技术特征：
1.一种脑成像融合特征的稳定模式判别方法，其特征在于，包括如下步骤：步骤1：原始脑成像信号首先通过网关上传到私有云服务器，私有云服务器进行特征提取并传回网关，训练好的模型从私有云平台上被下载到本地网关；步骤2：本地网关依赖雾计算服务平台，重点实现对脑状态个体化精准判别；步骤3：云服务平台负责对特征提取、模型的自动学习与自动超参数优化与所有分类器模型的训练。2.如权利要求1所述的一种脑成像融合特征的稳定模式判别方法，其特征在于，针对步骤1，对于第一次使用该系统时，该系统的网关在默认情况下需要从云平台中下载最新并训练好的分类器模型，本地网关之后加载这一从云平台中下载的最新并训练好的分类器以完成模型的部署，网关然后下载特征数据进行分类，并将分类结果显示给终端客户的手持设备或者个人电脑上，经过病人授权的脑成像数据经医生校准后上传到私有云服务器，这部分数据可以作为新的训练数据，驱动模型优化与训练。3.如权利要求1所述的一种脑成像融合特征的稳定模式判别方法，其特征在于，在私有云服务器端，首先利用分组贝叶斯优化自动学习技术对分类器的超参数进行优化和训练，经过专家确认的脑成像数据和分类器模型被保存到到分布式文件系统中，以便供相应网关下载和热部署。4.如权利要求3所述的一种脑成像融合特征的稳定模式判别方法，其特征在于，分布式文件系统内的所有数据因经过专家评估可以上传到公有云以供医院间进行模型与数据共享。5.如权利要求1所述的一种脑成像融合特征的稳定模式判别方法，其特征在于，分类器模型持续问题自优化包括超参数空间分组、基于markov链分组选择、组内超参数优化、基于决策树的规则优化。6.如权利要求5所述的一种脑成像融合特征的稳定模式判别方法，其特征在于，对于基于markov链分组选择，一个分组内的所有超参数被全部优化后，需要选择下一组内的超参数进行优化，把分组内超参数优化定义为状态，求解分组优化条件转移概率的一种有效方法是计算不同分组之间的概率转移矩阵。7.如权利要求5所述的一种脑成像融合特征的稳定模式判别方法，其特征在于，对于组内超参数优化，对于一个分组内超参数的优化，其可以归结为一个贝叶斯优化过程。8.如权利要求5所述的一种脑成像融合特征的稳定模式判别方法，其特征在于，对于基于决策树的规则优化，在超参数空间中，优化算法通过试验获得最优的神经网络超参数配置，以期获得最大的分类精度。
技术总结
本发明公开了一种脑成像融合特征的稳定模式判别方法，包括如下步骤：步骤1：原始脑成像信号首先通过网关上传到私有云服务器，私有云服务器进行特征提取并传回网关，训练好的模型从私有云平台上被下载到本地网关；步骤2：本地网关依赖雾计算服务平台，重点实现对脑状态个体化精准判别；步骤3：云服务平台负责对特征提取、模型的自动学习与自动超参数优化与所有分类器模型的训练。本发明发展并利用自动机器学习技术，该技术旨在利用数据进行网络的超参数的自动优化；不同于传统深度网络专注于设计并应用模型，其本质是一种无监督的元学习，即建立模型学习建立自适应模型，将极大提高模型对大脑神经电活动动态的自适应性。对大脑神经电活动动态的自适应性。对大脑神经电活动动态的自适应性。
技术研发人员：柯亨进 陈丹 李小俚 王凤琴 刘志远
受保护的技术使用者：湖北理工学院
技术研发日：2021.09.03
技术公布日：2021/11/30