System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于脑电信号处理,具体涉及一种基于脑电信号的个性化动态意图特征提取方法、系统、设备及存储介质。
技术介绍
1、动态意图识别技术广泛应用于智能交互、医疗康复等领域,可实现人机交互或康复训练过程中用户意图的实时捕捉。
2、传统的动态意图识别方法主要基于模型对电生理信号的特征提取和分类。但传统的动态意图识别方法训练复杂,无法适应不同个体之间显著的差异性。近年来,深度学习技术为动态意图识别带来新的契机,可直接从原始信号中学习特征表达,如现有技术中公开的公布号为cn 113627518 a,名称为利用迁移学习实现多通道卷积-递归神经网络脑电情感识别模型的方法的文件,主要是通过训练集对模型进行大量训练,但是如果仅依赖大规模数据集训练的统一模型,也无法学习不同个体特有的特征,导致针对个体的识别效果不佳。
技术实现思路
1、本专利技术的目的在于提供一种基于脑电信号的个性化动态意图特征提取方法及相关装置,能够区分用户类型,并根据用户类型和个性化数据进行个性化特征提取。
2、本专利技术第一方面提供了一种基于脑电信号的个性化动态意图特征提取方法,包括:
3、获取目标用户的个性化数据、非类数据及在不同认知状态下对应的脑电信号;
4、提取所述脑电信号的特征,并根据脑电信号和提取的特征构建对应的高维特征数据;
5、将所述高维特征数据输入预设的特征提取模型提取得到全局特征和局部特征,将所述个性化数据进行转换得到对应的个性化特征,将所述非类数据
6、将所述目标用户的全局特征、局部特征、个性化特征和非类特征进行融合,得到第一高维特征矩阵,基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵;
7、对所述第二高维特征矩阵进行张量转换得到核心张量,对所述核心张量进行分解得到分解结果;
8、将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵。
9、可选的,所述基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵,包括:
10、利用预先训练好的个性化识别模型,学习提取不同用户类别的个性化特征及其对应的权重系数;
11、对不同用户类别的个性化特征对应的权重系数构建第一权重向量,对所述第一权重向量进行归一化处理得到第二权重向量;
12、根据所述目标用户对应的用户类别确定第一高维特征矩阵中的个性化特征对应的目标权重向量;
13、利用所述目标权重向量对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵。
14、可选的,所述第一高维特征矩阵和第二高维特征矩阵的第一维度表示目标用户,第二维度表示目标用户对应的特征,所述对所述第二高维特征矩阵进行张量转换得到核心张量,包括:
15、根据所述第二高维特征矩阵的第一维度构建张量的第一维度;
16、根据所述第二高维特征矩阵的第二维度构建所述张量的第二维度;
17、根据所述第二高维特征矩阵的目标用户数量和特征数量对所述张量的第三维度进行降维填充,得到核心张量。
18、可选的,所述对所述核心张量进行分解得到分解结果,包括:
19、利用预设分解目标函数对所述核心张量进行分解得到分解结果,其中,所述预设分解目标函数的表达式为:
20、,
21、,
22、其中,l是损失函数,β是一个超参数,用于控制正则化项的权重强度,r是表达个性化特征的正则化项,u是个性化特征的先验知识均值矩阵,t是核心张量,s是分解结果中的中间低维特征矩阵,包含目标用户的个性化特征表达式,a是用户效应矩阵,b是特征效应矩阵,是t与s、a、b重构张量的误差,最小化该项获得分解结果。
23、可选的,所述先验知识均值矩阵的构建方法,包括:
24、预先获取第一样本用户在不同认知状态下的第一样本脑电信号,其中,所述第一样本脑电信号有标注第一样本用户在对应认知状态下的第一样本个性化数据;
25、利用机器学习算法对所述第一样本脑电信号进行学习得到映射函数,其中,所述映射函数用于编码所述第一样本个性化数据的第一样本向量;
26、根据所述映射函数对第二样本用户在不同认知状态下的第二样本脑电信号提取出对应的第二样本向量,其中,所述第二样本脑电信号无标注第二样本用户在对应认知状态下的第二样本个性化数据;
27、计算所述第一样本向量和第二样本向量的均值得到先验知识均值矩阵。
28、可选的,所述约束特征提取模型的训练方法包括:
29、预先获取样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵;
30、固定所述样本用户效应矩阵和样本特征效应矩阵,对所述样本中间低维特征矩阵进行奇异值分解,得到样本奇异值及其对应的样本奇异向量,对所述样本奇异向量进行过滤得到目标奇异向量,根据所述目标奇异向量构成压缩特征矩阵;
31、固定所述压缩特征矩阵,初始化样本用户效应矩阵和样本特征效应矩阵,利用梯度下降算法更新样本用户效应矩阵和样本特征效应矩阵中的每个元素值;
32、对所述样本中间低维特征矩阵、样本用户效应矩阵和样本特征效应矩阵进行交替迭代,直至达到迭代终止条件。
33、可选的,所述约束特征提取模型包括:输入层、编码层、约束层、解码层和输出层;将所述分解结果输入训练好的约束特征提取模型,得到低维表达矩阵,包括:
34、利用输入层接收所述分解结果;
35、利用编码层所述输入层接收的分解结果中提取高级语义特征;
36、利用约束层在所述高级语义特征中加入个性化的约束,得到个性化语义特征;
37、利用解码层将所述个性化语义特征映射到与输入层一致的低维表达空间,得到低维表达矩阵;
38、利用输出层输出所述低维表达矩阵。
39、本专利技术第二方面提供了一种基于脑电信号的个性化动态意图特征提取系统,包括:
40、获取模块,用于获取目标用户的个性化数据、非类数据及在不同认知状态下对应的脑电信号;
41、提取构建模块,用于提取所述脑电信号的特征,并根据脑电信号和提取的特征构建对应的高维特征数据;
42、提取转换模块,用于将所述高维特征数据输入预设的特征提取模型提取得到全局特征和局部特征,将所述个性化数据进行转换得到对应的个性化特征,将所述非类数据进行转换得到对应的非类特征;
43、融合加权模块,用于将所述目标用户的全局特征、局部特征、个性化特征和非类特征进行融合,得到第一高维特征矩阵,基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵;
44、转换分解模块,用于对所述第二高维特征矩阵进行张量转换得到核心张量,对所述核心张量进行分解得到分解结果;
45、特征本文档来自技高网...
【技术保护点】
1.基于脑电信号的个性化动态意图特征提取方法,其特征在于,包括:
2.如权利要求1所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵,包括:
3.如权利要求1所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述第一高维特征矩阵和第二高维特征矩阵的第一维度表示目标用户,第二维度表示目标用户对应的特征,所述对所述第二高维特征矩阵进行张量转换得到核心张量,包括:
4.如权利要求1所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述对所述核心张量进行分解得到分解结果,包括:
5.如权利要求4所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述先验知识均值矩阵的构建方法,包括:
6.如权利要求4所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述约束特征提取模型的训练方法包括:
7.如权利要求1所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述约束特征提取模型包括:
8.基于脑电信号的个性化动态意图特征提取系统,其特征在于,包括:
9.计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
...【技术特征摘要】
1.基于脑电信号的个性化动态意图特征提取方法,其特征在于,包括:
2.如权利要求1所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述基于注意力机制对第一高维特征矩阵中的个性化特征进行加权处理,得到第二高维特征矩阵,包括:
3.如权利要求1所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述第一高维特征矩阵和第二高维特征矩阵的第一维度表示目标用户,第二维度表示目标用户对应的特征,所述对所述第二高维特征矩阵进行张量转换得到核心张量,包括:
4.如权利要求1所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述对所述核心张量进行分解得到分解结果,包括:
5.如权利要求4所述的基于脑电信号的个性化动态意图特征提取方法,其特征在于,所述先验知识均值矩阵的构建方法,...
【专利技术属性】
技术研发人员:胡方扬,魏彦兆,李宝宝,唐海波,迟硕,
申请(专利权)人:小舟科技有限公司,
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。