本申请提供了一种运动意图的评估方法、系统及电子设备，涉及脑电信号分析处理技术领域，包括采集需求用户的62个通道的原始脑电信号，对所述原始脑电信号进行通道选择，确定第一脑电信号；对所述第一脑电信号进行预处理和特征构建，得到脑电信号的邻接矩阵；根据所述脑电信号的邻接矩阵，通过通道确定模型确定通道之间的关联边的因果关系，辅助评估需求用户的运动意图。的运动意图。的运动意图。
【技术实现步骤摘要】
一种运动意图的评估方法、装置和电子设备
[0001]本专利技术涉及脑电信号分析处理
，尤其涉及一种运动意图的评估方法、装置和电子设备。
技术介绍
[0002]脑电信号提供了一个人的大量信息，反映了大脑区域之间的因果影响特性。现有技术提到了基于格兰杰因果关系计算脑电信号和肌电信号之间的因果关系，用得到的因果关系对脑肌网络进行评估分析。现有技术只能确定不同生理信号之间的因果关系，无法确定各信号采集通道之间的因果关系，使得评估结果的可解释性变弱，从而降低评估的准确率。
[0003]因此，提出一种运动意图的评估方法、装置和电子设备。
技术实现思路
[0004]本说明书提供一种运动意图的评估方法、装置和电子设备，通过通道确定模型确定通道之间的关联边的因果关系，辅助评估需求用户的运动意图，提高评估的准确度。
[0005]本申请提供的一种运动意图的评估方法采用如下的技术方案，包括：
[0006]采集需求用户的62个通道的原始脑电信号，对所述原始脑电信号进行通道选择，确定第一脑电信号；
[0007]对所述第一脑电信号进行预处理和特征构建，得到脑电信号的邻接矩阵；
[0008]根据所述脑电信号的邻接矩阵，通过通道确定模型确定通道之间的关联边的因果关系，辅助评估所述需求用户的运动意图。
[0009]可选的，所述对所述第一脑电信号进行预处理和特征构建，得到脑电信号的邻接矩阵，包括：
[0010]对所述第一脑电信号进行重采样和去噪，得到第二脑电信号；
[0011]对所述第二脑电信号进行分段和频带功率提取，得到脑电通道点特征；
[0012]根据所述脑电通道点特征构建脑电信号的邻接矩阵。
[0013]可选的，所述根据所述脑电通道点特征构建脑电信号的邻接矩阵，包括：
[0014]确定两个通道之间的测地线距离值和两个通道的脑电信号之间的一致相关性值；
[0015]当所述一致相关性值符合预设关联条件时，根据所述一致相关性值与所述测地线距离值得到两个通道之间的关联边的权重值；
[0016]根据所有所述关联边和对应的权重值构建脑电信号的邻接矩阵。
[0017]可选的，所述根据所述脑电信号的邻接矩阵，通过通道确定模型确定通道之间的关联边的因果关系，包括：
[0018]通过关联边分类模型对所述脑电信号的邻接矩阵进行蒸馏操作；
[0019]根据蒸馏后的邻接矩阵对所述脑电信号的邻接矩阵进行训练，得到通道之间的关联边的因果关系。
[0020]可选的，所述通过关联边分类模型对所述脑电信号的邻接矩阵进行蒸馏操作，包括：
[0021]根据关联边分类模型按序拟删除所述邻接矩阵的一条关联边，获得每一所述关联边的因果关系贡献值，根据交叉熵的差值删除因果关系贡献最小的关联边，对剩余的关联边进行排序；
[0022]根据所述因果关系贡献值的大小，从下往上依次删除所述关联边，根据交叉熵的差值，调整所述关联边的权重值，所述关联边分类模型为GNN图神经网络。
[0023]可选的，所述调整所述关联边的权重值，包括：
[0024]若删除所述关联边之后，交叉熵增大，则将增大的交叉熵的差值作为被删除的关联边的权重值，填入蒸馏后的邻接矩阵中；
[0025]若删除所述关联边之后，交叉熵减小，则将被删除的关联边的权重值重置为0。
[0026]可选的，所述根据蒸馏后的邻接矩阵对所述脑电信号的邻接矩阵进行训练，得到通道之间的关联边的因果关系，包括：
[0027]使用图变分自编码器对所述脑电信号的邻接矩阵进行训练，当训练后的邻接矩阵与蒸馏后的邻接矩阵的形似度达到预设相似阈值时，得到训练后的邻接矩阵的每条关联边的因果关系，确定所述关联边对应的通道的关联度。
[0028]本申请提供的一种运动意图的评估系统采用如下的技术方案，包括：
[0029]采集模块，用于采集需求用户的62个通道的原始脑电信号，对所述原始脑电信号进行通道选择，确定第一脑电信号；
[0030]预处理与特征构建模块，用于对所述第一脑电信号进行预处理和特征构建，得到脑电信号的邻接矩阵；
[0031]评估模块，用于根据所述脑电信号的邻接矩阵，通过通道确定模型确定通道之间的关联边的因果关系，辅助评估所述需求用户的运动意图。
[0032]可选的，所述预处理与特征构建模块，包括：
[0033]去噪子模块，用于对所述第一脑电信号进行重采样和去噪，得到第二脑电信号；
[0034]特征提取子模块，用于对所述第二脑电信号进行分段和频带功率提取，得到脑电通道点特征；
[0035]矩阵确定子模块，用于根据所述脑电通道点特征构建脑电信号的邻接矩阵。
[0036]可选的，所述矩阵确定子模块，包括：
[0037]第一确定单元，用于确定两个通道之间的测地线距离值；
[0038]第二确定单元，用于确定两个通道的脑电信号之间的一致相关性值；
[0039]权重值确定单元，用于当所述一致相关性值符合预设关联条件时，根据所述一致相关性值与所述测地线距离值得到两个通道之间的关联边的权重值；
[0040]矩阵构建单元，用于根据所有所述关联边和对应的权重值构建脑电信号的邻接矩阵。
[0041]可选的，所述评估模块，包括：
[0042]蒸馏子模块，用于通过关联边分类模型对所述脑电信号的邻接矩阵进行蒸馏操作；
[0043]训练子模块，用于根据蒸馏后的邻接矩阵对所述脑电信号的邻接矩阵进行训练，
得到通道之间的关联边的因果关系。
[0044]可选的，所述蒸馏子模块，包括：
[0045]排序单元，用于根据关联边分类模型按序拟删除所述邻接矩阵的一条关联边，获得每一所述关联边的因果关系贡献值，根据交叉熵的差值删除因果关系贡献最小的关联边，对剩余的关联边进行排序；
[0046]权重调整单元，用于根据所述因果关系贡献值的大小，从下往上依次删除所述关联边，根据交叉熵的差值，调整所述关联边的权重值，所述关联边分类模型为GNN图神经网络。
[0047]可选的，所述权重调整单元，包括：
[0048]第一权重调整子单元，用于若删除所述关联边之后，交叉熵增大，则将增大的交叉熵的差值作为被删除的关联边的权重值，填入蒸馏后的邻接矩阵中；
[0049]第二权重调整子单元，用于若删除所述关联边之后，交叉熵减小，则将被删除的关联边的权重值重置为0。
[0050]可选的，所述训练子模块，包括：
[0051]通道关联度确定单元，用于使用图变分自编码器对所述脑电信号的邻接矩阵进行训练，当训练后的邻接矩阵与蒸馏后的邻接矩阵的形似度达到预设相似阈值时，得到训练后的邻接矩阵的每条关联边的因果关系，确定所述关联边对应的通道的关联度。
[0052]本说明书还提供一种电子设备，其中，该电子设备包括：
[0053]处理器；以及，
[0054]存储计算机可执本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种运动意图的评估方法，其特征在于，包括：采集需求用户的62个通道的原始脑电信号，对所述原始脑电信号进行通道选择，确定第一脑电信号；对所述第一脑电信号进行预处理和特征构建，得到脑电信号的邻接矩阵；根据所述脑电信号的邻接矩阵，通过通道确定模型确定通道之间的关联边的因果关系，辅助评估所述需求用户的运动意图。2.如权利要求1所述的一种运动意图的评估方法，其特征在于，所述对所述第一脑电信号进行预处理和特征构建，得到脑电信号的邻接矩阵，包括：对所述第一脑电信号进行重采样和去噪，得到第二脑电信号；对所述第二脑电信号进行分段和频带功率提取，得到脑电通道点特征；根据所述脑电通道点特征构建脑电信号的邻接矩阵。3.如权利要求2所述的一种运动意图的评估方法，其特征在于，所述根据所述脑电通道点特征构建脑电信号的邻接矩阵，包括：确定两个通道之间的测地线距离值和两个通道的脑电信号之间的一致相关性值；根据所述一致相关性值与所述测地线距离值得到两个通道之间的关联边的权重值；根据所有所述关联边和对应的权重值构建脑电信号的邻接矩阵。4.如权利要求3所述的一种运动意图的评估方法，其特征在于，所述根据所述脑电信号的邻接矩阵，通过通道确定模型确定通道之间的关联边的因果关系，包括：通过关联边分类模型对所述脑电信号的邻接矩阵进行蒸馏操作；根据蒸馏后的邻接矩阵对所述脑电信号的邻接矩阵进行训练，得到通道之间的关联边的因果关系。5.如权利要求4所述的一种运动意图的评估方法，其特征在于，所述通过关联边分类模型对所述脑电信号的邻接矩阵进行蒸馏操作，包括：根据关联边分类模型按序拟删除所述邻接矩阵的一条关联边，获得每一所述关联边的因果关系贡献值，根据交叉熵的差值删除因果关系贡献最小的关联边，对剩余的关联边进行排序；根据所述因果关系...
【专利技术属性】
技术研发人员：高军晖，何熲，黄文景，
申请(专利权)人：上海暖禾脑科学技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。