一种冰毒成瘾者检测模型的训练方法和系统与流程

技术特征：
1.一种冰毒成瘾者检测模型的训练方法，其特征在于，包括以下步骤：(1)获取多个待测试者在看到视觉诱发刺激图片后的脑电图信号；(2)对步骤(1)得到的每个待检测者对应的脑电图信号进行预处理，以得到对应于每个待检测者的预处理后的脑电图信号；(3)针对步骤(2)得到的对应于每个待检测者的预处理后的脑电图信号而言，将其中每个对应于标准刺激图片的子脑电图信号的电压值a1、a2、
…
、am分别与每个对应于成瘾偏差图片的子脑电图信号的电压值b1、b2、
…
、bn相减，从而得到对应于该待检测者、并由多个电压差值构成的数据集，即{a1
‑
b1，a1
‑
b2，
…
，a1
‑
bn，a2
‑
b1，a2
‑
b2，...，a2
‑
bn，..，am
‑
b1，am
‑
b2，
…
am
‑
bn}，将所有待检测者的数据集按照4:1的比例划分为训练集和测试集，其中n表示对应于成瘾偏差图片的子脑电图信号的总数，m表示对应于标准刺激图片的子脑电图信号的总数。(4)将步骤(3)得到的训练集输入冰毒成瘾者检测网络模型中，并使用反向传播算法对冰毒成瘾者检测网络模型中每层的权重参数和偏置参数进行更新和优化，以得到更新后的冰毒成瘾者检测网络模型。(5)对步骤(4)更新后的冰毒成瘾者检测网络模型进行迭代训练，直到该冰毒成瘾者检测网络模型的损失函数达到最小为止；(6)使用步骤(3)得到的测试集对迭代训练后的冰毒成瘾者检测网络模型进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的冰毒成瘾者检测网络模型。2.根据权利要求1所述的冰毒成瘾者检测模型的训练方法，其特征在于，步骤(1)具体为，首先在oddball实验模式下，采集待测试者先后看到不同视觉诱发刺激图片后的64通道脑电图信号，然后，在预定的时间间隔后继续重复该过程，从而最终得到最终的脑电图信号。3.根据权利要求1或2所述的冰毒成瘾者检测模型的训练方法，其特征在于，视觉诱发刺激图片包括标准刺激图片和成瘾偏差图片，其中标准刺激图片是与冰毒完全无关的图片，成瘾偏差图片是与冰毒高度相关的图片。4.根据权利要求1至3中任意一项所述的冰毒成瘾者检测模型的训练方法，其特征在于，步骤(2)具体为，首先，针对每个待检测者对应的脑电图信号而言，选择tp9、tp10通道的平均电压作为参考电压，然后将其他所有62路通道的电压分别减去该参考电压，从而得到去参考后的脑电图信号，然后，对该脑电图信号进行1到30hz的带通滤波，随后，去除带通滤波后的脑电图信号中的伪迹、信号漂移和非生物信号，随后，采用独立成分分析(ica)方法去除脑电图信号中的眼电干扰，以得到去除干扰后的脑电图信号；然后，从去除干扰后的脑电图信号中，截取每张标准刺激图片被呈现给待测试者的时刻前200ms、后1000ms的脑电图信号，从而生成对应于每张标准刺激图片的子脑电图信号，并截取每张成瘾偏差图片被呈现给待测试者的时刻前200ms、后1000ms的脑电图信号，从而生成对应于每张成瘾偏差图片的子脑电图信号，所有对应于所有标准刺激图片的子脑电图信号和所有对应于所有成瘾偏差图片的子脑电图信号共同构成对应于该待检测者的预处理后的脑电图信号。5.根据权利要求1至4中任意一项所述的冰毒成瘾者检测模型的训练方法，其特征在于，步骤(4)中权重参数的初始值是使用标准差为0.1的截断式正态分布输出的随机值，偏
置参数的初始值设为0；反向传播算法是采用adam
‑
optimizer作为优化器。6.根据权利要求1至5中任意一项所述的冰毒成瘾者检测模型的训练方法，其特征在于，冰毒成瘾者检测网络模型的损失函数l为：其中n表示训练集的样本总数，k表示训练集中类别的数量，t_(i,k)表示第k类第i个训练样本输入冰毒成瘾者检测网络模型后的预测结果，y_(i,k)表示第k类第i个训练样本对应的真实结果，k∈[1，k]，λ表示正则化程度，其取值为0.01，w_(i,k)表示第k类第i个训练样本输入冰毒成瘾者检测网络模型时的权重参数，其随着cnn冰毒成瘾者检测网络模型的训练自行变化。7.根据权利要求1所述的冰毒成瘾者检测模型的训练方法，其特征在于，冰毒成瘾者检测网络模型采用卷积神经网络，其具体结构如下：第一层是输入层，其输入大小为300
×
62的脑电图信号；第二层是一维卷积层，其卷积核大小为1
×
100，卷积核个数为64，其输入为输入层的300
×
62的脑电信号，其输出维度为201
×
64。第三层是最大池化层，其步距为2，其输入维度为201
×
64，其输出维度为100
×
64。第四层是卷积层，其卷积核大小为1
×
32，卷积核个数为128，其输入维度为100
×
64，其输出维度为69
×
128。第五层是最大池化层，其步距为2，其输入维度为69
×
128，其输出维度为34
×
128。第六层是卷积层，其卷积核大小为1
×
32，卷积核个数为256，其输入维度为34
×
128，其输出维度为3
×
256。第七层是最大池化层，其步距为2，其输入维度为3
×
256，其输出维度为1
×
256。第八层是dropout层，其比率为0.3，其输出维度为1
×
256。第九层是全连接层，其输入维度为1
×
256，其输出维度为1
×
2。8.一种冰毒成瘾者检测模型的训练系统，其特征在于，包括：第一模块，用于获取多个待测试者在看到视觉诱发刺激图片后的脑电图信号。第二模块，用于对第一模块得到的每个待检测者对应的脑电图信号进行预处理，以得到对应于每个待检测者的预处理后的脑电图信号；第三模块，用于针对第二模块得到的对应于每个待检测者的预处理后的脑电图信号而言，将其中每个对应于标准刺激图片的子脑电图信号的电压值a1、a2、
…
、am分别与每个对应于成瘾偏差图片的子脑电图信号的电压值b1、b2、
…
、bn相减，从而得到对应于该待检测者、并由多个电压差值构成的数据集，即{a1
‑
b1，a1
‑
b2，
…
，a1
‑
bn，a2
‑
b1，a2
‑
b2，...，a2
‑
bn，..，am
‑
b1，am
‑
b2，
…
am
‑
bn}，将所有待检测者的数据集按照4:1的比例划分为训练集和测试集，其中n表示对应于成瘾偏差图片的子脑电图信号的总数，m表示对应于标准刺激图片的子脑电图信号的总数；第四模块，用于将第三模块得到的训练集输入冰毒成瘾者检测网络模型中，并使用反向传播算法对冰毒成瘾者检测网络模型中每层的权重参数和偏置参数进行更新和优化，以
得到更新后的冰毒成瘾者检测网络模型；第五模块，用于对第四模块更新后的冰毒成瘾者检测网络模型进行迭代训练，直到该冰毒成瘾者检测网络模型的损失函数达到最小为止；第六模块，用于使用第三模块得到的测试集对迭代训练后的冰毒成瘾者检测网络模型进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的冰毒成瘾者检测网络模型。

技术总结
本发明公开了一种冰毒成瘾者检测模型的训练方法，包括：获取多个待测试者在看到视觉诱发刺激图片后的脑电图信号，对每个待检测者对应的脑电图信号进行预处理，以得到对应于每个待检测者的预处理后的脑电图信号，针对对应于每个待检测者的预处理后的脑电图信号而言，将其中每个对应于标准刺激图片的子脑电图信号的电压值分别与每个对应于成瘾偏差图片的子脑电图信号的电压值相减，从而得到对应于该待检测者的数据集，将所有待检测者的数据集划分为训练集和测试集，将训练集输入冰毒成瘾者检测网络模型中，并使用反向传播算法对冰毒成瘾者检测网络模型中每层的权重参数和偏置参数进行更新和优化，以得到更新后的冰毒成瘾者检测网络模型。检测网络模型。检测网络模型。


技术研发人员：周到 高军峰 官金安 黄敏
受保护的技术使用者：中南民族大学
技术研发日：2021.08.12
技术公布日：2021/11/5