[发明专利]一种基于深度学习的模型训练方法以及相关装置

权利要求书

1.一种基于深度学习的模型训练方法，其特征在于，包括：

获取多个个体的脑电图并确定对应的脑电图信号样本，所述脑电图信号样本用于指示对应的运动想象动作标签；

确定多个所述个体的标签信息并建立与所述运动想象动作标签的对应关系，以确定训练数据集；

基于所述训练数据集中的多个对应关系分别确定多个子损失函数，以进行组合并确定模型损失函数，所述训练数据集中的多个对应关系包括多个所述个体的脑电图信号样本与所述运动想象动作标签的对应关系、所述单个所述个体脑电图信号样本与所述运动想象动作标签的对应关系、所述脑电图信号样本与多个所述个体的标签信息的对应关系；

根据所述模型损失函数构建脑电图解码模型并进行初始化；

将所述训练数据集作为输入，通过最小化所述模型损失函数对脑电图解码模型进行训练，以得到参数优化的分类模型，所述分类模型用于根据所述脑电图输出对应的运动想象动作标签和对应的个体的标签信息。

2.根据权利要求1所述的方法，其特征在于，所述根据所述训练数据集对参数优化后的所述解码模型进行训练，以得到分类模型，包括：

将所述训练数据集输入至少一个时间卷积层中，以得到时序训练集，所述时序特征集用于表示所述训练数据集的时间信息；

将所述时序训练集输入至少一个空间卷积层中，以得到一维空间特征集，所述一维空间特征集用于指示所述时序训练数据集对应的时间空间信息；

将所述一维空间特征集进行平均池化，以得到泛化的池化特征集；

通过至少一个全连接层提取所述泛化的池化特征集中的特征，以得到训练特征集；

根据所述训练特征集对参数优化后的所述解码模型进行训练，以得到分类模型。

3.根据权利要求2所述的方法，其特征在于，所述将所述时间训练数据集输入至少一个空间卷积层中，以得到一维空间训练数据集，包括：

根据所述运动想象动作标签确定多个相关的空间通道，所述空间通道用于过滤指定所述目标动作对应的信号；

将所述时间训练数据集输入至所述多个相关的空间通道中进行处理，以得到一维空间训练数据集。

4.根据权利要求1所述的方法，其特征在于，所述根据所述模型损失函数构建脑电图解码模型并进行初始化，包括：

根据预设算法初始化所述训练参数；

获取所述训练数据集中的对应关系的权重信息，以根据所述多个子损失函数确定所述模型损失函数；

根据所述模型损失函数采用梯度下降算法对初始化后的所述训练参数进行优化。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述获取多个个体的脑电图并确定对应的脑电图信号样本，包括：

获取多个个体的脑电图；

根据预设规则选择与所述脑电图对应的通道，以筛选得到所述脑电图信号样本，所述预设规则基于所述脑电图指示的目标动作信息设定。

6.根据权利要求5所述的方法，其特征在于，所述根据预设规则选择与所述脑电图对应的通道，以筛选得到所述脑电图信号样本，包括：

根据所述脑电图确定所述目标动作信息；

根据所述脑电图确定所述个体的标签信息；

选择所述目标动作信息对应的滤波频率；

根据所述滤波频率选择对应的通道，以筛选得到所述脑电图信号样本。

7.根据权利要求5所述的方法，其特征在于，所述筛选得到所述脑电图信号样本之后，所述方法还包括：

根据所述脑电图信号样本确定波动信息；

若所述波动信息满足预设条件，则将所述脑电图信号样本通过指数加权滑动平均计算，以得到噪声过滤后的所述脑电图信号样本，所述预设条件基于所述波动信息与预设阈值的大小关系确定。