【技术实现步骤摘要】
一种基于BPR
‑
STNet的跨被试游戏玩家专业水平分类方法
[0001]本专利技术属于生物特征识别
,具体涉及一种基于BPR
‑
STNet(基于时空特征的大脑模式识别网络)的跨被试游戏玩家专业水平分类方法。
技术介绍
[0002]电子游戏已经成为人类社会中不可或缺的一部分。近年来,人们提出了不同的方法来评估人类对电子游戏的认知方面。由于EEG信号具有较高时间分辨率,被认为是最实用的非侵入式动态大脑监测方法。研究表明,电子游戏训练可以增强老年人的认知功能控制能力。此外,EEG信号也被用于研究游戏玩家体验,并发现在不同强度事件之间EEG信号具有显著差异。不同专业水平的游戏玩家在完成同一游戏任务时,认知负荷强度不同。因此,通过EEG信号不仅可以对游戏玩家专业水平进行分类,还能同时评估认知功能。然而,不同玩家的脑电图信号可能由于肌肉活动、自身的认知活动和个体差异性干扰等因素导致不同。识别不同专业水平游戏玩家的大脑共同模式仍是一项极具挑战的任务。
[0003]EEG信号通常可以提取出五个频段,分别是δ,θ,α,β,γ。在过去的研究中,这五个频段已经被证明可以反映大脑的认知状态。Garc
í
a
‑
Monge等人通过采集不同目标的投掷游戏过程的EEG信号,分析发现不同投掷目标游戏在high
‑
beta具有明显差异。Filho等人采集了12名游戏玩家的射击任务训练前后的EEG信号,并对其进行分析,结果表明训练后的大脑注意力负荷与 ...
【技术保护点】
【技术特征摘要】
1.一种基于BPR
‑
STNet的跨被试游戏玩家专业水平分类方法,其特征在于,包括以下步骤:S1、获取游戏玩家的EEG信号原始数据,并对其进行预处理,构建EEG信号序列;S2、利用训练好的基于BPR
‑
STNet的专业水平分类模型对EEG信号序列进行处理,识别游戏玩家专业水平;S3、基于游戏玩家专业水平,提取对应的关键特征并结合EEG信号序列,确定游戏玩家不同脑区贡献度的脑地形图,实现跨被试游戏玩家专业水平分类。2.根据权利要求1所述的基于BPR
‑
STNet的跨被试游戏玩家专业水平分类方法,其特征在于,所述步骤S1具体为:S11、对EEG信号原始数据依次进行滤波和去伪影处理;S12、对去伪影后的数据采用快速傅里叶变换进行时频分析,提取五个频带的功率谱特征值,并构建EEG信号序列;其中,五个频带包括δ频带、θ频带、α频带、β频带和γ频带。3.根据权利要求1所述的基于BPR
‑
STNet的跨被试游戏玩家专业水平分类方法,其特征在于,所述步骤S2中,基于BPR
‑
STNet的专业水平分类模型包括依次连接的卷积层、平均池化层、第一残差块、第二残差块、第三残差块、第四残差块、全局平均池化层以及全连接层;其中,所述平均池化层和第一残差块、第二残差块和第三残差块以及第四残差块和全局平均池化层之间分别设置有第一累加器、第二累加器和第三累加器,所述第一累加器的输出端还与第二残差块的输出端连接,所述第二累加器的输出端还与所述第三累加器的输入端连接。4.根据权利要求3所述的基于BPR
‑
STNet的跨被试游戏玩家专业水平分类方法,其特征在于,所述第一~第四残差块结构相同,均包括第一逐通道卷积、第一逐点卷积、第二逐通道卷积和第二逐点卷积;其中,所述第一逐通道卷积和第二逐通道卷积均采用C
int
个3*3卷积核提取单个通道上的数据特征并生成对应通道的特征图,所述第一逐点卷积和第二逐点卷积采用C
int
*C
out
个1*1卷积核提取C
int
个通道的数据特征,生成C
out
个特征图;其中,C
int
为输入通道数量,C
out
为输出通道数量。5.根据权利要求3所述的基于BPR
‑
STNet的跨被试游戏玩家专业水平分类方法,其特征在于,所述卷积层使用32个3*3的卷积核将输入的EEG信号序列转换为32个通道对生成同样长度的EEG信号,并通过平均池化层将输入EEG信号长度减半;所述平均池化层的输出表示为:式中,AvgPool(
·...
【专利技术属性】
技术研发人员:郜东瑞,沈艳,王录涛,张永清,林历祺,汪曼青,龚津南,白彬楠,余贞侠,
申请(专利权)人:成都信息工程大学,
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。