[发明专利]一种多类别脑电数据识别的人工智能方法

权利要求书

1.一种多类别脑电数据识别的人工智能方法，包括具有蓝牙功能的EEG头戴设备、嵌入式设备TX2、机器人载体，其特征在于，包括以下步骤：

步骤1，数据收集；EEG头戴设备通过蓝牙模块给嵌入式设备TX2发送传输数据的命令，然后等待嵌入式设备TX2确认接收的回复消息，成功接收后，EEG头戴设备收集到的脑电数据将会显示在嵌入式设备TX2的远程终端上，并且内置程序会对保存在嵌入式设备TX2的脑电数据进行侦听，然后将嵌入式设备TX2中未处理的、新收集到的脑电数据进行预处理后，传入到事先训练好的DeepBrain模型中，该模型可以对用户的意图进行实时识别，最终将识别结果保存在嵌入式设备TX2中；

步骤2，反馈；嵌入式设备TX2与机器人载体之间通过socket编程或者串口通信的连接方式来将分类的结果实时反馈给机器人载体；

步骤3，人机交互；嵌入式设备TX2与机器人载体之间采用客户端服务器模式进行交互，由嵌入式设备TX2发送动作指令到机器人载体，机器人载体接收指令后完成相应的动作。

2.根据权利要求1所述的一种多类别脑电数据识别的人工智能方法，其特征在于，所述嵌入式设备TX2与机器人载体通信步骤包括：

步骤1，初始化时蓝牙模块亮灯正常；

步骤2，当蓝牙模块尝试与嵌入式设备TX2建立连接时，远程终端屏幕会显示连接过程，连接成功后会显示“连接成功”，随即进入数据传输状态；如果嵌入式设备TX2未与蓝牙模块成功建立连接，则远程终端的屏幕上会显示相关错误信息，这时需要用户重新确认蓝牙模块连线是否正确并在稍后重新执行传输命令；

步骤3，嵌入式设备TX2接收到的数据将会以十进制的形式实时的在终端屏幕上显示，数值范围为0～100左右大小不等，对于数值过大或者为负的异常值，本文通过异常值前后的正常值相加求其平均值的处理方式进行处理，并用该平均值对异常值进行替换；

步骤4，预设每180个十进制数据代表一个脑电数据文件，EEG头戴设备收集后会将其存储到嵌入式设备TX2中，嵌入式设备TX2里的内置程序随即把文件夹下新收集到的脑电数据加载到预先训练好的模型之中，模型会对数据进行类别预测分类并给出最终的分类结果；

步骤5，将分类结果实时的反馈给机器人载体，机器人载体会根据不同的分类结果做出相应的动作。

步骤6，重复步骤1至5，直至没有新的脑电数据加入到嵌入式设备TX2中。

3.根据权利要求1所述的一种多类别脑电数据识别的人工智能方法，其特征在于，时序数据所采用的DeepBrain模型主要包括：

c_ij＝f_f⊙c_i(j-1)+f_i⊙f_m

其中f_i，f_f，f_o和f_m分别表示输入门，遗忘门，输出门和输入调制门，⊙表示逐元素乘(矩阵乘法)；σ是logistic函数，为一个S型函数并且将带入公式中的值x输出到[0,1]区间中；tanh是正切函数；c_ij表示第i层中第j个LSTM单元中的状态(存储器)；

表示如下操作：

其中W，W'表示相应的权重，b表示偏差；

随后，使用反向传播时间(BPTT)算法训练模型。

4.根据权利要求3所述的一种多类别脑电数据识别的人工智能方法，其特征在于，

进一步定制化用户的EEG头戴设备信号识别，使用注意选择器来增强堆叠LSTM的表示能力；

注意选择器接受最终LSTM层作为通过操作测量的注意权重W'_att为：

并计算归一化的注意力权重：

W'_att为W_att＝softmax(W'_att)；

Dropout层是一种正则化技术，在公式中可体现为：

其中符号D表示Dropout运算符，表示将括号内参数的随机子集设置为零；这使得LSTM单元能够更加稳健的执行中间运算并用于改进脑电图信号识别模型的推广，最终的softmax层用于对四种EEG头戴设备信号模式进行分类，包括放松状态信号模式、放松到专注状态信号模式、专注到放松状态信号模式、专注状态信号模式。