【技术实现步骤摘要】
本专利技术涉及脑电数据分析，具体为一种基于脑电数据的用户偏好建模方法。
技术介绍
1、脑电图(eeg)在评估用户偏好上展现出了它的成本效益优势，使其在工业领域具有广泛的应用前景。借助脑电信号，本专利技术能够提取丰富的信息，从而更为准确地揭示和评估用户的偏好，过去，许多研究者已尝试应用如k-nearestneighbor(knn)、支持向量机(svm)和xgboost等传统机器学习分类器，旨在捕捉并衡量用户的偏好和相关的决策机制。但这些方法的准确率在60％至80％之间，其表现尚有提升空间，相较于这些传统方法，深度神经网络展现出了其出色的性能，为用户的偏好程度提供了一种更为稳定和精确的评估手段；
2、以下列举一些相近的技术方案：
3、1)theapplicationofeegpowerforthepredictionandinterpretationofconsumerdecision-making:aneuromarketingstudy
4、在此研究中，通过使用支持向量机(svm)和线性判别分析(lda)分类器，尝试通过“喜欢”和“不喜欢”对被试偏好进行分类；然而，得到的63％的准确率表明这种方法的效果仍有待提高；
5、2)deeplearningwithconvolutionalneuralnetworksforeegdecodingandvisualization
6、此研究结合了深度卷积网络和浅层网络技术，旨在更准确地解码eeg数据；
7、3)eegn
8、该研究提出了一个专为脑电驱动的脑机接口(bcis)设计的紧凑型卷积神经网络；
9、4)deeplearningwithconvolutionalneuralnetworksforeegdecodingandvisualization.
10、a)deepconvnet：该方案有四个卷积-最大池化层(convolution-max-poolingblock)，其中第一个块设计用于处理eeg输入，然后是三个标准卷积-最大池化层和一个密集的softmax分类层(densesoftmaxclassificationlayershallowconvnet：该方案前两层执行时间和空间卷积，其中时间卷积具有更大的内核，其后连接着平方非线性，平均池层和对数激活函；
11、因此当前针对用户偏好的分析方式大体可分为两种：一类是训练集中包括了待预测的被试，另一类则是训练集中不包含待预测的被试，即跨被试分析，而对于跨被试的分析，现存方法存在明显的短板，由于每位被试的脑电信号结构有所差异，导致在跨被试特征提取时经常出现不足之处，这种差异进一步导致训练数据与测试数据之间存在明显的分布偏差，这就要求模型不仅需要卓越的特征提取能力，还需要出色的泛化表现，基于这些挑战，当前的先进方法在测试集上的准确率仅为60％-75％，这种水平的性能很难满足实际应用需求。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于脑电数据的用户偏好建模方法，具备识别准确等优点，解决了上述技术问题。
3、(二)技术方案
4、为实现上述目的，本专利技术提供如下技术方案：一种基于脑电数据的用户偏好建模方法，包括以下步骤：
5、s1、构建空间特征提取模块，用于得到输入数据的空间特征；
6、s2、构建上下文信息提取模块，用于对步骤s1中输出的空间特征使用双向lstm网络提取上下文信息；
7、s3、构建特征选择模块，用于获得每个通道的权重并对每个通道进行加权；
8、s4、将预处理后的脑电数据进行预处理依次经过空间特征提取模块、上下文信息提取模块和特征选择模块对用户偏好进行分析。
9、作为本专利技术的优选技术方案，所述步骤s1中的空间特征提取模块由两个完全相同的空间特征提取网络级联而成，所述空间特征提取模块得到输入数据的空间特征包括以下步骤：
10、s1.1、对于输入的eeg功率谱数据首先通过一维卷积，再通过非线性层与批归一化层，得到初步提取的空间特征；
11、s1.2、对于步骤s1.1的输出采用残差连接，添加对应映射的输出加到一维卷积的输出中，经过激活和批量归一化，得到的空间特征；
12、s1.3、对于步骤s1.2的得到的空间特征使用dropout来避免过度拟合，并采用最大池来减少维度和保留关键特征。
13、作为本专利技术的优选技术方案，所述步骤s1.1中计算的表达式如下：
14、x1＝bn(relu(conv1d(x)))
15、其中，x1表示初步提取的空间特征，bn(*)表示批量归一化，relu(*)表示relu激活函数，conv1d(*)表示一维卷积，x表示对于输入的eeg功率谱数据展开的功率矩阵，其维度为(batch,w,f)，batch表示批处理大小，w表示时间窗口的长度，f表示频率维度。
16、作为本专利技术的优选技术方案，所述步骤s1.2中的计算表达式如下：
17、x3＝bn(relu(x′1+x2))
18、x′1＝l(x1)
19、x2＝conv1d(x1)
20、其中，x3表示进一步提取的空间特征，l(*)表示线性全连接层，bn(*)表示批量归一化，relu(*)表示relu激活函数，conv1d(*)表示一维卷积，x′1表示经过线性全连接层的输出，x1表示初步提取的空间特征，x2表示对初步提取的空间特征x1进行一维卷积的输出，x3表示通过激活函数和批量归一化处理后的空间特征。
21、作为本专利技术的优选技术方案，所述步骤s1.3中的计算表达式如下：
22、x4＝dropout(maxpool(x3))
23、其中，x4表示空间特征提取模块的输出，x3表示通过激活函数和批量归一化处理后的空间特征，dropout(*)表示正则化，用于避免过度拟合，maxpool(*)表示最大池化操作，用于进行降维和保留关键特征。
24、作为本专利技术的优选技术方案，所述步骤s2上下文信息提取模块使用双向lstm网络提取eeg特征与信号之间的上下文相关性，且上下文信息提取模块由两个单向lstm正反相连组成，两份输出被拼接到一起，得到融合上下文信息的输出。
25、作为本专利技术的优选技术方案，所述步骤s2的具体表达式如下：
26、
27、
28、
29、其中，表示时间步为t时前向lstm网络输出值，表示时间步为t-1时前向lstm网络输出值，表示时间步为t时反向lstm网络输出值，表示时间步为t-1时反向lstm网络输出值，ht表示本文档来自技高网...
【技术保护点】
1.一种基于脑电数据的用户偏好建模方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于脑电数据的用户偏好建模方法，其特征在于：所述步骤S1中的空间特征提取模块由两个完全相同的空间特征提取网络级联而成，所述空间特征提取模块得到输入数据的空间特征包括以下步骤：
3.根据权利要求2所述的一种基于脑电数据的用户偏好建模方法，其特征在于：所述步骤S1.1中计算的表达式如下：
4.根据权利要求2所述的一种基于脑电数据的用户偏好建模方法，其特征在于：所述步骤S1.2中的计算表达式如下：
5.根据权利要求2所述的一种基于脑电数据的用户偏好建模方法，其特征在于：所述步骤S1.3中的计算表达式如下：
6.根据权利要求1所述的一种基于脑电数据的用户偏好建模方法，其特征在于：所述步骤S2上下文信息提取模块使用双向LSTM网络提取EEG特征与信号之间的上下文相关性，且上下文信息提取模块由两个单向LSTM正反相连组成，两份输出被拼接到一起，得到融合上下文信息的输出。
7.根据权利要求6所述的一种基于脑电数据的用户偏好建模方
8.根据权利要求1所述的一种基于脑电数据的用户偏好建模方法，其特征在于：所述S3中特征选择模块具体包括以下步骤：
9.根据权利要求8所述的一种基于脑电数据的用户偏好建模方法，其特征在于：所述步骤S3.1中的计算表达式如下：
10.根据权利要求9所述的一种基于脑电数据的用户偏好建模方法，其特征在于：所述步骤S3.1中的Softmax函数表达式如下：
...【技术特征摘要】
1.一种基于脑电数据的用户偏好建模方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于脑电数据的用户偏好建模方法，其特征在于：所述步骤s1中的空间特征提取模块由两个完全相同的空间特征提取网络级联而成，所述空间特征提取模块得到输入数据的空间特征包括以下步骤：
3.根据权利要求2所述的一种基于脑电数据的用户偏好建模方法，其特征在于：所述步骤s1.1中计算的表达式如下：
4.根据权利要求2所述的一种基于脑电数据的用户偏好建模方法，其特征在于：所述步骤s1.2中的计算表达式如下：
5.根据权利要求2所述的一种基于脑电数据的用户偏好建模方法，其特征在于：所述步骤s1.3中的计算表达式如下：
6.根据权利要求1所述的一种基于脑电数据的用户偏好建...
【专利技术属性】
技术研发人员：岳康，马翠霞，王宏安，
申请(专利权)人：重庆中科汽车软件创新中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。