[发明专利]一种脑机接口分类模型的训练方法、装置、设备及介质

权利要求书

1.一种脑机接口分类模型的训练方法，其特征在于，包括：

获取测试数据集；其中，所述测试数据集包括多个受试者各自对应的多个测试数据，每个受试者的每个测试数据是该受试者在脑机接口范式实验下的脑电信号数据；

将所述测试数据集中的多个测试数据，按照预设组合方式进行组合，得到样本数据集；

采用所述样本数据集，对所述脑机接口范式的分类模型进行训练，得到目标分类模型。

2.根据权利要求1所述的方法，其特征在于，所述脑机接口范式为运动想象范式，所述脑电信号数据包括多个脑电信号采集模块分别采集的多个采样点数据；

将所述测试数据集中的多个测试数据，按照预设组合方式进行组合，得到样本数据集，包括：

方式一、将所述测试数据集分为多个测试数据子集，所述每个测试数据子集包括所述多个受试者各自对应的一个测试数据；将所述多个测试数据子集中，每个测试数据子集中的各个测试数据按行进行拼接，得到样本数据集；或者

方式二、将所述多个受试者各自对应的多个测试数据进行串行组合，得到样本数据集；或者

方式三、分别提取所述测试数据集中各个测试数据的特征数据，并将所述各个测试数据的特征数据分为多个特征数据子集，所述每个特征数据子集包括所述多个受试者各自对应的一个特征数据；将所述多个特征数据子集中，每个特征数据子集中的各个特征数据按行进行拼接，得到样本数据集；或者

方式四、分别提取所述测试数据集中各个测试数据的特征数据，将所述多个受试者各自对应的多个特征数据进行串行组合，得到样本数据集。

3.根据权利要求2所述的方法，其特征在于，若采用所述方式一将所述测试数据集中的多个测试数据，按照预设组合方式进行组合，则所述分类模型为第一卷积神经网络；其中，所述第一卷积神经网络的卷积核尺寸为m*Nn；其中，m为设定时长与采样频率的乘积，n为所述脑电信号采集模块的数目，N为受试者的数目，且m、n、N分别为正整数；或者

若采用所述方式二将所述测试数据集中的多个测试数据，按照预设组合方式进行组合，则所述分类模型包括第二卷积神经网络和时间递归神经网络；其中，所述第二卷积神经网络的卷积核尺寸为1*m；或者

若采用所述方式三或者所述方式四将所述测试数据集中的多个测试数据，按照预设组合方式进行组合，则所述分类模型为机器学习分类器。

4.根据权利要求1所述的方法，其特征在于，所述脑机接口范式为稳态视觉诱发电位SSVEP，所述脑电信号数据包括多个脑电信号采集模块分别采集的多个采样点数据；

将所述测试数据集中的多个测试数据，按照预设组合方式进行组合，得到样本数据集，包括：

将所述测试数据集分为多个测试数据子集；其中，所述每个测试数据子集包括所述多个测试者各自对应的一个测试数据；

针对所述多个测试数据子集中的每个测试数据子集，分别提取所述测试数据子集中的各个测试数据的频域特征数据，将所述各个测试数据的频域特征数据按照预设组合方式进行组合，得到样本数据集。

5.根据权利要求4所述的方法，其特征在于，所述将所述各个频域特征数据按照预设组合方式进行组合，包括：

方式五、将所述各个测试数据的频域特征数据按行进行拼接；或者

方式六、将所述各个测试数据的频域特征数据按列进行拼接；或者

方式七、将所述各个测试数据的频域特征数据分别进行归一化处理，将得到的各个测试数据的归一化特征数据按照对应频率点进行叠加。

6.根据权利要求5所述的方法，其特征在于，若采用所述方式五将所述测试数据集中的多个测试数据，按照预设组合方式进行组合，则所述分类模型为第三卷积神经网络，所述第三卷积神经网络采用三层卷积；或者

若采用所述方式六将所述测试数据集中的多个测试数据，按照预设组合方式进行组合，则所述分类模型为第四卷积神经网络，所述第四卷积神经网络采用两层卷积；或者

若采用所述方式七将所述测试数据集中的多个测试数据，按照预设组合方式进行组合，则所述分类模型为第五卷积神经网络，所述第五卷积神经网络采用两层卷积。