一种脑机接口误差分级自适应方法、装置、设备及介质与流程
本技术涉及脑机接口,具体涉及一种脑机接口误差分级自适应方法、装置、设备及介质。
背景技术:
1、脑机接口(brain-computer interface,bci)是一种通过采集和解码人体脑信号实现人脑与外部设备直接通信的技术。在脑机接口的多种任务中,回归类解码任务占有重要地位,例如光标的连续控制、机械臂的速度与关节角度控制、智能轮椅的连续运动控制以及连续语音参数合成等。
2、脑机接口回归类解码任务需将脑信号实时映射为连续控制量,以驱动外部设备。然而,脑信号具有显著非平稳性,受电极阻抗、用户状态等影响,跨会话漂移会导致解码模型性能下降。现有技术中已提出在线自适应方法,利用目标位置、目标方向或用户纠错信息作为监督信号更新解码器参数,或基于持续学习保存历史样本、施加正则化约束。但上述方法仍存在不足:一方面,缺乏对脑信号质量的评估,在信号质量差或伪迹较强时仍进行模型更新,易引发错误适应;另一方面,通常对全部参数或固定参数子集进行更新,未区分脑信号变化程度,无法根据任务执行偏差大小分级调整更新策略。这种缺乏偏差筛选与分级机制的更新方式,难以兼顾模型稳定性与适应性,制约了脑机接口系统的长期实用化。
技术实现思路
1、本技术提供一种脑机接口误差分级自适应方法、装置、设备及计算机可读存储介质,可以解决现有技术中脑机接口回归解码模型的自适应更新缺乏对脑信号质量的筛选机制以及对闭环控制误差的分级处理机制,导致在信号质量较差时易产生错误适应,且无法根据误差幅度动态调整参数更新范围,难以兼顾模型稳定性与适应性的问题。
2、为达到以上目的,本发明采取的技术方案是:
3、第一方面,本技术实施例提供一种脑机接口误差分级自适应方法,包括:
4、获取用户脑信号,输入回归解码模型得到连续控制量以驱动外部设备产生实际状态,根据外部设备产生的实际状态与设定的目标状态计算闭环控制误差;
5、获取基于所述用户脑信号计算用于表征可靠程度的脑信号质量指标,若所述脑信号质量指标不满足预设条件,则禁止更新所述回归解码模型;
6、若所述脑信号质量指标满足预设条件,则根据所述闭环控制误差从所述回归解码模型的分级参数集合中选择对应等级范围内的待更新的参数子集进行更新。
7、在上述技术方案的基础上,还包括对所述闭环控制误差进行平滑处理的步骤:
8、基于滑动窗口对所述闭环控制误差进行平均或滤波处理,以消除所述闭环控制误差中的瞬时波动或噪声;
9、将平滑处理后得到的平滑误差作为所述闭环控制误差,用于从所述回归解码模型的分级参数集合中选择对应等级范围内的待更新的参数子集进行更新。
10、在上述技术方案的基础上,所述选择对应等级范围内的待更新的参数子集进行更新,包括:
11、获取脑信号质量指标,并根据和所述平滑误差选择待更新参数子集;
12、若不满足预设条件,则将所述待更新参数子集强制置为空集,即:;
13、在本次更新周期内禁止更新所述回归解码模型;
14、若满足预设条件,则根据所述平滑误差的大小选择待更新参数子集,设定阈值序列,即:
15、;
16、其中,,表示第k个参数子集;
17、若,则;
18、若,则,其中θ表示所述回归解码模型的全部参数集合。
19、在上述技术方案的基础上,所述选择对应等级范围内的待更新的参数子集进行更新,包括构造目标函数:
20、基于当前监督信号与历史锚定信息,构造包含适应损失项和锚定约束损失项的目标函数:
21、;
22、其中,表征所述回归解码模型在当前脑信号上的输出与所述当前监督信号之间的距离,表征当前模型与历史锚定信息之间的偏离程度,为锚定约束的权衡系数;
23、所述适应损失项为:
24、;
25、其中,为所述回归解码模型对脑信号的输出,为监督信号置信度权重;
26、所述当前监督信号来源于真实连续标签、短时校准标签、根据目标状态与实际状态之差并结合历史运动轨迹或任务约束估计得到的期望控制量,或者由纠错信号转换得到的弱监督标签;
27、若所述锚定约束损失项采用历史代表样本输出蒸馏形式,则:
28、;
29、其中,为预先保存的历史代表脑信号样本,为历史锚定模型;
30、若所述锚定约束损失项采用特征原型蒸馏形式,则:
31、;
32、其中,为预先保存的历史特征原型,为所述历史锚定模型在历史代表样本上的输出,为所述回归解码模型的回归头;
33、若所述锚定约束损失项采用参数重要性约束形式,则:
34、;
35、其中,为第个参数对历史任务的重要性权重,为当前模型第个参数,为历史锚定模型的对应参数。
36、在上述技术方案的基础上,所述构造目标函数后,仅在所述待更新参数子集内对所述回归解码模型进行梯度更新:
37、;
38、其中,为基础学习率,表示仅对所述待更新参数子集中的参数计算梯度,所述待更新参数子集之外的参数在本次更新中保持不变,←为赋值运算符,表示将右侧计算得到的新值更新给左侧的变量,表示属于子集中的具体模型参数;
39、引入误差驱动的更新强度系数:
40、;
41、并将所述梯度更新改写为:
42、;
43、其中,是更新强度系数,表示一个随误差动态变化的系数,用于自适应地调整梯度更新的强度,表示平滑误差,clip(...,0,1)表示截断函数。
44、在上述技术方案的基础上,还包括更新安全门控步骤:
45、获取脑信号质量指标、设备状态指标、任务有效性指标或误差归因置信度中的至少一种构成更新安全门控条件;
46、若所述脑信号质量指标、设备状态指标、任务有效性指标或误差归因置信度不满足更新安全门控条件,则禁止更新所述回归解码模型。
47、在上述技术方案的基础上,在所述进行更新之后还包括模型验证步骤:
48、通过更新后的回归解码模型的离线预测误差、影子闭环误差和/或融合控制后的闭环误差变化趋势判断其是否满足预设改善条件;
49、若满足所述预设改善条件,则接受所述更新后的回归解码模型;否则保留更新前的回归解码模型。
50、第二方面,本技术实施例提供一种脑机接口误差分级自适应装置,包括:
51、信号获取与误差计算模块,用于获取用户脑信号,输入回归解码模型得到连续控制量以驱动外部设备产生实际状态,根据外部设备产生的实际状态与设定的目标状态计算闭环控制误差;
52、质量评估模块,用于获取基于所述用户脑信号计算用于表征可靠程度的脑信号质量指标,若所述脑信号质量指标不满足预设条件,则禁止更新所述回归解码模型;
53、参数选择与更新模块,用于在所述脑信号质量指标满足预设条件时,根据所述闭环控制误差从所述回归解码模型的分级参数集合中选择对应等级范围内的待更新的参数子集进行更新。
54、第三方面,本技术实施例提供一种脑机接口误差分级自适应设备,所述脑机接口误差分级自适应设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的脑机接口误差分级自适应程序,其中所述脑机接口误差分级自适应程序被所述处理器执行时,实现如第一方面所述的脑机接口误差分级自适应方法的步骤。
55、第四方面,本技术实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有脑机接口误差分级自适应程序,其中所述脑机接口误差分级自适应程序被处理器执行时,实现如第一方面所述的脑机接口误差分级自适应方法的步骤。
56、与现有技术相比,本发明的优点在于:
57、本发明一种脑机接口误差分级自适应方法、装置、设备及介质中通过实时计算脑信号质量指标并据此判定是否禁止模型更新,特别是在信号质量满足条件时根据闭环控制误差幅度从分级参数集合中选择对应等级的参数子集进行更新,实现了基于信号质量的更新筛选与基于误差大小的参数分级调整;该方法有效避免了低质量脑信号导致的模型错误适应,防止了因固定参数更新策略引发的模型扰动或适应不足,解决了回归解码任务中因缺乏误差筛选和分级机制而导致的模型长期性能退化问题,显著提升了脑机接口系统在非平稳信号环境下的解码鲁棒性与长期实用性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com