[发明专利]基于蒸馏学习和深度学习纯意念控制智能康复方法及应用

权利要求书

1.一种基于蒸馏学习和深度学习纯意念控制智能康复方法，其特征在于，包括如下步骤：

1)根据所采集的已有被试者的脑电信号构建教师网络和学生网络，包括构建时空卷积块、构建教师网络和构建学生网络；其中，

所述的构建教师网络，是基于所述的时空卷积块，构建一个7层的教师网络，其中，前六层由6个时空卷积块依次连接组成，第七层使用全连接层；

所述的构建学生网络，是基于所述的时空卷积块，构建一个4层的学生网络，其中，前三层由3个时空卷积块依次连接组成，第四层使用全连接层

2)利用已采集的被试者的脑电信号对教师网络进行预训练；

所述的利用已采集的被试者的脑电信号对教师网络进行预训练，首先设教师网络的损失函数为H_t，表达式如下：

其中，c为脑电分类任务中的类别数，p_i为脑电信号的真实标签，为教师网络对脑电信号的预测标签；

预训练过程中，向教师网络输入已有被试者的脑电信号，通过教师网络的损失函数H_t的计算公式计算出损失，根据所述的损失通过反向传播算法与小批量梯度下降法对教师网络进行误差传播及参数更新，不断重复该预训练过程对教师网络的参数进行迭代更新，直至达到教师网络收敛的条件；

3)在经过预训练的教师网络的基础上，对学生网络进行预训练；

所述的在经过预训练的教师网络的基础上，对学生网络进行预训练，是通过向学生网络和预训练后的教师网络同时输入新的被试者的脑电信号，提取出教师网络和学生网络中时空卷积块的输出，计算两者的差异性，并在训练过程中以缩小教师网络和学生网络各层输出特征图的距离为优化目标，该优化目标由预训练过程中的损失函数H_sp表示，表达式如下：

H_sp＝||x_i-x_j||₂

其中，x_i代表教师网络第2层、第四层和第六层时空卷积块的输出特征图，x_j代表学生网络每一时空卷积块的输出特征图，||·||₂代表2-范数；

预训练过程中，向学生网络和预训练后的教师网络同时输入新的被试者的脑电信号，提取出教师网络和学生网络中时空卷积块的输出，通过损失函数H_sp的计算公式，计算教师网络和学生网络各层输出特征图的距离作为损失，根据所述的损失通过反向传播算法与小批量梯度下降法对学生网络进行误差传播及参数更新，不断重复该预训练过程，对学生网络的参数进行迭代更新，直至达到预训练结束的条件；

4)在预训练学生网络的基础上对学生网络进行再次训练；

所述的在预训练学生网络的基础上对学生网络进行再次训练，是对预训练后的学生网络进行再次训练，此次训练过程是向学生网络输入新的被试者的脑电信号，该过程以提升学生网络的分类准确率为优化目标，该优化目标由脑电分类的损失函数H_s表示，表达式如下：

其中，c为脑电分类任务中的类别数，y_i为脑电信号的真实标签，为学生网络对脑电样本的预测标签；

训练过程中，通过向学生网络输入新的被试者的脑电信号，通过损失函数H_s的计算公式计算出损失，根据所述的损失通过反向传播算法与小批量梯度下降法对预训练后的学生网络进行误差传播及参数更新，不断重复该过程对学生网络的参数进行迭代更新，直至达到模型收敛的条件；

5)通过纯意念控制智能康复系统采集被试者的脑电基于新型迁移学习模型的脑-肌电智能全肢体康复方法基于新型迁移学习模型的脑-肌电智能全肢体康复方法基于新型迁移学习模型的脑-肌电智能全肢体康复方法信号，并在训练完毕的学生网络的基础上对输入的脑电信号进行识别，当识别出脑电类别所对应的被试者运动意图后，通过纯意念控制智能康复系统的外骨骼康复器械协助被试者执行相应的肢体动作，完成康复训练。