申请/专利权人：中国人民解放军军事科学院军事医学研究院

申请日：2021-07-01

公开（公告）日：2024-06-25

公开（公告）号：CN113180701B

主分类号：A61B5/369

分类号：A61B5/369;A61B5/291;A61B5/256;G06F18/214;G06F18/241;G06N3/0464;G06V10/774;G06V10/764;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2021.08.17#实质审查的生效;2021.07.30#公开

摘要：本发明涉及用于图像标签标注的脑电信号深度学习方法，以采样频率采集被试者的脑电信号；对所采集的脑电数据进行预处理，经过滤波后得到原始时间序列S；设置降采样频率，对预处理后的脑电数据进行降采样，得到降采样后的序列，建立训练集、验证集及测试集；建立脑电模型并进行训练；将测试集中的脑电数据输入到脑电模型中，得到图片的预测标签；将该预测标签与测试集中图片的原始标签进行对比，计算总体分类准确率；通过脑电模型进行图片任务标注，同时采集数据标注员的脑电数据；在脑电数据同步预处理后，将其输入到已获得的脑电模型中，其输出的类别作为数据标签。

主权项：1.一种用于图像标签标注的脑电信号深度学习方法，其特征在于，其包括如下步骤：步骤一、选定原始参考电极和多个采集电极，在个被试者对个刺激图片进行分类判断和标注时，以采样频率采集被试者的脑电信号,原始参考电极和多个采集电极的通道数为；通过脑电采集系统进行脑电信号采集，得到脑电数据,其中T为每张图片的呈现时间；每张图片呈现时间均为第一预设时间；第一预设时间的范围为，以便更好地分析被试者对刺激图片的认知加工过程；将被试者对图片进行分类标注的结果进行存储，以便在对建立的脑电模型进行训练之前，将人工标注的结果与真实标签进行对比；步骤二、对步骤一中所采集的脑电数据进行预处理，基于重参考的平均参考，获得所选定的采集电极重参考后的电压幅值向量，i表示第i个采集电极；经过滤波后得到原始时间序列S；原始时间序列S为,其中“*”表示的是卷积运算;步骤三、设置降采样频率，对预处理后的脑电数据进行降采样，得到降采样后的序列，其中i表示第i个采集电极，j表示第i个采集电极的第j个数据点，建立训练集、验证集及测试集；降采样的频率满足；其中表示为除模取余；将预处理后得到脑电数据按照每张图片的持续注视时间的起止时间进行分段截取对各段脑电数据均进行降采样处理，从而每段脑电数据得到多个时间点；降采样后的序列为 其中表示第i个通道第个数据点的值；，，为降采样频率，为所组成的数据集合；从而获得个脑电信号矩阵,其中为脑电通道数量，降采样后每段脑电数据中所包含的时间点的个数；步骤四、建立脑电模型，基于步骤三中所建立的训练集对所建立的脑电模型进行训练；脑电模型的建立方法包括如下步骤：S1：将训练集的脑电信号矩阵传输至神经网络的输入层，将训练集中的每一张图片所采集到的脑电信号矩阵作为神经网络的输入层； ，其中dim表示“维度”，为脑电通道数量，为脑电信号采样点的个数,数字“1”为新增加的维度；S2：通过输入层将脑电信号矩阵传输至卷积层，卷积核的维度设为；对于第个卷积层来说，其输入为，的维度为；为第一层输入的脑电信号矩阵，即,；通过卷积核的维度确定卷积核个数为，其中该层的卷积核的维度为，其中表示卷积核的大小，为上层网络输入的通道数；S3:当的维度大于第一层输入维度的13时，每一层卷积层均连接相应的池化层；设池化层的输入为,其维度为,得到池化层的输出为，其维度是；表示卷积神经网络的第l层数据；当的维度小于等于第一层输入维度的13时，卷积层直接与全连接层相连；S4：将全连接层的输出输入至softmax层，对于softmax层，其中 其中，i为标签分类结果，令,那么该分类结果为第类图片;步骤五、利用验证集改进和优化所构建的脑电模型的参数；将训练集随机分成K个子集，分别用表示，，其中为训练集样本数；对于,在除第个子集以外的所有点上计算损失函数， 表示卷积神经网络输出的标签结果；步骤六、利用测试集进行脑电模型性能的测试；将测试集中的脑电数据输入到脑电模型中，得到图片的预测标签；将该预测标签与测试集中图片的原始标签进行对比，计算总体分类准确率；步骤七、基于步骤六中的脑电模型进行图片任务标注，同时采集数据标注员的脑电数据；步骤八、在脑电数据同步预处理后，将其输入到已获得的脑电模型中，其输出的类别作为数据标签。

全文数据：

权利要求：

百度查询： 中国人民解放军军事科学院军事医学研究院 一种用于图像标签标注的脑电信号深度学习方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD