一种基于特征增强堆叠降噪自编码器的认知负荷评估方法与流程

本发明属于脑机接口，具体涉及一种基于特征增强堆叠降噪自编码器的认知负荷评估方法，适用于认知负荷评估问题。

背景技术：

1、在脑机接口领域，认知负荷评估是一个普遍的问题。研究表明，当人的认知负荷过高或过低时，都会降低工作绩效。因此，及时对认知负荷进行评估对于提升工作绩效具有重要意义。认知负荷可以通过主观评价、任务绩效和生理参数来获得。bedford和nasa-tlx负荷量表被广泛用于认知负荷的主观评估，被认为是全面有效的方法。但是主观评价方法需要花费大量的时间，依赖于任务结束后受试者的记忆，无法提供实时的认知负荷状态。任务绩效法容易受到任务难度的影响，当任务发生变化时，认知负荷基线也需要进行调整。已有研究表明，生理参数随着认知负荷的增加而发生变化，是评估认知负荷客观有效的方法。在各类生理参数中，由于脑电图数据(electroencephalogram,eeg)具有时间分辨率高、可长时间记录和便携的优点，基于脑电数据建立认知负荷评估模型成为一种主流方法。

2、在认知负荷模型的选择中，堆叠降噪自编码器(stacked denosing autoencoder,sdae)能充分利用无监督数据进行预训练，适用于脑电数据充足而主观标签不足的认知负荷评估问题。然而，传统sdae的预训练过程不能从eeg中提取与标签相关的特征，sdae各层的训练参数也缺乏可解释性。

技术实现思路

1、本发明要解决的技术问题是针对sdae现有的预训练方法难以提取与标签相关的特征、预训练参数缺乏可解释性的问题，提出一种基于特征增强堆叠降噪自编码器的认知负荷评估方法，使其从原始脑电信号通道中逐层提取增强的特征，并引导训练过程更快地向极小值趋近，减少训练时间。

2、一种基于特征增强堆叠降噪自编码器的认知负荷评估方法，所述方法包括：

3、s1，获取脑电和负荷等级数据{x,yl}，其中x为有标签和无标签的脑电数据总和，l为有标签样本的个数，将有标签脑电数据记为xl，yl为有标签脑电数据xl相对应的负荷等级；

4、s2，将x输入到n层堆叠降噪自编码器模型中，在第1层中，令x每个通道的元素按一定比例随机为零，实现降噪过程，降噪结果记为z，其中有标签的结果记为zl；

5、s3，以z作为n层堆叠降噪自编码器模型的输入，对降噪后所有的有标签样本{zl,yl}＝{(z1,y1),(z2,y2),...,(zl,yl)}，计算第i个脑电信号通道对输出的重要程度，记为相关系数；进而根据所述相关系数计算第i个脑电信号通道的权重，其中，i＝1，…，m,m为脑电信号通道总数；进而得到第1层参数优化的损失函数；

6、s4，将第1层的编码结果输入至第2层，将第2层的编码结果输入至第3层，以此类推；对于第2层至第n层中任意第n层，计算第n层参数优化的损失函数；

7、s5，利用有标签样本{xl,yl}对n层堆叠降噪自编码器模型的预训练参数以及模型的输出参数进行微调，最优参数；

8、s6，根据所述最优参数，对新采集的脑电数据进行处理，得到对应的认知负荷评估结果。

9、进一步的，

10、s3中，计算计算第i个脑电信号通道对输出的重要程度，记为相关系数；具体为：

11、以z作为输入，第1层神经网络的编码过程为解码过程为其中w1为第1层神经网络权重，b1为第1层神经网络偏置，σ为sigmoid激活函数，θ1＝{w1,b1}，针对降噪后所有的有标签样本{zl,yl}＝{(z1,y1),(z2,y2),...,(zl,yl)}，第i个脑电信号通道对输出的重要程度定义为相关系数，计算公式为其中cov表示协方差，var表示方差。

12、进一步的，

13、s3中，根据所述相关系数计算第i个脑电信号通道的权重，具体为：

14、第i个脑电信号通道的权重为其中m为脑电信号通道总数。

15、进一步的，

16、s3中，第1层参数优化的损失函数为

17、

18、其中，δ为m×m的单位矩阵，m为脑电通道的个数，l为有标签和无标签样本的总数，zij表示z中第j个样本的第i个脑电通道电压值，表示中第j个样本的第i个脑电通道电压值。

19、进一步的，

20、s4具体为：

21、将第1层的编码结果h1输入至第2层，将第2层的编码结果h2输入至第3层，以此类推；

22、针对第2至n层，以第n层为例，编码和解码过程分别为其中hn为第n层特征，特征个数记为mn；wn为第n层神经网络权重，bn为第n层神经网络偏置，σ为sigmoid激活函数，θn＝{wn,bn}，

23、第(n-1)层的第k个特征记为其与标签的相关系数为其中cov表示协方差，var表示方差；第(n-1)层的第k个特征的权重为

24、进而得到第n层参数优化的损失函数。

25、进一步的，

26、进而得到第n层参数优化的损失函数，具体为：

27、

28、其中，δ为mn-1×mn-1的单位矩阵，l为有标签和无标签样本的总数，表示hn-1中第j个样本的第k个特征，表示中第j个样本的第k个特征。

29、进一步的，

30、s5具体为：

31、利用有标签样本{xl,yl}对编码器的预训练参数{θ1,...,θn}以及模型的输出参数θhy＝{why,bhy}进行微调，why为输出层的权重，bhy为输出层的偏置；监督微调的交叉熵损失函数为

32、

33、其中f为n层神经网络的推理过程，yj为yl中的第j个样本，为中的第j个样本，log为对数函数，利用adam优化算法得到最优参数

34、进一步的，

35、s6具体为：新采集到的脑电数据记为xnew，认知负荷评估结果记为yeva，

36、本发明技术方案提供了一种较好的深度神经网络初始化方法，通过对各层特征与标签的相关性分析，合理分配每个特征在损失函数中的权重。在逐层预训练中，重点关注重要的脑电信号通道和特征，逐步剔除不相关的特征，起到了特征增强的效果。该方法可引导训练过程更快地向极小值趋近，减少训练时间。该方法针对不同的脑机设备可灵活调整模型的输入输出维数和超参数，适用于多种场景，通用性强。

技术特征：

1.一种基于特征增强堆叠降噪自编码器的认知负荷评估方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种基于特征增强堆叠降噪自编码器的认知负荷评估方法，其特征在于，s3中，计算计算第i个脑电信号通道对输出的重要程度，记为相关系数；具体为：

3.根据权利要求2所述的一种基于特征增强堆叠降噪自编码器的认知负荷评估方法，其特征在于，s3中，根据所述相关系数计算第i个脑电信号通道的权重，具体为：

4.根据权利要求3所述的一种基于特征增强堆叠降噪自编码器的认知负荷评估方法，其特征在于，s3中，第1层参数优化的损失函数为

5.根据权利要求4所述的一种基于特征增强堆叠降噪自编码器的认知负荷评估方法，其特征在于，s4具体为：

6.根据权利要求5所述的一种基于特征增强堆叠降噪自编码器的认知负荷评估方法，其特征在于，进而得到第n层参数优化的损失函数，具体为：

7.根据权利要求1所述的一种基于特征增强堆叠降噪自编码器的认知负荷评估方法，其特征在于，s5具体为：

8.根据权利要求7所述的一种基于特征增强堆叠降噪自编码器的认知负荷评估方法，其特征在于，s6具体为：新采集到的脑电数据记为xnew，认知负荷评估结果记为yeva，

技术总结
本发明属于脑机接口技术领域，具体涉及一种基于特征增强堆叠降噪自编码器的认知负荷评估方法，适用于认知负荷评估问题。包括：获取脑电和负荷等级数据{X,Y<subgt;l</subgt;}；将X输入到N层堆叠降噪自编码器模型中；以Z作为N层堆叠降噪自编码器模型的输入，对降噪后所有的有标签样本，计算第i个脑电信号通道对输出的重要程度；进而根据所述相关系数计算第i个脑电信号通道的权重；利用有标签样本{X<subgt;l</subgt;,Y<subgt;l</subgt;}对N层堆叠降噪自编码器模型的预训练参数以及模型的输出参数进行微调，最优参数；根据所述最优参数，对新采集的脑电数据进行处理，得到对应的认知负荷评估结果。

技术研发人员：裘旭益,张旭,梁的达,杨曦中,孙邱鹏
受保护的技术使用者：中国航空无线电电子研究所
技术研发日：
技术公布日：2024/2/19