申请/专利权人：小舟科技有限公司

申请日：2024-01-03

公开（公告）日：2024-03-15

公开（公告）号：CN117493779B

主分类号：G06F18/10

分类号：G06F18/10;G06N3/0464;G06N3/084;G06F18/213;G06F18/241;G06F18/27;A61B5/377;A61B5/372

优先权：

专利状态码：有效-授权

法律状态：2024.03.15#授权;2024.02.23#实质审查的生效;2024.02.02#公开

摘要：本申请适用于人工智能技术领域，尤其涉及一种降低视觉疲劳的SSVEP信号处理方法、装置、设备以及介质，该方法包括：获取用户在多个编码刺激源下产生的脑电信号，根据脑电信号识别模型对预处理后的脑电特征数据进行视觉疲劳识别；若视觉疲劳识别结果为ON型视觉疲劳或者OFF型视觉疲劳，则根据视觉疲劳类型执行对应的降低视觉疲劳操作；若视觉疲劳识别结果为非疲劳状态，则对原始特征数据进行频谱分析以判断用户注视方向。可见，本申请通过应用卷积神经网络对脑电进行智能判断,可以针对性检测不同视觉疲劳类型,并相应控制编码刺激源来抑制疲劳，这有助于减少长时间凝视刺激所导致的视觉疲劳现象，提高技术的实用性。

主权项：1.一种降低视觉疲劳的SSVEP信号处理方法，其特征在于，包括：获取用户在多个编码刺激源下产生的脑电信号，对所述脑电信号进行特征处理,得到原始特征数据；对所述原始特征数据进行预处理,得到预处理后的脑电特征数据；根据脑电信号识别模型对所述预处理后的脑电特征数据进行视觉疲劳识别；所述视觉疲劳识别结果包括ON型视觉疲劳、OFF型视觉疲劳以及非疲劳状态；若所述视觉疲劳识别结果为ON型视觉疲劳或者OFF型视觉疲劳，则根据视觉疲劳类型执行对应的降低视觉疲劳操作；若所述视觉疲劳识别结果为非疲劳状态，则对所述原始特征数据进行频谱分析以判断用户注视方向；根据脑电信号识别模型识别出所述预处理后的脑电特征数据对应的视觉疲劳类型之前，还包括：获取脑电样本数据和每个所述脑电样本数据对应的标签类型；其中，所述标签类型包括ON型视觉疲劳、OFF型视觉疲劳以及非疲劳状态；构建基于卷积神经网络的混合分类回归模型；其中，所述基于卷积神经网络的混合分类回归模型包括输入层、中间层以及输出层；基于最小化损失函数，根据脑电样本数据和每个所述脑电样本数据对应的标签类型，对所述基于卷积神经网络的混合分类回归模型的初始权重参数进行优化；将所有脑电特征样本数据的损失进行求和，得到总损失，基于梯度下降法优化所述总损失，当所述总损失达到预设停止条件，则训练停止,得到再次优化后的目标权重参数；根据所述基于卷积神经网络的混合分类回归模型和所述目标权重参数形成脑电信号识别模型；对所述原始特征数据进行频谱分析以判断用户注视方向，包括：获取所述原始特征数据中目标脑电特征数据，确定所述目标脑电特征数据的信号位置，并对所述目标脑电特征数据进行频率分析获取主要频率分量；根据所述主要频率分量和预设频谱范围确定频谱分析的具体频率范围，以所述目标脑电特征数据的信号位置为中心,将所述具体频率范围作为矩阵范围,在所述目标脑电特征数据中取出初始待运算矩阵;根据所述初始待运算矩阵,生成完整的待运算频谱分析矩阵，对所述待运算频谱分析矩阵进行频谱分析,提取编码刺激源频率信息,确定用户凝视的编码刺激源，根据所述用户凝视的编码刺激源判断用户视线方向。

全文数据：

权利要求：

百度查询： 小舟科技有限公司 一种降低视觉疲劳的SSVEP信号处理方法、装置、设备及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD