一种基于BPR-STNet的跨被试游戏玩家专业水平分类方法技术

本发明专利技术公开了一种基于BPR

【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游戏表现水平具有较高的负相关性。Cross
‑
Villasana等人研究发现，在动态视觉空间游戏任务中，θ和α频段与表现呈负相关。在同一任务下，受试者的频段具有不同的趋势和分布。因此，EEG频段数据可以用来检测大脑的认知状态。
[0004]随着机器学习的发展，研究者也将机器学习应用到研究游戏玩家专业水平分类任务。Anwar等人对提取到的五个频段值输入到机器学习模型中进行游戏玩家专业水平分类研究，同时研究了EEG通道间的相关性。Tehmina等人也基于EEG信号的频域特征来对游戏玩家专业水平进行机器学习分类研究。他们发现基于通道相关系数选择的AF3和P7通道对游戏玩家专业水平分类效果最好。由于不同频段所涉及到的认知功能不同，对分类结果的贡献度也不同，因此我们需要探索不同频段对游戏玩家专业水平分类的贡献。
[0005]尽管上述研究取得了一定的进展，但过于依赖先验知识，并且无法学习或解释具有生物学意义的模式或特征。解释模型从EEG信号中所学习到的特征对探索大脑神经机制具有重要意义。近年来，一些研究开始使用可解释技术呈现模型从EEG信号中学习到的特征。Lawhern等人将卷积核权重可视化、汇总隐藏单元激活的平均输出和计算分类决策的单个试验特征相关性来解释模型分类。Cui等人提出了一种基于Class Activation Mapping(CAM)改进的可解释CNN网络来呈现模型所学习到的特征。
[0006]总之，上述方法虽然取得了较好的效果，但我们认为这些方法存在一定的不足:1)没有分频段对游戏玩家专业水平进行研究。2)采用的机器学习方法过于依赖先验知识。3)这些方法没有探索大脑共同模式或特征。

技术实现思路

[0007]针对现有技术中的上述不足，本专利技术提供的基于BPR
‑
STNet的跨被试游戏玩家专业水平分类方法解决了现有方法的上述问题。
[0008]为了达到上述专利技术目的，本专利技术采用的技术方案为：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：
[0009]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；
[0010]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；
[0011]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。
[0012]进一步地，所述步骤S1具体为：
[0013]S11、对EEG信号原始数据依次进行滤波和去伪影处理；
[0014]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；
[0015]其中，五个频带包括δ频带、θ频带、α频带、β频带和γ频带。
[0016]进一步地，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；
[0017]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。
[0018]进一步地，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；
[0019]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。
[0020]进一步地，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；
[0021]所述平均池化层的输出表示为：
[0022][0023]式中，AvgPool(
·
)表示平均池化操作，x
k,j
为第k个通道的第j个采样点，表示第i个卷积节点的偏置，为卷积层的卷积核权重参数，下标i为卷积节点计数值，下标k为当卷积核所在通道的计数值，m为EEG通道最大数量，m＝31，N1为卷积节点数，即N1＝32。
[0024]进一步地，所述第一～第四残差块的输出表示为：
[0025][0026]式中，为第t层结构的第k个通道的输出，F(
·
)为深度可分离卷积，h
(t
‑
1)
为第t
‑
1层结构的输出，w为权重，t为专业水平分类模型的结构层数计数值，t＝2,3,4,5对应第一～第四残差块。
[0027]进一步地，所述全局平均池化层的输出为：
[0028][0029]式本文档来自技高网...

【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：