【技术实现步骤摘要】
本专利技术涉及一种基于便携式脑电和深度学习的个体偏好预测方法。
技术介绍
1、在购物过程中选择产品，当用户面对较多选择时，选择过程中就需要投入更多认知努力，需要更多权衡比较，甚至会超过所拥有的认知资源总量，需要耗费用户的时间与精力成本。在用户选择或体验过程中，预测偏好进而完成即时智能推荐成为解决用户选择困难或体验不佳的有效方法。脑认知神经科学可以直接测量用户潜在的、无意识的神经活动，对用户的偏好和选择倾向提供了科学的解释。相较于以往的自我报告数据，神经科学工具可以实时动态地跟踪用户决策过程，为研究提供多维度较难观测的精细数据，因此可以更准确地用以预测个人偏好，并做出智能推荐。
技术实现思路
1、本专利技术提供了一种基于便携式脑电和深度学习的个体偏好预测方法解决上述提到的技术问题，具体采用如下的技术方案：
2、一种基于便携式脑电和深度学习的个体偏好预测方法，包含：
3、s1：采集用户选择过程的脑电信号和真实选择；
4、s2：对脑电信号进行预处理；
5、s3：构建动态化分类模型对预处理后的脑电信号进行准确识别分类；
6、s4：对类别进行赋值构建动态偏好模型，结合真实使用场景完成智能推荐。
7、进一步地，所述采集用户选择过程的脑电信号和真实选择的具体方法为：
8、选择并确定使用场景，为用户佩戴便携式脑电设备，便携式脑电设备为24通道，包括cz、c5、fc3、fc4、fcz、fc5、cp3、cp4、cpz、
9、进一步地，所述对脑电信号进行预处理的具体方法为：
10、s21：对获取的脑电信号进行电极点定位、无用电极剔除和设置重参考；
11、s22：通过椭圆滤波器对原始脑电数据进行带通滤波，传输函数的振幅平方函数为：
12、
13、其中rn(x)是雅可比椭圆函数，ω是归一化的频率，ωp是归一化的通带边界频率，θ为与带通衰减有关的参数；
14、s23：使用trimmean函数对坏数据进行剔除，调用格式为：
15、m＝trimmean(x,percent)
16、其中，m为输出参数，x是输入参数，percent为需要去除的数据比例；
17、s24：根据经验模态分解，对脑电信号数据进行变换：
18、
19、其中，为原波形，imf(t)为固有模态函数，residual(t)为残差项，e(t)为误差项；
20、s25：将预处理后的脑电信号进行分段、标记和划分数据集，用于后续的训练和测试。
21、进一步地，所述构建动态化分类模型对预处理后的脑电信号进行准确识别分类的具体方法为：对预处理后的脑电信号提取事件相关电位，通过卷积神经网络cnn提取脑电信号中的空间特征，通过循环神经网络rnn更深层次提取时序特征，完成各个指标的识别分类。
22、进一步地，所述构建动态化分类模型对预处理后的脑电信号进行准确识别分类的具体方法为：
23、s31：脑电信号特征提取：对脑电信号进行特征提取得到若干脑电信号特征；
24、s32：空间特征提取：通过卷积神经网络cnn卷积操作函数对每个时间段的脑电信号提取出空间特征，其中，卷积操作函数提取出相邻时间点或相邻频率点之间的空间特征，将输入脑电信号与卷积核进行卷积运算，得到一系列特征图，可以表示输入信号的某种局部空间结构或者频域信息，计算公式为：
25、
26、其中，输入矩阵大小为w，卷积核大小为步幅为补零层数为p，权重值w′；
27、s33：时序特征提取：使用循环神经网络rnn多层循环层对卷积神经网络cnn提取的空间特征进行更深层次的时序特征提取，将每个时间点脑电信号的空间特征向量提取到rnn中，连续捕捉时间序列数据中的动态变化；
28、s34：将rnn提取层的输出结果展开成二维矩阵，将展开后的矩阵与权重矩阵相乘，得到新矩阵，对新矩阵进行加权求和得到向量，并对向量进行非线性变换得到全连接层。
29、s35：对输出的全连接层进行分类，将若干脑电信号特征分为高、中、低三个程度等级；
30、s36：采用误差逆传播算法进行多层网络训练得到动态化分类模型。
31、进一步地，脑电信号特征包括视听的早期注意、注意力、信息过滤、记忆、敏感性、侦查与加工、认知努力、信息判断和积极情绪九个维度。
32、进一步地，所述对类别进行赋值构建动态偏好模型，结合真实使用场景完成智能推荐的具体方法为：
33、s41：根据若干脑电信号特征类别依次进行赋值，赋值程序为：1＝低程度，2＝中等，3＝高程度；
34、s42：1000个训练集得出的1000数据集，表示为因变量分为选择与放弃，采用逻辑回归计量建模进行；
35、s43：代入测试集重复以上所有过程，直至预测结果无限接近真实值；
36、s44：将用户测试的若干脑电信号特征分类状态及决策过程的数据分析结果形成简洁的分析报告，通过“选择”或“放弃”偏好预测出用户的真实偏好，通过无线连接将智能推荐结果传递到智能终端，反馈给用户，进而促使用户获得更好的体验。
37、s45：当用户对智能推荐结果不满意时，最终决策时间段内脑电信号与推荐结果将重复以上所有步骤，重新进行特征提取与分类，调整智能偏好预测模型系数，使得整个智能推荐系统达到最优状态，并作出智能推荐，促使用户获得满意的、愉悦的体验，更好满足用户需求。进一步地，
38、所述便携式脑电设备为便携式脑电帽，所述便携式脑电帽具有无线传输功能，所述便携式脑电帽还包含用户识别模块，用于识别用户的身份，当识别出用户的身份后，根据用户身份自动获取该用户的历史记录，所述历史记录包含各模型的参数，各模型自动加载相关参数。
39、进一步地，所述用户识别模块为指纹识别模块，所述指纹识别模块集成在所述便携式脑电帽上。
40、进一步地，在多个用户同时体验同一场景的情况下，为多个用户同时佩戴对应的所述便携式脑电帽，通过上述方法为每个用户进行独立的实时的个体偏好预测，并根据多个独立的个体偏好预测结果得到最终的统一预测结果。
41、本专利技术的有益之处在于所提供的基于便携式脑电和深度学习的个体偏好预测方法，更加客观全面地量化分析用户的脑电信号，预测过程更加全面完整，预测结果更加快速、准确。
本文档来自技高网...【技术保护点】
1.一种基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，包含：
2.根据权利要求1所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，
3.根据权利要求2所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，
4.根据权利要求3所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，
5.根据权利要求4所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，
6.根据权利要求5所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，
7.根据权利要求5所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，
8.根据权利要求7所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，
9.根据权利要求8所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，所述用户识别模块为指纹识别模块，所述指纹识别模块集成在所述便携式脑电帽上。
10.根据权利要求8所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，<...
【技术特征摘要】
1.一种基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，包含：
2.根据权利要求1所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，
3.根据权利要求2所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，
4.根据权利要求3所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，
5.根据权利要求4所述的基于便携式脑电和深度学习的个体偏好预测方法，其特征在于，
6.根据权利要求5所述的基于便携式脑...
【专利技术属性】
技术研发人员：王风华，韦维，潘煜，张效初，王墨涵，马海景，
申请(专利权)人：上海外国语大学，
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。