基于推理模型的脑电预处理寻优方法、系统、设备和介质与流程
本发明属于脑机接口(bci)及人工智能应用,具体涉及基于推理模型的脑电预处理寻优方法、系统、设备和介质。
背景技术:
1、在非侵入式脑机接口应用中,头皮脑电信号由于信噪比低,极易受到目标对象眨眼(眼电)、肌肉紧绷(肌电)以及电极阻抗变化等生理和环境噪声的干扰。为提取有效的神经特征,通常需要对原始脑电信号执行包含重参考、空间滤波、坏段剔除等步骤的预处理管线。
2、现有多数脑电解码任务倾向于对所有目标对象采用一套固定预处理经验参数,例如统一设置滤波频段或伪迹去除阈值。由于个体间噪声分布差异较大,固定参数容易对部分相对干净的数据造成过度清洗。虽然为了实现预处理参数的自动化选择,部分技术采用了自动化搜索算法。然而,传统搜索通常仅以分类准确率作为唯一的反馈优化指标。这导致深度学习模型容易去拟合残留的环境噪声,例如将规律性的眼电伪迹作为分类依据,而非真实的脑电特征。有研究表明,脑电模型在不同预处理方式下存在较高的预测不稳定性。如果仅追求准确率,模型极易产生捷径学习,在面对跨时间或跨设备的测试时鲁棒性较差。此外,脑电预处理包含多个步骤的组合,其参数搜索空间较大。传统的贪心算法或穷举搜索计算开销高,且由于缺乏神经生理学的先验规则约束,纯数学搜索容易产生不符合物理逻辑的预处理顺序。
3、因此,如何提供一种脑电预处理寻优方法,在降低参数搜索计算开销的同时规范处理逻辑是本领域亟待解决的技术问题。
技术实现思路
1、本发明的技术目的在于针对传统算法盲目搜索导致的计算开销大,以及容易产生不合理管线的技术问题,提供基于推理模型的脑电预处理寻优方法、系统、设备和介质,引入推理模型将脑电处理的物理规则转化为文本先验,根据当前脑电信号的统计特征,自动输出一个符合逻辑的初始预处理组合配置,从而实现搜索空间的有效预剪枝。
2、为实现上述技术目的,本发明采用以下技术方案。
3、第一方面,本发明实施例提供基于推理模型的脑电预处理寻优方法,包括:
4、获取目标对象的脑电信号,提取脑电信号的统计学特征并封装为脑电状态画像;
5、将脑电状态画像与预先构建的系统提示词库输入推理模型,由推理模型在规则约束下进行推理,输出初始预处理布尔数组;其中,初始预处理布尔数组中的各个元素分别对应预处理配置集中各个预处理步骤的开关状态;
6、以初始预处理布尔数组为起点展开试探性搜索,在搜索过程中,依据预先锁定的物理时序约束执行试探组合对应的脑电预处理,并在双目标反馈条件约束下判断状态转移,生成收敛后的最优预处理布尔数组;
7、将最优预处理布尔数组固化为目标对象的专属预处理管线配置,以在在线控制阶段应用专属预处理管线配置对目标对象的脑电信号进行特征提取与解码。
8、进一步地,预处理配置集包含多个独立的预处理步骤,且各个预处理步骤的开关状态映射为布尔搜索空间;
9、初始预处理布尔数组与最优预处理布尔数组的长度与预处理步骤的数量相对应;其中,预处理步骤包括以下步骤中的至少一种:全局平均重参考、高通滤波、低通滤波、基线校正、ica去伪迹、坏段极值剔除、以及坏通道空间插值修复。
10、进一步地,提取脑电信号的统计学特征并封装为脑电状态画像,包括:
11、采集目标对象的一段基线脑电数据,计算各通道信号的量化指标;
12、将量化指标通过预设的字符串模板拼接为自然语言描述的脑电状态画像。
13、再进一步地,计算各通道信号的量化指标,包括:
14、计算所有通道的信号方差,求取全局方差的均值与标准差,根据全局方差的均值和标准差设定疑似坏通道的判定阈值;
15、对方差超过判定阈值的通道进行标记,以标示疑似坏通道;并计算全局方差离散系数; 计算各通道时域信号峭度分布极值,对信号峭度大于峭度阈值的通道进行标记以标示通道存在异常伪迹,并提取全局平均峭度以及全脑峭度极大值及其对应的特征通道。
16、进一步地,系统提示词库包含脑电神经生理学规则,具体包括以下规则中的至少一种:
17、额极区检测到信号峭度大于峭度阈值时,提示开启ica去眼电与高通滤波;
18、方差离散系数大于方差离散系数阈值时,提示开启坏通道空间样条插值;
19、若决定开启ica去眼电且检测到疑似坏通道,则必须同时开启坏通道插值;
20、当全脑各通道的信号峭度均未超过预设的伪迹判定阈值,提示保持低通滤波;
21、检测到波幅超过预设限制的超大峰值时,提示开启坏段剔除。
22、进一步地,生成收敛后的最优预处理布尔数组,包括:
23、在初始预处理布尔数组汉明距离为1的邻域内,每次仅改变其中一个预处理步骤的开启或关闭状态;
24、针对每一种试探组合,按照坏通道插值、频域滤波、重参考、伪迹抑制、分段与基线校正、坏段剔除的物理时序约束执行预处理;
25、将预处理后的特征送入代理机器学习模型进行评估,根据双目标反馈条件约束判断是否接受状态转移,循环执行直至周围所有单步修改均无法同时满足双目标反馈条件约束时,输出最优预处理布尔数组。
26、再进一步地,双目标反馈条件约束具体包括:
27、第一目标反馈条件约束为当前组合的交叉验证准确率需大于当前记录的最优准确率;
28、第二目标反馈条件约束为预测翻转率需低于预设的容忍上限,预测翻转率为当前组合与未处理基线状态下保留数据段交集部分的预测翻转率。
29、第二方面,本技术实施例提供了基于推理模型的脑电预处理寻优系统,包括:
30、脑电信号统计学特征提取模块,用于获取目标对象的脑电信号,提取脑电信号的统计学特征并封装为脑电状态画像;
31、大语言模型预剪枝模块,用于将脑电状态画像与预先构建的系统提示词库输入推理模型,由推理模型在规则约束下进行推理,输出初始预处理布尔数组;其中,初始预处理布尔数组中的各个元素分别对应预处理配置集中各个预处理步骤的开关状态;
32、双目标微观贪心搜索模块,用于以初始预处理布尔数组为起点展开试探性搜索,在搜索过程中,依据预先锁定的物理时序约束执行试探组合对应的脑电预处理,并在双目标反馈条件约束下判断状态转移,生成收敛后的最优预处理布尔数组;
33、固化预处理执行模块,用于将最优预处理布尔数组固化为目标对象的专属预处理管线配置,以在在线控制阶段应用专属预处理管线配置对目标对象的脑电信号进行特征提取与解码。
34、第三方面,本技术实施例提供了电子设备,包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时实现如第一方面任一可能的实施方式提供的基于推理模型的脑电预处理寻优方法。
35、第四方面,本技术实施例提供了计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如第一方面任一可能的实施方式提供的基于推理模型的脑电预处理寻优方法。
36、与现有技术相比,本发明实施例能够取得以下有益技术效果:通过引入推理模型的临床先验预剪枝,显著降低寻优算力开销,且有效规避了医学上易导致矩阵污染的不合理组合。本发明的自适应管线有效保留了任务相关特征,跨越式提升平均准确率,并且缓解过度清洗以提升解码精度。引入预测翻转率作为惩罚约束的双目标闭环,该机制有效过滤了那些仅靠拟合环境噪声来提高表面准确率的虚假管线,保证了模型学到的是真实的神经生理特征,提升了脑机接口系统的鲁棒性。
37、应当理解, 技术实现要素: 部分不是用来标识本公开的实施例的关键或基本特征,也不是用来限制本公开的范围。通过下面的描述,本公开的其它特征将变得容易理解。
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