[发明专利]一种堆叠去噪自编码器模型确定方法

说明书

本发明涉及一种堆叠去噪自编码器模型确定方法，该方法包括：S1、对采集的脑电信号进行预处理，并依照脑区划分脑电信号；S2、基于划分后的脑电信号构建输入矩阵；S3、利用至少两个自编码器构建特征提取模型；S4、针对堆叠去噪自编码器的中间层节点数量构建约束条件；S5、利用特征提取模型提取脑状态特征，构建中间层节点数约束函数，通过遍历搜索搜寻约束函数的最大值，得到最优脑特征提取模型，进而可对脑状态特征进行深层抽象，以提取潜在的主要特征。

技术领域

本发明涉及脑-机接口技术领域，尤其涉及一种堆叠去噪自编码器模型确定方法。

背景技术

精神疲劳是一种日常生活中常见的脑状态，也是威胁交通安全的关键问题，精神疲劳被定义为难以开展或继续维持认知活动的脑状态。精神疲劳状态可导致人类机敏性和活力状态下降，并伴有疲倦、嗜睡和注意力集中困难，因此对于长时间驾驶的驾驶员来说精神疲劳是非常危险的。为了分析脑状态并量化精神疲劳，许多研究人员致力于精神疲劳效应，精神疲劳分类和疲劳对策等方向的研究。从生物学的角度来看，精神疲劳与神经元能量减少和谷氨酸传递减少有关，同时精神疲劳也是一种生理和心理因素的综合表现。

头皮脑电信号(Electroencephalograph，简称EEG)的产生依赖于大量神经元突触后电位的兴奋和抑制，表现出较高的时间分辨率。EEG作为对脑神经元活动的直接和非侵入性测量，被认为是精神疲劳测量最适用和最可靠的手段之一。EEG可分为delta(0.5Hz-4Hz)，theta(4Hz-7Hz)，alpha(8Hz-13Hz)，beta(13Hz-30Hz)和gamma(30Hz-80Hz)波段。在这些波段中，delta和theta波与疲劳状况有关，常被用于视觉注意分析，精神疲劳评估和疲劳水平预测等研究领域。Delta和theta波与清醒状态注意力集中程度有关，因此不同精神状态下EEG信号的主要特征有较大差异。然而，由于大脑结构对信号的衰减，EEG具有极低的信噪比(Signal to Noise Ratio，简称SNR)和空间分辨率。因此利用EEG分析大脑精神状态容易受到噪声干扰而导致难以提取有效的特征。

脑源定位(Brain Source Localization，简称BSL)算法是一种通过重建脑源活动来提高空间分辨率和SNR的方法。然而，脑电信号的低信噪比仍然限制了BSL逆向问题的求解，delta和theta波的功率谱密度(Power Spectral Density，简称PSD)已被广泛用于疲劳的定量分析。但是，EEG的低SNR仍限制了其在脑状态分析中的应用。主成分分析(PrincipalComponent Analysis，简称PCA)是用于提高SNR的常见降维算法，应用线性变换来获得一组线性独立的分量，从而提取主要特征，但是该算法在分析非线性EEG中受到限制。因此，迫切需要一种特征提取算法来分析脑精神状态。

综上所述，现有分析方法在非线性、低信噪比的EEG分析中受到限制。

上述缺陷是本领域技术人员期望克服的。

发明内容

(一)要解决的技术问题

为解决上述问题，本发明提供一种堆叠去噪自编码器模型确定方法，解决现有技术在非线性、低信噪比的EEG分析中受到限制的问题。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

本发明提供一种堆叠去噪自编码器模型确定方法，包括：

S1、对采集的脑电信号进行预处理，并对脑电信号按脑区进行划分；

S2、基于划分后的脑电信号构建输入矩阵；

S3、利用至少两个自编码器构建特征提取模型；

S4、针对堆叠去噪自编码器的中间层节点数量构建约束条件；