【技术实现步骤摘要】
本专利技术涉及脑电信号分类，尤其涉及一种微弱非对称性视觉刺激的变异数据不确定性分析模型的训练方法及应用。
技术介绍
1、近年来，越来越多的公司和资本投入到脑-机接口(brain-computer interface，bci) 产品的研发当中，探索 bci 应用的商业化。bci 商业化对整个 bci 产品的可靠性、稳定性和易用性都提出了更高的要求，在商业化过程中面临着许多在实验室环境下较少遇到的障碍，其中一个重要的障碍是 bci的变异性问题（variability problem）。基于学习方法的一个重要前提假设是训练数据和测试数据具有同样的特征分布，测试数据特征处于训练集特征分布外或测试数据特征处于训练集特征稀疏区域上，模型倾向对上述的测试数据做出错误的决策。同时脑电信号（eeg）的非稳态特性下经常不满足上述假设条件，导致基于eeg的bci系统性能降低。
2、基于不确定性分析方法通过对训练集分布建模，量化观测数据的判别不确定性，从而捕获观测数据相对于训练集的偏移程度，主动舍弃部分相对于训练集偏移程度大的低质量的变异数据，以此...
【技术保护点】
1.微弱非对称性视觉刺激的变异数据不确定性分析模型的训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的微弱非对称性视觉刺激的变异数据不确定性分析模型的训练方法，其特征在于，应用训练集训练贝叶斯网络模型具体包括：分别将训练集及其对应的判别集带入贝叶斯网络模型，以分别计算变分后验损失、变分前验损失和变分似然函数损失，并利用上述损失的反向传播迭代更新贝叶斯网络中的参数，迭代更新的参数包括：贝叶斯网络中特征提取模块的权重和偏置；贝叶斯网络模型中变分前验分布的可学习的权重；贝叶斯网络模型中变分后验分布的待学习的变分偏差和变分权重；
3.根据权...
【技术特征摘要】
1.微弱非对称性视觉刺激的变异数据不确定性分析模型的训练方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的微弱非对称性视觉刺激的变异数据不确定性分析模型的训练方法，其特征在于，应用训练集训练贝叶斯网络模型具体包括：分别将训练集及其对应的判别集带入贝叶斯网络模型，以分别计算变分后验损失、变分前验损失和变分似然函数损失，并利用上述损失的反向传播迭代更新贝叶斯网络中的参数，迭代更新的参数包括：贝叶斯网络中特征提取模块的权重和偏置；贝叶斯网络模型中变分前验分布的可学习的权重；贝叶斯网络模型中变分后验分布的待学习的变分偏差和变分权重；
3.根据权利要求1所述的微弱非对称性视觉刺激的变异数据不确定性分析模型的训练方法，其特征在于，变分前验分布记为，通过如下方法计算获得：
4.根据权利要求3所述的微弱非对称性视觉刺激的变异数据不确定性分析模型的训练方法，其特征在于，变分后验分布记为，通过如下方式计算获得：
5.根据权利要求4所述的微弱非对称性视觉刺激的变异数据不确定性分析模型的训练方法，其特征在于，变分后验损失记为，通过如下方式计算确定：
...【专利技术属性】
技术研发人员：陈恩泽，何峰，肖晓琳，周晓宇，王俊洋，孟琳，许敏鹏，明东，
申请(专利权)人：天津大学，
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。