本申请涉及信号处理,尤其涉及一种脑电信号分类模型训练方法、脑电信号分类方法以及装置。
背景技术:
1、脑机接口,指在人的大脑与外部设备之间创建的连接,实现大脑与外部设备的信息交换。基于脑机接口的系统可以帮助用户用大脑意图控制设备执行任务。脑机接口系统已经被广泛应用于多个领域。例如,脑机接口系统应用在游戏领域时,可以根据用户的脑电信号,控制游戏画面内的虚拟人物做出相应的动作,比如行走、跳跃、转向等。脑机接口系统在采集到用户的脑电信号之后,如何确定脑电信号的类别,以准确分析出脑电信号对应的控制意图,是十分重要的问题。
2、目前大量的机器学习方法被应用于进行脑电信号的分类分析。但是,由于不同用户的脑电信号差异十分巨大,因此基于单一用户的数据训练出的分类模型,难以适用于其他用户的脑电信号分类。使得实际应用中的分类模型通用性较差,难以作为一个多用户通用的分类模型。
技术实现思路
1、本申请提供一种脑电信号分类模型训练方法、脑电信号分类方法以及装置,用以解决实际应用中现有脑电信号分类模型通用性较差的问题,通过采用源域样本数据和目标域样本数据同时对模型进行训练,提高了模型的泛化性能。
2、第一方面,本申请提供一种脑电信号分类模型训练方法,包括:
3、获取目标域样本数据,以及源域样本数据;所述目标域样本数据包括目标对象的脑电信号,所述源域样本数据包括除所述目标对象以外的辅助对象的脑电信号;
4、获取待训练的初始分类模型,基于所述源域样本数据对所述初始分类模型进行初步训练,得到训练完成的候选分类模型;
5、基于所述目标域样本数据和所述源域样本数据对所述候选分类模型进行微调训练,得到训练完成的目标分类模型;所述目标分类模型用于对所述目标对象的脑电信号进行分类。
6、上述技术方案中,预先采用源域数据中的数据信息进行模型初步训练,提高分类模型的预测精度,为了避免后续采用目标域样本数据对初步训练后的分类模型进行微调时产生的过拟合问题,采用源域样本数据和目标域样本数据同时对初步训练后的分类模型进行微调训练,得到训练完成的目标分类模型,实现提高模型的泛化能力。
7、第二方面,本申请还提供一种脑电信号分类方法,所述方法包括:
8、获取目标对象的脑电信号;
9、将所述脑电信号输入至预先训练完成的目标分类方法,得到所述目标对象的分类结果;所述目标分类模型为根据上述第一方面所述的脑电信号分类模型训练方法训练得到的目标分类模型。
10、在上述技术方案中,预先采用源域数据中的数据信息进行模型初步训练,提高分类模型的预测精度,为了避免后续采用目标域样本数据对初步训练后的分类模型进行微调时产生的过拟合问题,采用源域样本数据和目标域样本数据同时对初步训练后的分类模型进行微调训练,得到训练完成的目标分类模型,实现提高模型的泛化能力,从而提高了对目标对象的脑电信号进行分类处理时的处理效率和处理效果。
11、第三方面,本申请还提供一种脑电信号分类模型训练装置,包括:
12、样本数据获取模块,用于获取目标域样本数据,以及源域样本数据;所述目标域样本数据包括目标对象的脑电信号,所述源域样本数据包括除所述目标对象以外的辅助对象的脑电信号;
13、候选分类模型获得模块,用于获取待训练的初始分类模型,基于所述源域样本数据对所述初始分类模型进行初步训练,得到训练完成的候选分类模型;
14、目标分类模型获得模块,用于基于所述目标域样本数据和所述源域样本数据对所述候选分类模型进行微调训练,得到训练完成的目标分类模型;所述目标分类模型用于对所述目标对象的脑电信号进行分类。
15、可选的,所述候选分类模型包括特征提取模块、第一分类模块和第二分类模块;
16、相应的,目标分类模型获得模块,包括:
17、脑电特征获得子模块,用于在任一迭代轮次中,分别将所述目标域样本数据和所述源域样本数据输入至所述特征提取模块,得到所述目标域的目标脑电特征以及所述源域的辅助脑电特征;
18、分类预测结果获得子模块,用于将所述目标脑电特征输入至所述第一分类模块得到所述目标域的目标分类预测结果,以及将所述辅助脑电特征输入至所述第二分类模块得到所述源域的辅助分类预测结果;
19、模型更新子模块,用于基于所述目标分类预测结果、所述辅助分类预测结果、所述目标域样本数据和所述源域样本数据生成所述候选分类模型的模型损失函数,并基于所述模型损失函数对所述候选分类模型进行模型参数更新,得到当前迭代轮次更新后的候选分类模型。
20、第四方面,本申请还提供一种脑电信号分类装置,所述装置包括:
21、脑电信号获取模块,用于获取目标对象的脑电信号;
22、分类结果获得模块,用于将所述脑电信号输入至预先训练完成的目标分类方法,得到所述目标对象的分类结果;所述目标分类模型为根据上述第一方面所述的脑电信号分类模型训练方法训练得到的目标分类模型。
23、第五方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接
24、的存储器;
25、所述存储器存储计算机执行指令;
26、所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面或者第二方面所述的方法。
27、第六方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面或者第二方面所述的方法。
28、第七方面,本申请提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现第一方面或者第二方面所述的方法。
29、本申请提供的模型训练方法,预先采用源域数据中的数据信息进行模型初步训练,提高分类模型的预测精度,为了避免后续采用目标域样本数据对初步训练后的分类模型进行微调时产生的过拟合问题,采用源域样本数据和目标域样本数据同时对初步训练后的分类模型进行微调训练,得到训练完成的目标分类模型,实现提高模型的泛化能力。
1.一种脑电信号分类模型训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述候选分类模型包括特征提取模块、第一分类模块和第二分类模块;
3.根据权利要求2所述的方法,其特征在于,所述候选分类模型还包括梯度加权模块;
4.根据权利要求2所述的方法,其特征在于,所述特征提取模块包括浅层特征提取层、下采样层以及深层特征提取层;
5.根据权利要求1所述的方法,其特征在于,在所述候选分类模型停止训练后,所述方法还包括:
6.一种脑电信号分类方法,其特征在于,所述方法包括:
7.一种脑电信号分类模型训练装置,其特征在于,所述装置包括:
8.一种脑电信号分类装置,其特征在于,所述装置包括:
9.一种电子设备,其特征在于,包括:处理器以及与所述处理器通信连接的存储器;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至5中任意一项所述的脑电信号分类模型训练方法和权利要求6所述的脑电信号分类方法。