技术摘要：
本发明公开了一种自适应认知活动识别方法、装置及存储介质，包括采集原始脑电数据；对所述原始脑电数据进行处理，得到脑电信号；将所述脑电信号分别输入到状态过渡模型和奖励模型，分别得到脑电状态信息和奖励信息；将所述脑电状态信息和所述奖励信息输入到强化选择注  全部
背景技术：
脑电图(EEG)是一种电生理监测指标，可通过测量大脑神经元内离子电流的电压 波动来分析大脑状态和活动。在实践中，脑电信号可以通过便携式和现成的设备以非侵入 性和非固定的方式进行收集。EEG信号分类算法已针对一系列实际应用进行了研究。脑电分 类模型的准确性和鲁棒性是运动意图识别，情绪识别等认知活动的重要衡量指标。认知活 动识别系统在内部认知世界和外部物理世界之间架起了一座桥梁。它们最近用于辅助生 活，智能家居和娱乐业；基于脑电图的运动想象识别可帮助残障人士进行生活必须的基本 活动；基于脑电信号的情绪识别可用于检测当前病患的情感状态，例如抑郁、焦虑等。 认知活动的分类面临若干挑战。首先，大多数现有的EEG分类研究使用的EEG数据 预处理和特征提取方法(例如，带通滤波，离散小波变换和特征选择)既耗时又高度依赖专 业知识。其次，目前大多数的EEG分类方法都是基于特定领域的知识设计的，因此在不同情 况下可能会失效甚至失败。
技术实现要素：
本发明旨在至少解决现有技术中存在的技术问题之一。 为此，本发明提出一种自适应认知活动识别方法，能够更加有效地认知活动进行 识别，提高了识别的准确性。 本发明还提出一种应用上述自适应认知活动识别方法的自适应认知活动识别装 置。 本发明还提出一种应用上述自适应认知活动识别方法的计算机可读存储介质。 根据本发明第一方面实施例的自适应认知活动识别方法，包括： 采集原始脑电数据； 对所述原始脑电数据进行处理，得到脑电信号； 将所述脑电信号分别输入到状态过渡模型和奖励模型，分别得到脑电状态信息和 奖励信息； 将所述脑电状态信息和所述奖励信息输入到强化选择注意模型，得出最佳注意区 域信息； 将所述最佳注意区域信息输入到奖励模型，得出分类识别结果。 根据本发明实施例的自适应认知活动识别方法，至少具有如下有益效果：提出一 种自动认知活动识别的通用框架，以促进各种认知应用领域的范围，包括运动想象识别和 情绪识别。通过结合深度强化学习和注意机制来设计强化选择性注意模型，以自动提取健 壮且独特的深度特征；以鼓励模型选择能够达到最高分类精度的最佳注意区域；此外，根据 4 CN 111543988 A 说　明　书 2/9 页 认知活动识别环境定制状态和动作；还利用奖励模型进行选定的原始脑电数据进行分类， 实现了比传统方法更高的识别准确性，并且延迟较低。 根据本发明的一些实施例，所述对所述原始脑电数据进行处理，得到脑电信号，包 括： 对所述原始脑电数据进行复制和洗牌处理，得到组合脑电数据； 对所述组合脑电数据进行选取，得到脑电信号。 根据本发明的一些实施例，所述将所述脑电状态信息和所述奖励信息输入到强化 选择注意模型，得出最佳注意区域信息，包括： 通过强化选择注意模型接收到所述脑电状态信息和所述奖励信息，得出脑电评估 信息； 将所述脑电评估信息反馈到所述状态过渡模型以驱使所述状态过渡模型进行脑 电状态信息转换，直至所述强化选择注意模型得出最佳注意区域信息。 根据本发明的一些实施例，所述奖励模型包括卷积映射网络和分类器。 根据本发明的一些实施例，所述将所述最佳注意区域信息输入到奖励模型，得出 分类识别结果，包括： 所述最佳注意区域信息输入到卷积映射网络，得出空间依赖特征； 所述空间依赖特征输入到分类器以得到分类识别结果。 根据本发明的一些实施例，所述卷积映射网络包括输入层、卷积层、完全连接层、 提取特征层和输出层，所述输入层、所述卷积层、所述完全连接层、所述提取特征层和所述 输出层依次连接。 根据本发明第二方面实施例的自适应认知活动识别装置，包括： 采集单元，用于采集原始脑电数据； 处理单元，用于对所述原始脑电数据进行处理，得到脑电信号； 检测单元，用于将所述脑电信号分别输入到状态过渡模型和奖励模型，分别得到 脑电状态信息和奖励信息； 筛选单元，用于将所述脑电状态信息和所述奖励信息输入到强化选择注意模型， 得出最佳注意区域信息； 识别单元，用于将所述最佳注意区域信息输入到奖励模型，得出分类识别结果。 根据本发明的一些实施例，所述处理单元包括： 复制单元，用于对所述原始脑电数据进行复制处理； 洗牌单元，用于对经过所述复制单元处理后的原始脑电数据进行洗牌处理，得出 组合脑电数据； 选取单元，用于对所述组合脑电数据进行选取，得到脑电信号。 根据本发明的一些实施例，所述检测单元包括： 状态过渡单元，用于将脑电信号输入到状态过渡模型，得到脑电状态信息； 奖励单元，用于将脑电信号输入到奖励模型，得到奖励信息。 根据本发明实施例的自适应认知活动识别装置，至少具有如下有益效果：通过结 合深度强化学习和注意机制来设计强化选择性注意模型，以自动提取健壮且独特的深度特 征；以鼓励模型选择能够达到最高分类精度的最佳注意区域；此外，根据认知活动识别环境 5 CN 111543988 A 说　明　书 3/9 页 定制状态和动作；还利用奖励模型进行选定的原始脑电数据进行分类，实现了比传统方法 更高的识别准确性，并且延迟较低。 根据本发明第三方面实施例的计算机可读存储介质，能够应用根据本发明上述第 一方面实施例的自适应认知活动识别方法。 根据本发明实施例的计算机可读存储介质，至少具有如下有益效果：通过结合深 度强化学习和注意机制来设计强化选择性注意模型，以自动提取健壮且独特的深度特征； 以鼓励模型选择能够达到最高分类精度的最佳注意区域；此外，根据认知活动识别环境定 制状态和动作；还利用奖励模型进行选定的原始脑电数据进行分类，实现了比传统方法更 高的识别准确性，并且延迟较低。 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。 附图说明 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得 明显和容易理解，其中： 图1为本发明实施例一的自适应认知活动识别方法的流程图； 图2为本发明实施例一的自适应认知活动识别方法中的对原始脑电数据进行处理 的工作流程图； 图3为本发明实施例一的自适应认知活动识别方法中的筛选最佳注意区域的工作 流程图； 图4为本发明实施例一的自适应认知活动识别方法中的得到分类识别结果的工作 流程图； 图5为本发明实施例二的自适应认知活动识别装置的装置结构示意图； 图6为本发明实施例一的自适应认知活动识别方法的详细流程图。