CN119415881A 基于混合专家的域解耦脑电表征学习模型的脑电信号识别方法 （中国科学院自动化研究所）

号基于混合专家的域解耦脑电表征学习模型本公开提供了一种基于混合专家的域解耦21.一种基于混合专家的域解耦脑电表征学习模型的脑电信号识别方法，其特征在于，根据所述样本脑电重构数据和所述样本脑电特征数据对脑电信号表征学习模型进行根据所述样本脑电注意力特征数据和第一路由权重，确定至少一个目标特定专家权个所述目标特定专家模块用于提取所述样本脑电注意力特征数根据所述样本脑电注意力特征数据和第二路由根据至少一个所述目标特定专家权重和所述样本脑根据至少一个所述共享专家权重和所述样本注意力特征数据，得到样根据所述样本脑电注意力特征数据和所述第一路由权重，得到所述从排序后的所述特定专家权重中选择满足预设选择规则的预设数量的特定专家权重根据所述特定专家权重，确定将所述样本脑电注意力特征数据分配给基于所述第一损失值和所述第二损失值对所述经训练的脑电信号表征学习模型进行35.根据权利要求1所述的方法，其特征在于，对所述样本脑电数据进行空间域编码之获取原始脑电信号样本数据，所述原始脑电样本数据包括信基于所述脑电时频数据和所述位置信息得到脑电将第二样本脑电数据输入到脑电信号分类模型中的脑电信号表将所述样本脑电信号特征表征数据输入到所述脑电信号分类模型中的分类基于所述分类损失值对所述脑电信号分类模型进行参数调整，得到获取目标对象的脑电数据，其中，所述脑电数据包括信号采8.一种基于混合专家的域解耦脑电表征学习模型的脑电信号识别装置，其特征在于，空间域编码模块，用于对所述样本脑电数据频域编码模块，用于对所述空间域特征脑电数据进行频域编码，混合专家处理模块，用于对所述样本脑电注意力特征数据进行混合专家域解耦处理，脑电信号学习模块，用于将第二样本脑电数据输入到脑电信号分类模型载有脑电信号表征学习模型，所述脑电信号表征学习模型是通过权利要求1_5任一项的方分类输入模块，用于将所述样本脑电信号特征表征数据输4脑电信号分类模型输入模块，用于将所述脑电数据输入到脑电信号分类模型5基于混合专家的域解耦脑电表征学习模型的样本脑电信号的共享专家预测数据；根据上述特定专家预测数据和上述共享专家预测数[0007]根据本公开的实施例，上述根据上述样本脑电注意力特6专家权重中选择满足预设选择规则的预设数量的特定专家权重作上述分类损失值对上述脑电信号分类模型进行参数调整，得到经训练的脑电信号分类模[0013]本公开的第二方面提供了一种基于混合专家的域解耦脑电表征学习模型的脑电述目标特定专家模块是根据至少一个上述目标特定专家权重从特定专家模块组中确定的，7序后的上述特定专家权重中选择满足预设选择规则的预设数量的特定专家权重作为目标8[0024]图1示意性示出了根据本公开实施例的基于混合专家的域解耦脑电表征学习模型[0025]图2示意性示出了根据本公开实施例的基于混合专家的域解耦脑电表征学习模型[0027]图4示意性示出了根据本公开实施例的用于执行混合专家域解耦处理的混合专家[0030]图7示意性示出了根据本公开实施例的基于混合专家的域解耦脑电表征学习模型[0031]图8示意性示出了根据本公开实施例的构成脑电信号分类模型的装置的结构框[0033]图10示意性示出了根据本公开实施例的适于实现基于混合专家模型的域解耦脑9采用微分熵或功率谱密度特征并结合卷积神经网络或长短期记忆网络学习与情绪相关的此他们的性能域特定于任务的模型相比没有表现出[0041]图1示意性示出了根据本公开实施例的基于混合专家的域解耦脑电表征学习模型专家的域解耦脑电表征学习模型的脑电信号识别装置一般可以设置于服务器105中。本公开实施例所提供的基于混合专家的域解耦脑电表征学习模型的脑电信号识别方法也可以[0049]图2示意性示出了根据本公开实施例的基于混合专家的域解耦脑电表征学习模型[0050]如图2所示，该实施例的基于混合专家的域解耦脑电表征学习模型的脑电信号识X=[X1X2…sxn…SX],xneRH*"*⃞,n=1,2,…,N，其中，X1到Xn为3D数组，其包含了脑电信号的时域信息、空域信息和频域信息，其中，B表示EEG（电极在头皮上排列形成二维网格的高度方向上的电极数量W表示脑电电极排列的2D空[0056]根据本公开实施例，可以使用多层感知机来对样本脑电数据进行空间域频域编h-1](2)[0063]其中，是多头自注意力的输出数据（即自注意力脑电数据headg表示第1个自注意力层的输出，headh-1表示第h个自注意力层的输些向量是通过将输入嵌入通过线性层映射得到的，表示键的嵌入维度，Fsoftmax表示[0068]其中表示嵌入的总维度被平均分给来在混合专家域解耦处理中自适应选取对应的特定专家模块来处理样本脑电注意力特征[0077]根据本公开实施例，上述对样本脑电注意力特征数据进规则的预设数量的特定专家权重作为目标特[0079]图4示意性示出了根据本公开实施例的用于执行混合专家域解耦处理的混合专家[0089]根据本公开实施例，对于共享专家模块，同样采用一系列前馈层构成F个专家,对于每个输入的嵌入x，通过路由器w,确定每个共享专家模块的共享专家权重pfi[0090]gfx=w·x(8)x映射得到得分向量9fx，可以通过公式（6）所代表的方法来计算得到共享专家权重pfi[0096]SSMOE(x)=specMOE(x)+shareMOE(x)（10）为α专家的域解耦脑电表征学习模型的脑电信号识别装置可以包括构建脑电信号分类模型的学习模型是通过上述基于混合专家的域解耦脑电表征学习模型的脑电信号识别方法得到[0125]根据本公开实施例，如下表1示出了根据本公开实施例的脑电信号分类模型在AttentionNetwork，时间注意力网络）、RHPRNet（RobustHigh_PerformanceEEGBCICompetitionⅣ_2a为运动想象识积网络）、、EEG_Conformer（EEGConformerNetwork、脑电图变换网络）、LGGNet法至少可以提升约2.2%。[0133]根据本公开实施例，如下表3示出了根据本公开实施例的脑电信号分类模型在[0137]根据本公开实施例，表4为采用本公开的基于混合专家模型的域解耦脑电表征学[0150]图7示意性示出了根据本公开实施例的基于混合专家的域解耦脑电表征学习模型[0151]如图7所示，该实施例的基于混合专家的域解耦脑电表征学习模型的脑电信号识[0152]空间域编码模块710用于用于对样本脑电数据进行空间域编码，得到空间域特征[0153]频域编码模块720用于对空间域特征脑电数据进行频域编码，得到样本脑电特征[0154]自注意力计算模块730用于对样本脑电特征数据进行多头自注意力计算，得到样[0155]混合专家处理模块740用于对样本脑电特征数据进行多头自注意力计算，得到样述目标特定专家模块是根据至少一个上述目标特定专家权重从特定专家模块组中确定的，序后的上述特定专家权重中选择满足预设选择规则的预设数量的特定专家权重作为目标意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三[0159]图8示意性示出了根据本公开实施例的构成脑电信号分类模型的装置的结构框[0161]脑电信号学习模块810用于将第二样本脑电数据输入到脑电信号分类模型中的脑[0162]分类输入模块820用于将样本脑电信号特征表征数据输入到脑电信号分类模型中[0163]分类损失值模块830用于基于分类损失值调整预设分类模型得到经训练的分类模[0168]脑电信号分类模型输入模块920用于用于将脑电数据输入到脑电信号分类模型，些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，脑电数据获取模块[0170]图10示意性示出了根据本公开实施例的适于实现基于混合专家模型的域解耦脑储在只读存储器（ROM）1002中的程序或者从存储部分1009加载到随机访问存储器（根据本公开实施例的方法流程的不同动作的单一处理单元或者是ROM1002以及RAM1003通过总线1004彼此相连。处理器1001通过执行ROM1002和/或RAM以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM1002和/或RAM1003和/或ROM1002和RAM1003以外的一个或多个存储器。包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的基于混合专家模型的域解耦脑[0177]在该计算机程序被处理器1001执行时执行本公开实施例的系统/装置中限定的上[0179]在这样的实