[发明专利]一种脑电图模式分类模型的训练方法、分类方法及系统

权利要求书

1.一种脑电图模式分类模型训练方法，包括：

获取脑电图EEG数据，对所述EEG数据进行预处理，并对所述EEG数据进行标记，得到带标记的训练数据集，其中所述训练数据集包括经预处理的带标记的EEG数据；

将所述训练数据集中的每个EEG数据输入到基于注意力机制的卷积神经网络，提取得到所述EEG数据的模式特征；

根据所述EEG数据的模式特征和标记，对用于脑电图模式分类模型的参数进行修正。

2.根据权利要求1所述的脑电图模式分类模型训练方法，其特征在于，所述基于注意力机制的卷积神经网络包括：至少一个卷积层；至少一个最大池化层；注意力模块；全连接层；

其中，将所述训练数据集中的每个EEG数据输入到基于注意力机制的卷积神经网络，提取得到所述EEG数据的模式特征的步骤包括：

将每个EEG数据输入到所述至少一个卷积层，提取所述EEG数据的模式特征，得到包含所述模式特征的卷积特征向量；

将所述卷积特征向量输入到至少一个最大池化层进行池化处理，得到池化特征向量；

将所述池化特征向量输入到注意力模块，以计算针对池化特征向量的标准化权重，以及反映EEG数据的模式特征的信息总和；

通过全连接层，输出EEG数据的模式特征。

3.根据权利要求2所述的脑电图模式分类模型训练方法，其特征在于，所述注意力模块进行以下计算：

u_i＝tanh(W_sh_i+b_s)

其中，b_s为偏置项；u_i为一EEG数据h_i的隐藏表示，其通过具有权重W_s.的单层感知器进行反馈；α_i为标准化的权重，通过u_i与u_s的相似性来衡量；u_s.是另一EEG数据h_i的隐藏表示；v为所有EEG数据的信息的总和。

4.根据权利要求1所述的脑电图模式分类模型训练方法，其特征在于，所述获取脑电图EEG数据，对所述EEG数据进行标记，并对所述EEG数据进行预处理，得到带标记的训练数据集的步骤包括：

获取来自多个脑电信号传感器的EEG信号；

对所述EEG信号进行带通滤波和快速独立成分分析，得到多路EEG信号；

按照预设的采样率和持续时间，对所述多路EEG信号进行数字化和分段，得到包含多个多路EEG信号数字化分段的EEG数据集；

对所述EEG数据集中的每个多路EEG信号数字化分段添加至少一个标签，得到带标记的EEG数据，其中所述标签包括清醒状态、疲劳状态、驾驶者身份；

得到带标记的训练数据集。

5.根据权利要求4所述的脑电图模式分类模型训练方法，其特征在于：

根据至少含有驾驶者身份标签的带标记的训练数据集，训练第一脑电图识别模型，其中第一脑电图识别模型用于基于驾驶者的脑电图模式特征，对驾驶者身份PI进行识别和分类；和/或

根据至少含有清醒状态和疲劳状态标签的带标记的训练数据集，训练第二脑电图识别模型，其中第二脑电图识别模型用于基于驾驶者的脑电图模式特征，对驾驶者疲劳状态和清醒状态的模式特征进行识别和分类。