[发明专利]一种用于恒河猴眼动决策解码的多视图学习方法和系统

权利要求书

1.一种用于恒河猴眼动决策解码的多视图学习方法，其特征在于，包括：

(1)构建包括特征节点提取网络、增强节点提取网络和预测网络的眼动决策解码模型；

所述特征节点提取网络，用于对各视图的输入进行特征提取，得到各视图对应的特征节点；所述特征节点提取网络，包括数据增强子网络、伪特征映射子网络、权重矩阵提取子网络、特征节点构建子网络；

所述数据增强子网络，用于对各视图数据加入偏置，得到增强数据矩阵；

所述伪特征映射子网络，用于利用随机初始化的权重矩阵将所述增强数据矩阵映射到伪特征节点；

所述权重矩阵提取子网络，用于根据所述增强数据矩阵和所述伪特征节点，计算特征节点权重矩阵；

所述特征节点构建子网络，根据所述增强数据矩阵和所述特征节点权重矩阵，构建各视图对应的特征节点；

所述增强节点提取网络，用于对各视图特征节点数据进行正交映射，并对正交映射后的各视图特征节点数据进行非线性激活，得到增强节点；

所述预测网络：用于将所述特征节点与增强节点进行拼接，得到预测节点；

(2)将恒河猴侵入式脑机接口中侧额叶皮层辅助眼区局部场电位、动作电位与独热编码后的眼动决策方向数据，输入所述眼动决策解码模型进行训练，得到训练好的眼动决策解码模型；

(3)将待解码的局部场电位与动作电位输入训练好的解码模型中，得到眼动方向的解码结果。

2.根据权利要求1所述的一种用于恒河猴眼动决策解码的多视图学习方法，其特征在于，所述对各视图数据加入偏置，得到增强数据矩阵，具体为，对各视图数据拼接一个全1向量，得到增强数据矩阵。

3.根据权利要求1所述的一种用于恒河猴眼动决策解码的多视图学习方法，其特征在于，采用区间(0,1)内均匀分布的随机数矩阵W′_r∈R^(nm+1)×k的正交基矩阵，对各视图特征节点数据进行正交映射；其中，n为特征节点组数，m为每组特征节点个数，k为增强节点的数量。

4.根据权利要求3所述的一种用于恒河猴眼动决策解码的多视图学习方法，其特征在于，采用双曲正切激活函数对正交映射后的各视图特征节点数据进行非线性激活。

5.一种用于恒河猴眼动决策解码的多视图学习系统，其特征在于，包括：眼动决策解码模型构建模块、眼动决策解码模型训练模块和眼动方向解码模块；

所述眼动决策解码模型构建模块，用于构建包括特征节点提取网络、增强节点提取网络和预测网络的眼动决策解码模型；所述特征节点提取网络，用于对各视图的输入进行特征提取，得到各视图对应的特征节点；所述增强节点提取网络，用于对各视图特征节点数据进行正交映射，并对正交映射后的各视图特征节点数据进行非线性激活，得到增强节点；所述预测网络：用于将所述特征节点与增强节点进行拼接，得到预测节点；所述特征节点提取网络，包括数据增强子网络、伪特征映射子网络、权重矩阵提取子网络、特征节点构建子网络；

所述数据增强子网络，用于对各视图数据加入偏置，得到增强数据矩阵；

所述伪特征映射子网络，用于利用随机初始化的权重矩阵将所述增强数据矩阵映射到伪特征节点；

所述权重矩阵提取子网络，用于根据所述增强数据矩阵和所述伪特征节点，计算特征节点权重矩阵；

所述特征节点构建子网络，根据所述增强数据矩阵和所述特征节点权重矩阵，构建各视图对应的特征节点；

所述眼动决策解码模型训练模块，用于将恒河猴侵入式脑机接口中侧额叶皮层辅助眼区局部场电位、动作电位与独热编码后的眼动决策方向数据，输入所述眼动决策解码模型进行训练，得到训练好的眼动决策解码模型；

所述眼动方向解码模块，用于将待解码的局部场电位与动作电位输入训练好的解码模型中，得到眼动方向的解码结果。

6.根据权利要求5所述的一种用于恒河猴眼动决策解码的多视图学习系统，其特征在于，所述对各视图数据加入偏置，得到增强数据矩阵，具体为，对各视图数据拼接一个全1向量，得到增强数据矩阵。