[发明专利]一种多源数据融合人机交互任务在线加速方法与系统

权利要求书

1.一种多源数据融合人机交互任务在线加速方法，其特征在于：包括如下步骤，

步骤一、通过一种多源数据融合人机交互任务在线加速系统，获取包含人机交互任务指令意图的多源信息数据；

步骤二、建立多源信息的任务指令数据集；

步骤三、采用信号去噪及特征提取方法对所述多源信息的任务指令数据集进行滤波，以去除噪声干扰，并通过特征提取方法获得多种数据的趋势特征；

步骤四、采用信号分类识别算法获取多源信息数据的单一任务分类结果；

步骤五、依据融合判别学习器，判别是否对多源数据进行融合；

步骤六、构建任务自适应的多源信息数据特征融合模型；

步骤七、实时更新融合参数，对多源信息未来数据进行预测实现前多步融合系数确定，获得对各多源传感器未来数据的预测结果，实现人机交互任务的加速控制，提高多源传感器数据预测结果的准确率以及各类不确定条件下人机交互的可靠性。

2.如权利要求1所述的一种多源数据融合人机交互任务在线加速方法，其特征在于：步骤1所述的多源信息数据具体包括：脑电、脑血氧、眼电、语音、肌肉电信号；其中，所述脑电信号包括：稳态视觉诱发电位、听觉诱发电位、运动想象、事件相关电位；其中，所述语音信号包括：声学语音和骨传导语音。

3.如权利要求2所述的一种多源数据融合人机交互任务在线加速方法，其特征在于：步骤2所述数据集由多种人机交互任务指令数据组成，所述数据集被划分为训练集与测试集。

4.如权利要求3所述的一种多源数据融合人机交互任务在线加速方法，其特征在于：步骤5的实现方式为，

所述融合判别学习器基于结合策略方法得到：采用平均值、最大值、最小值以及加权平均值的结合策略方法对获取的多个传感器的任务结果进行合并，分析合并结果，若合并结果与过去数步内存在差异，则进行数据融合；否则，不进行数据融合。

5.如权利要求4所述的一种多源数据融合人机交互任务在线加速方法，其特征在于：步骤6的实现方式为，

对所述多源信息数据进行归一化处理:

计算多源数据点间的夹角与时间段保持能力获得获得多源数据节点集合，其中，所述时间段保持能力指的是两关键点间的时间差，多源信息数据点间的夹角表示为，

式中，Δ_i-1,i＝|x′_i-1-x′_i|，Δ_i,i+1＝|x′_i-x′_i+1|，Δ_i-1,i+1＝|x′_i-1-x′_i+1|，代表多源数据点的时间间隔，采用统一时间间隔；

对多源数据节点进行动态离散化，具体地，兼顾数据节点存在连续、离散、二值等多种情形，在所划分的区间内寻找一个最优集Ψ_X及最优常数方程使得动态离散化的过程至收敛时，近似接近于f_X；采用相对熵评价动态离散化的优劣；概率密度方程f(x)与g(x)间的相对熵通过下式计算，

多源数据节点离散前后概率密度函数的相对熵为

公式(3)中右侧每项的界限通过下式确定，

式中，代表的长度；参数f_l、f_l^↑及f_l^↓分别代表f的均值、上限及下限值；

通过模糊聚类方法判定多源数据某节点集合的时序数据是否包含关键决策点，所述关键决策点具体包括开始、停止、危险和无效等状态转换；

基于贝叶斯因果推断模型分析关键决策点识别能力，即是否可识别出开始、停止、危险、无效等状态转换等关键任务决策点，获得多源信息数据处理融合参数；

通过多元信息的历史数据训练决策节点的长短时记忆时间序列模型实现其时序数据的多步预测，包括回归预测、深度学习；

基于采样平均近似对任务自适应的多源信息数据特征融合模型进行连续的更新学习，使得所构建的任务自适应的多源信息数据特征融合模型具备进行增量式学习的能力；采样平均近似方法通过蒙特卡洛计算获得随机离散优化问题的解，当采样数目N足够大时，事件发生的概率收敛到1；

采样平均近似公式表示如下，

式中，f(x,wⁱ)在x中为利普希茨连续；

对任意β＞0，基于中心极限定理，

其中，成立的概率为1-α；因而，收敛至E[f(ω)的收敛率为O(N^-1/2)。