[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

说明书

本申请公开了一种脑电图模式分类模型训练方法，可用于个人身份识别(PI)和驾驶过程中的疲劳状态检测任务，包括：获取脑电图EEG数据并进行预处理和标记，得到带标记的训练数据集；将每个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。还公开了对应的脑电图模式分类的方法和脑电图模式分类的系统。在用于驾驶相关的多任务分类中，如个人身份识别(PI)和驾驶过程中的疲劳状态检测任务，平均分类精度较高，还可以在分类精度和时间成本之间做出很好的权衡，在生物医学信号的多任务分类中具有潜在的应用价值。

技术领域

本申请涉及生理数字信息处理领域，尤其涉及一种脑电图模式分类模型的训练方法、分类方法及系统。

背景技术

随着网络经济的到来，共享汽车正在蓬勃发展，这对已经取得驾照的人是有利的。然而，道路交通事故(road traffic crash，RTC)对人类生命的威胁仍然较大。RTC的危险因素有速度、驾驶行为等。困倦和疲劳可能对RTC有很大影响，但难以定量评估其影响。客观有效地评估司机的状态对组织者来说似乎更为重要，而不是简单地通过智能手机应用程序验证他们的资质。此外，很难确定真正的司机是在整个旅程中注册应用程序的人，例如，该用户可能使用伪造的证书注册为共享汽车用户。这种行为给行车安全带来了极大的危害，因此对这类行业的个人身份识别(PI)控制就显得尤为迫切。在旅途中，一个简单的PI方法是用摄像机监控司机，但没有考虑隐私，且这种方法还需要一个高质量的环境光和一个适合大多数司机的相机位置。

随着深度学习的发展，PI正从集成身份证的多种功能向动态身份识别(DI)升级。许多行业都将受益于这种DI。例如，工厂可以使用DI来确定哪些工人参与了什么过程。这样，企业就能提高生产效率，明确事故责任。另一方面，生物医学信号通常被用于疾病诊断、精神状态评估和与情绪相关的任务。而以更巧妙的方式去做，有利于主体任务的推进。因此，对驾驶员疲劳状态的有效检测以及对驾驶员身份的全程同步验证的需求越来越值得关注。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种脑电图模式分类模型的训练方法、分类方法及系统，能够在保护隐私的前提下对相同数据的多任务分类(Multitask Classification)，可应用于基于脑电信号的生物认证和驾驶疲劳检测。

一方面，本申请实施例提供了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。

另一方面，本申请实施例提供了一种脑电图模式分类的方法，包括：获取脑电图EEG信号，对所述EEG信号进行预处理，得到EEG数据集，其中所述EEG数据集包括经预处理的EEG信号；将所述EEG数据集中的每个EEG信号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；对所述EEG数据的模式特征进行分类，得到脑电图模式分类结果。

再一方面，本申请实施例提供了一种脑电图模式分类的系统，包括：存储器；处理器；传感器，连接至所述处理器，用于检测上述的脑电图EEG信号；以及存储在存储器上并可在处理器上运行的计算机程序；所述处理器执行所述计算机程序时，根据由所述传感器所检测的脑电图EEG信号，实现上述的方法。