位置编码；(3)使用BERT的网络结构进行改进任务的训...

【专利技术属性】
技术研发人员：焦良存，李亚楠，
申请(专利权)人：安徽七度生命科学集团有限公司，
类型：发明
国别省市：