(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利(10)授權(quán)公告號CN120105071B(65)同一申請的已公布的文獻(xiàn)號(73)專利權(quán)人小舟科技有限公司東路3000號1713辦公(72)發(fā)明人周家俊李寶寶徐洪凱(74)專利代理機構(gòu)北京智行陽光知識產(chǎn)權(quán)代理事務(wù)所(普通合伙)11738專利代理師侯宇燦審查員張帥領(lǐng)(54)發(fā)明名稱智能眼鏡腦電信號特征提取與降維方法、裝置及設(shè)備本申請涉及腦機接口技術(shù)領(lǐng)域，尤其涉及一種智能眼鏡腦電信號特征提取與降維方法、裝置原始特征集合中的每個特征向量進(jìn)行分解，得到特征原子集合，基于特征原子集合，對原始特征集合中的每個特征向量進(jìn)行原子級重組，生成重組后的特征集合；并計算重組后的特征集合對應(yīng)的核矩陣，將核矩陣映射到高維核空間，根據(jù)原始特征集合進(jìn)行主成分分析，獲取核主成分投影矩陣；利用核主成分投影矩陣將特征集合投影到低維空間，并結(jié)合腦電信號數(shù)據(jù)集合生成低維非根據(jù)智能眼鏡鏡框和鏡腿中的微型干電極，采集佩戴者的腦電信號，形成腦電信號數(shù)據(jù)集合，根據(jù)腦電信號數(shù)據(jù)集合，提取時域、頻域和時頻域特征，生成原始特征集合對原始特征集合中的每個特征向量進(jìn)行分解，得到特征原子集合，在特征原子集合中，獲取每個特征原子對應(yīng)的響應(yīng)，將每個響應(yīng)對應(yīng)的特征原子合并為一個特征組，根據(jù)多個特征組重新合并生成特征基于特征原子集合，對原始特征集合中的每個特征向量進(jìn)行原子級重組，生成重組后的特征集合；并計算重組后的特征集合對應(yīng)的核矩陣，將核矩陣映射到高維核空間，根據(jù)原始特征集合進(jìn)行主成分分析，獲取核主成分投影矩陣?yán)煤酥鞒煞滞队熬仃噷⑻卣骷贤队暗降途S空間,并結(jié)合腦電信號數(shù)據(jù)集合生成低維非線性特征表示，完成智能眼鏡腦電信號特征提取與降維21.一種智能眼鏡腦電信號特征提取與降維方法，其特征在于，包括：根據(jù)所述智能眼鏡鏡框和鏡腿中的微型干電極，采集佩戴者的腦電信號，形成腦電信號數(shù)據(jù)集合，根據(jù)所述腦電信號數(shù)據(jù)集合，提取時域、頻域和時頻域特征，生成原始特征集對所述原始特征集合中的每個特征向量進(jìn)行分解，得到特征原子集合，在所述特征原子集合中，獲取每個所述特征原子對應(yīng)的響應(yīng)，將每個所述響應(yīng)對應(yīng)的特征原子合并為一個特征組，根據(jù)多個所述特征組重新合并生成所述特征原子集合；基于重新合并生成的所述特征原子集合，對所述原始特征集合中的每個特征向量進(jìn)行原子級重組，生成重組后的特征集合；并計算所述重組后的特征集合對應(yīng)的核矩陣，將所述核矩陣映射到高維核空間，根據(jù)所述原始特征集合進(jìn)行主成分分析，獲取核主成分投影矩陣；所述對所述原始特征集合中的每個特征向量進(jìn)行原子級重組，包括：計算每個特征向量與合并后的所述特征原子集合的加權(quán)余弦相似度，基于軟閾值策略選擇相似度最高的多個特征原子；構(gòu)建所述特征原子對應(yīng)的編碼矩陣，通過包含稀疏正則化項的優(yōu)化問題求解編碼系數(shù)；對所述編碼系數(shù)進(jìn)行歸一化處理，并引入局部結(jié)構(gòu)保持約束生成重組后的特征向利用所述核主成分投影矩陣將所述重組后的特征集合投影到低維空間，并結(jié)合所述腦電信號數(shù)據(jù)集合生成低維非線性特征表示，完成智能眼鏡腦電信號特征提取與降維。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述原始特征集合中的每個特征向?qū)⑺鲈继卣骷现械拿總€特征向量的元素逐個進(jìn)行擾動處理，輸入分類器獲得響應(yīng)向量并進(jìn)行分類；根據(jù)所述響應(yīng)向量的分類結(jié)果，對所述原始特征集合中的每個特征向量進(jìn)行分解，獲得特征原子集合。3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)多個所述特征組重新合并生成所提取每個所述特征組的中心特征向量并進(jìn)行成對組間合并，直至達(dá)到預(yù)設(shè)分組數(shù)目，重新生成合并后的所述特征原子集合。4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述原始特征集合進(jìn)行主成分分將所述核矩陣映射到高維核空間，構(gòu)建基于原始特征集合的輔助核矩陣；對所述輔助核矩陣進(jìn)行特征值分解獲得主成分方向，并計算所述原始特征集合在所述主成分方向上的投影系數(shù)；根據(jù)所述投影系數(shù)并引入局部結(jié)構(gòu)保持約束的優(yōu)化過程生成所述核主成分投影矩陣。5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用所述核主成分投影矩陣將所述重組后的特征集合投影到低維空間，包括：將重組后的所述特征向量映射到所述高維核空間，通過所述核主成分投影矩陣進(jìn)行線性組合；根據(jù)腦電信號數(shù)據(jù)構(gòu)建多層映射函數(shù)，在所述多層映射函數(shù)中設(shè)置投影層、對齊層和融合層；3通過包含正則化項的優(yōu)化目標(biāo)函數(shù)調(diào)整所述多層映射函數(shù)，生成低維空間投影坐標(biāo)，將所述重組后的特征集合投影到低維空間。6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述結(jié)合所述腦電信號數(shù)據(jù)集合生成低維將所述低維空間投影坐標(biāo)與預(yù)處理后的腦電信號數(shù)據(jù)集合輸入多層融合網(wǎng)絡(luò)，用于通過注意力機制動態(tài)調(diào)整特征權(quán)重，輸出所述低維非線性特征表示。7.根據(jù)權(quán)利要求6所述的方法，其特征在于，在所述輸出所述低維非線性特征表示之在所述融合網(wǎng)絡(luò)中施加連續(xù)性約束和一致性約束，用于保持特征分布的相似性和時空一致性。8.一種智能眼鏡腦電信號特征提取與降維裝置，其特征在于，包括：集合獲取單元，用于根據(jù)所述智能眼鏡鏡框和鏡腿中的微型干電極，采集佩戴者的腦電信號，形成腦電信號數(shù)據(jù)集合，根據(jù)所述腦電信號數(shù)據(jù)集合，提取時域、頻域和時頻域特向量分解單元，用于對所述原始特征集合中的每個特征向量進(jìn)行分解，得到特征原子集合，在所述特征原子集合中，獲取每個所述特征原子對應(yīng)的響應(yīng)，將每個所述響應(yīng)對應(yīng)的特征原子合并為一個特征組，根據(jù)多個所述特征組重新合并生成所述特征原子集合；原子重組單元，用于基于重新合并生成的所述特征原子集合，對所述原始特征集合中的每個特征向量進(jìn)行原子級重組，生成重組后的特征集合；并計算所述重組后的特征集合對應(yīng)的核矩陣，將所述核矩陣映射到高維核空間，根據(jù)所述原始特征集合進(jìn)行主成分分析，獲取核主成分投影矩陣；所述對所述原始特征集合中的每個特征向量進(jìn)行原子級重組，包括：計算每個特征向量與合并后的所述特征原子集合的加權(quán)余弦相似度，基于軟閾值策略選擇相似度最高的多個特征原子；構(gòu)建所述特征原子對應(yīng)的編碼矩陣，通過包含稀疏正則化項的優(yōu)化問題求解編碼系數(shù)；對所述編碼系數(shù)進(jìn)行歸一化處理，并引入局部結(jié)構(gòu)保持約束生成重組后的特征向量；降維完成單元，用于利用所述核主成分投影矩陣將所述重組后的特征集合投影到低維空間，并結(jié)合所述腦電信號數(shù)據(jù)集合生成低維非線性特征表示，完成智能眼鏡腦電信號特征提取與降維。9.一種計算機設(shè)備，其特征在于，包括存儲器和處理器；所述存儲器用于存儲計算機程序；所述處理器，用于執(zhí)行所述計算機程序并在執(zhí)行所述計算機程序時實現(xiàn)如權(quán)利要求1至7中任一項所述的方法。4智能眼鏡腦電信號特征提取與降維方法、裝置及設(shè)備技術(shù)領(lǐng)域[0001]本申請涉及腦機接口技術(shù)領(lǐng)域，尤其涉及一種智能眼鏡腦電信號特征提取與降維背景技術(shù)[0002]隨著可穿戴設(shè)備技術(shù)的發(fā)展，智能眼鏡作為一種新型的人機交互設(shè)備，通過集成特別是在智能眼鏡這種便攜式設(shè)備中采集的腦電信號，由于受到設(shè)備體積限制、電極數(shù)量受限、環(huán)境干擾大、用戶活動狀態(tài)多變等因素的影響，信號質(zhì)量較低，這給特征提取和分析帶來了更大的挑戰(zhàn)。[0003]為了克服上述困難，研究人員提出了各種改進(jìn)的腦電信號特征提取和降維方法。其中，基于核方法的特征提取技術(shù)，如核主成分分析(KernelPrincipalComponentAnalysis,KPCA),通過非線性映射將原始數(shù)據(jù)映射到高維特征空間，在高維空間中進(jìn)行主部特征和細(xì)節(jié)信息。發(fā)明內(nèi)容[0005]本申請實施例提供了一種智能眼鏡腦電信號特征提取與降維方法、裝置及設(shè)備，方法旨在解決現(xiàn)有基于核方法的特征提取技術(shù)，如核主成分分析(KernelPrincipalComponentAnalysis,KPCA),通過非線性映射將原始數(shù)據(jù)映射到高維特征空間，在高維空可能忽略局部特征和細(xì)節(jié)信息的問題。[0006]第一方面，本申請實施例提供了一種智能眼鏡腦電信號特征提取與降維方法，包[0007]根據(jù)所述智能眼鏡鏡框和鏡腿中的微型干電極，采集佩戴者的腦電信號，形成腦電信號數(shù)據(jù)集合，根據(jù)所述腦電信號數(shù)據(jù)集合，提取時域、頻域和時頻域特征，生成原始特征集合；[0008]對所述原始特征集合中的每個特征向量進(jìn)行分解，得到特征原子集合，在所述特征原子集合中，獲取每個所述特征原子對應(yīng)的響應(yīng)，將每個所述響應(yīng)對應(yīng)的特征原子合并為一個特征組，根據(jù)多個所述特征組重新合并生成所述特征原子集合；[0009]基于所述特征原子集合，對所述原始特征集合中的每個特征向量進(jìn)行原子級重組，生成重組后的特征集合；并計算所述重組后的特征集合對應(yīng)的核矩陣，將所述核矩陣映5射到高維核空間，根據(jù)所述原始特征集合進(jìn)行主成分分析，獲取核主成分投影矩陣；[0010]利用所述核主成分投影矩陣將所述特征集合投影到低維空間，并結(jié)合所述腦電信號數(shù)據(jù)集合生成低維非線性特征表示，完成智能眼鏡腦電信號特征提取與降維。[0011]第二方面，本申請還提供一種智能眼鏡腦電信號[0012]集合獲取單元，用于根據(jù)所述智能眼鏡鏡框和鏡腿中的微型干電極，采集佩戴者的腦電信號，形成腦電信號數(shù)據(jù)集合，根據(jù)所述腦電信號數(shù)據(jù)集合，提取時域、頻域和時頻[0013]向量分解單元，用于對所述原始特征集合中的每個特征向量進(jìn)行分解，得到特征原子集合，在所述特征原子集合中，獲取每個所述特征原子對應(yīng)的響應(yīng)，將每個所述響應(yīng)對應(yīng)的特征原子合并為一個特征組，根據(jù)多個所述特征組重新合并生成所述特征原子集合；[0014]原子重組單元，用于基于所述特征原子集合，對所述原始特征集合中的每個特征向量進(jìn)行原子級重組，生成重組后的特征集合；并計算所述重組后的特征集合對應(yīng)的核矩陣，將所述核矩陣映射到高維核空間，根據(jù)所述原始特征集合進(jìn)行主成分分析，獲取核主成分投影矩陣；[0015]降維完成單元，用于利用所述核主成分投影矩陣將所述特征集合投影到低維空間，并結(jié)合所述腦電信號數(shù)據(jù)集合生成低維非線性特征表示，完成智能眼鏡腦電信號特征提取與降維。[0016]第三方面，本申請還提供一種計算機設(shè)備，包括處理器和存儲器，所述存儲器用于存儲計算機程序，所述計算機程序被所述處理器執(zhí)行時實現(xiàn)如第一方面所述的智能眼鏡腦電信號特征提取與降維方法。[0017]該方法通過智能眼鏡鏡框/鏡腿的微型干電極采集腦電信號，提取時域、頻域、時頻域特征，生成原始特征集合；對原始特征向量進(jìn)行分解得到特征原子集合，通過響應(yīng)合并生成新的特征組，重構(gòu)特征原子集合；對重組特征集合計算核矩陣并映射到高維核空間，結(jié)合主成分分析(PCA)生成核主成分投影矩陣；利用投影矩陣將特征降維到低維空間，結(jié)合原始數(shù)據(jù)生成標(biāo)準(zhǔn)化的低維非線性特征表示。[0018]通過同時提取時域、頻域和時頻域特征，克服單一特征維度信息不完整的問題，提升腦電信號的表征能力；通過特征原子分解與重組，分離噪聲干擾和有效信號成分，提高特征魯棒性；核主成分分析(KPCA)有效處理高維非線性數(shù)據(jù)，避免傳統(tǒng)PCA的線性假設(shè)限制，保留判別性信息；結(jié)合智能眼鏡微型干電極的物理特性設(shè)計降維流程，減少計算資源占用，適合嵌入式設(shè)備實時處理；標(biāo)注低維特征的物理意義和可靠性指標(biāo)，增強特征在腦機接口(BCI)任務(wù)中的可解釋性。[0019]應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本申請。附圖說明[0020]圖1為本申請實施例示出的智能眼鏡腦電信號特征提取與降維方法的流程示意[0021]圖2為本申請實施例示出的智能眼鏡腦電信號特征提取與降維裝置的結(jié)構(gòu)示意6[0022]圖3為本申請實施例示出的計算機設(shè)備的結(jié)構(gòu)示意圖。具體實施方式[0023]以下描述中，為了說明而不是為了限定，提出了諸如特定系統(tǒng)結(jié)構(gòu)、技術(shù)之類的具體細(xì)節(jié)，以便透徹理解本申請實施例。然而，本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)清楚，在沒有這些具體細(xì)節(jié)的其它實施例中也可以實現(xiàn)本申請。在其它情況中，省略對眾所周知的系統(tǒng)、裝置、電路以及方法的詳細(xì)說明，以免不必要的細(xì)節(jié)妨礙本申請的描述。[0024]應(yīng)當(dāng)理解，當(dāng)在本申請說明書和所附權(quán)利要求書中使用時，術(shù)語“包括”指示所描[0025]還應(yīng)當(dāng)理解，在本申請說明書和所附權(quán)利要求書中使用的術(shù)語“和/或”是指相關(guān)聯(lián)列出的項中的一個或多個的任何組合以及所有可能組合，并且包括這些組合。[0026]如在本申請說明書和所附權(quán)利要求書中所使用的那樣，術(shù)語“如果”可以依據(jù)上下等僅用于區(qū)分描述，而不能理解為指示或暗示相對重要性。[0028]在本申請說明書中描述的參考“一個實施例”或“一些實施例”等意味著在本申請的一個或多個實施例中包括結(jié)合該實施例描述的特定特征、結(jié)構(gòu)或特點。由此，在本說明書“在另外一些實施例中”等不是必然都參考相同的實施例，而是意味著“一個或多個但不是形都意味著“包括但不限于”,除非是以其他方式另外特別強調(diào)。[0029]下面對本申請實施例的技術(shù)方案進(jìn)行介紹。[0030]隨著可穿戴設(shè)備技術(shù)的發(fā)展，智能眼鏡作為一種新型的人機交互設(shè)備，通過集成特別是在智能眼鏡這種便攜式設(shè)備中采集的腦電信號，由于受到設(shè)備體積限制、電極數(shù)量受限、環(huán)境干擾大、用戶活動狀態(tài)多變等因素的影響，信號質(zhì)量較低，這給特征提取和分析帶來了更大的挑戰(zhàn)。[0031]為了克服上述困難，研究人員提出了各種改進(jìn)的腦電信號特征提取和降維方法。其中，基于核方法的特征提取技術(shù)，如核主成分分析(KernelPrincipalComponentAnalysis,KPCA),通過非線性映射將原始數(shù)據(jù)映射到高維特征空間，在高維空間中進(jìn)行主部特征和細(xì)節(jié)信息。[0032]另一類重要的特征提取技術(shù)是字典學(xué)習(xí)(DictionaryLearning)。字典學(xué)習(xí)通過自適應(yīng)地學(xué)習(xí)一個過完備字典和稀疏編碼，將信號表示為字典原子的稀疏線性組合，能夠7自動發(fā)現(xiàn)數(shù)據(jù)中的潛在模式和結(jié)構(gòu)，具有良好的數(shù)據(jù)自適應(yīng)性和特征表示能力。然而，傳統(tǒng)的字典學(xué)習(xí)方法主要針對單一特征，缺乏對不同特征之間關(guān)聯(lián)性的考慮，且學(xué)習(xí)到的字典缺乏層次結(jié)構(gòu)和語義信息。[0033]此外，現(xiàn)有的腦電信號特征提取方法大多獨立地處理每個階段的數(shù)據(jù)，如預(yù)處理、特征提取、特征選擇等，忽略了不同階段之間的信息融合和互補性，導(dǎo)致提取的特征可能不夠魯棒和全面。[0034]因此，針對智能眼鏡這種便攜式腦電采集設(shè)備，亟需一種能夠克服信號質(zhì)量差、空間分辨率低、噪聲干擾大等問題，同時具有計算效率高、資源占用少的特征提取與降維方法。提出了一種多階段集成的腦電信號特征提取與降維方法，通過融合核主成分分析、字典學(xué)習(xí)、特征原子重組等技術(shù)，自適應(yīng)地提取腦電信號的非線性特征，并結(jié)合預(yù)處理信息進(jìn)行[0035]請參照圖1,圖1為本申請實施例提供的一種智能眼鏡腦電信號特征提取與降維方法的流程示意圖。本申請實施例的智能眼鏡腦電信號特征提取與降維方法可應(yīng)用于計算機務(wù)器和云服務(wù)器等設(shè)備。如圖1所示，本實施例的智能眼鏡腦電信號特征提取與降維方法包括步驟S101至步驟S104,詳述如下：[0036]步驟S101,根據(jù)智能眼鏡鏡框和鏡腿中的微型干電極，采集佩戴者的腦電信號，形成腦電信號數(shù)據(jù)集合，根據(jù)腦電信號數(shù)據(jù)集合，提取時域、頻域和時頻域特征，生成原始特征集合。[0037]具體地，智能眼鏡腦電采集系統(tǒng)采用創(chuàng)新的干電極設(shè)計方案，將微型電極集成在智能眼鏡的鏡框和鏡腿中?？紤]到智能眼鏡的佩戴特點和空間限制，電極主要分布在前額葉區(qū)域和顳葉區(qū)域，通常采用4-8個干電極。系統(tǒng)基于國際10-20系統(tǒng)設(shè)計電極布局，在前額葉區(qū)域布置FP1、FP2電極，主要用于采集與認(rèn)知功能、情緒狀態(tài)相關(guān)的腦電活動；在顳葉區(qū)域布置T3、T4電極，用于采集與聽覺處理、語言理解相關(guān)的腦電信號。這種電極布局方案充分利用了智能眼鏡的結(jié)構(gòu)特點，在確保佩戴舒適性的同時，獲取關(guān)鍵腦區(qū)的電生理信息。由于智能眼鏡的特殊性，電極與皮膚之間采用創(chuàng)新的彈性支撐結(jié)構(gòu)，通過精心設(shè)計的機械結(jié)構(gòu)確保電極與頭皮保持穩(wěn)定接觸，同時避免過大的壓力帶來的不適感。這種彈性支撐結(jié)構(gòu)能夠自適應(yīng)不同用戶的頭型差異，提高設(shè)備的通用性和適用性。[0038]電極采用Ag/AgCl復(fù)合材料制作，具有優(yōu)異的導(dǎo)電性能和生物相容性。電極表面經(jīng)過特殊的微納結(jié)構(gòu)處理，增大與頭皮的有效接觸面積，降低接觸阻抗。每個電極都配備了獨立的信號調(diào)理電路，包括低噪聲前置放大器和濾波器。前置放大器采用高性能儀表放大器，輸入阻抗超過100MΩ,輸入噪聲低于1μV,可以將微弱的腦電信號(典型幅值為μV級)準(zhǔn)確放大至合適的電平。在放大電路設(shè)計中，特別考慮了共模抑制比的優(yōu)化，采用差分放大結(jié)構(gòu)，共模抑制比超過100dB,有效抑制了外部電磁干擾的影響。濾波器組包含高通濾波器、低通濾波器和陷波濾波器，用于初步濾除干擾信號。其中，高通濾波器的截止頻率設(shè)置為0.1Hz,用于去除緩慢的基線漂移；低通濾波器的截止頻率為100Hz,用于抑制高頻干擾；50/60Hz陷波濾波器則用于消除工頻干擾的影響。在濾波器設(shè)計中采用了多級聯(lián)級結(jié)構(gòu)，確保濾波的選擇性和相位特性，避免信號失真。系統(tǒng)采用24位高精度模數(shù)轉(zhuǎn)換器進(jìn)行信號數(shù)字化，采樣率可在250Hz至1000Hz范圍內(nèi)調(diào)節(jié)，動態(tài)范圍達(dá)到100dB。考慮到腦電信號的頻譜特點和實8際應(yīng)用需求，標(biāo)準(zhǔn)工作模式下將采樣率設(shè)置為500Hz,這樣既能滿足信號分析的帶寬要求，又可以避免過大的數(shù)據(jù)存儲壓力。數(shù)字化后的信號通過低功耗藍(lán)牙模塊實時傳輸至配套的數(shù)據(jù)處理終端，采用特殊的數(shù)據(jù)壓縮算法，在保證信號完整性的同時降低傳輸帶寬需求。[0039]為保證數(shù)據(jù)質(zhì)量，系統(tǒng)實現(xiàn)了完善的質(zhì)量控制機制。在采集過程中持續(xù)監(jiān)測電極阻抗，當(dāng)阻抗值超過預(yù)設(shè)閾值時自動報警。阻抗監(jiān)測采用小信號交流激勵方式，測量頻率為10Hz,激勵電流小于10μA,確保測量安全性的同時不影響腦電信號的采集。系統(tǒng)還集成了先進(jìn)的偽跡檢測算法，能夠?qū)崟r識別眨眼、肌電、運動等常見偽跡。這些算法基于多特征融合的方法，綜合考慮信號的時域特征、頻域特征和統(tǒng)計特征，提高了偽跡檢測的準(zhǔn)確性和可靠性。同時檢測信號飽和和脫落情況，對異常數(shù)據(jù)段進(jìn)行標(biāo)記。系統(tǒng)還會記錄環(huán)境噪聲水平，為后續(xù)的數(shù)據(jù)篩選和處理提供依據(jù)。通過內(nèi)置的三軸加速度傳感器和陀螺儀，系統(tǒng)可以精確識別用戶的頭部運動狀態(tài)，自動標(biāo)記可能包含運動偽跡的數(shù)據(jù)段。這種多模態(tài)的質(zhì)量控制策略，不僅確保了采集數(shù)據(jù)的可靠性，還為后續(xù)的信號處理提供了豐富的輔助信息。[0040]通過上述采集系統(tǒng)和質(zhì)量控制機制，最終形成原始腦電信號數(shù)據(jù)集合X={X1,X2,...,XM},其中M表示受試者數(shù)量，Xi表示第i個受試者的腦電信號數(shù)據(jù)，是一個C×N的矩數(shù)據(jù)質(zhì)量指標(biāo)等，將作為后續(xù)預(yù)處理和特征提取的基礎(chǔ)數(shù)據(jù)。[0041]基于上述步驟獲取的原始腦電信號數(shù)據(jù)集合X={X1,X2,...,XM},首先利用采集過程中記錄的質(zhì)量控制指標(biāo)進(jìn)行數(shù)據(jù)篩選。系統(tǒng)對電極阻抗超過50kΩ的數(shù)據(jù)段進(jìn)行標(biāo)記，這些數(shù)據(jù)段由于信號質(zhì)量較差需要特殊處理。同時，利用加速度傳感器和陀螺儀記錄的運動信息，將劇烈運動期間的數(shù)據(jù)段也進(jìn)行標(biāo)記處理。在完成初步的數(shù)據(jù)質(zhì)量篩選后，系統(tǒng)進(jìn)行精細(xì)化的二次濾波處理。雖然在信號采集階段已經(jīng)進(jìn)行了基礎(chǔ)的模擬濾波，但考慮到智能眼鏡應(yīng)用場景的特殊性，仍需要進(jìn)行更有針對性的數(shù)字濾波。采用小波變換進(jìn)行去噪處理，選擇db4小波基函數(shù)，進(jìn)行5層分解。通過軟閾值方法對小波系數(shù)進(jìn)行處理，自適應(yīng)地保留信號的重要特征同時去除噪聲成分。這種基于小波的去噪方法相比傳統(tǒng)的濾波器具有更好的時頻局部化特性，能夠更好地保持腦電信號的瞬態(tài)特征。同時，通過分析采集過程中記錄的環(huán)境噪聲特征，對小波閾值進(jìn)行動態(tài)調(diào)整，提高去噪的針對性和有效性。[0042]系統(tǒng)采用經(jīng)驗?zāi)B(tài)分解(EMD)方法，將非平穩(wěn)的腦電信號自適應(yīng)地分解為多個本征模函數(shù)(IMF)。通過分析每個IMF的頻譜特征和能量分布，識別并去除代表噪聲和偽跡的結(jié)果和空間分布特征進(jìn)行精確識別和去除。在去除偽跡的過程中，采用插值重構(gòu)的方法填充被去除的數(shù)據(jù)段，確保信號的連續(xù)性?？紤]到腦電信號的非平穩(wěn)特性，采用自適應(yīng)分段策略?；敬翱陂L度設(shè)置為2秒，相鄰數(shù)據(jù)段采用50%的重疊率。在每個數(shù)據(jù)段內(nèi)，通過計算信號的穩(wěn)態(tài)性指標(biāo)(如方差、平均頻率等)來評估分段的合理性。如果指標(biāo)顯示當(dāng)前分段內(nèi)信號特性變化較大，則自動調(diào)整分段長度。[0043]設(shè)計了完整的預(yù)處理評估指標(biāo)體系。在信噪比評估方面，針對α(8-13Hz)、β(13-30Hz)等關(guān)鍵腦電節(jié)律頻段分別計算預(yù)處理前后的能量比值，通過頻帶能量的對比分析來評估去噪效果。在時域波形保真度方面，采用歸一化均方誤差和互相關(guān)系數(shù)兩個指標(biāo)，其中互相關(guān)系數(shù)重點考察預(yù)處理前后信號的相似程度，均方誤差則反映信號保真的整體水平。在頻域特征保持方面，通過計算預(yù)處理前后信號功率譜密度的歐氏距離和Kullback-9Leibler散度，評估頻域特征的保持程度。同時，對不同類型偽跡的去除效果分別進(jìn)行評估，包括眨眼偽跡、肌電偽跡和運動偽跡，通過計算這些特征偽跡的檢測率和誤檢率來評估去偽跡的性能。通過這套系統(tǒng)的評估體系，確保預(yù)處理能夠在降低噪聲和去除偽跡的同時，最大程度地保持原始腦電信號的特征信息。經(jīng)過上述預(yù)處理過程，最終得到預(yù)處理后的腦電信號數(shù)據(jù)集合X’={X'1,X'2,...,X'M},其中X'i表示第i個受試者預(yù)處理后的腦電信號數(shù)[0044]對每個通道信號序列進(jìn)行時域分析，主要包括兩類特征：統(tǒng)計特征和形態(tài)特征。統(tǒng)計特征通過計算信號的基本統(tǒng)計量來描述信號的概率分布特性。對于每個通道的信號序列x(t),計算均值μ=E[x(t)]反映信號的中心趨勢水平；方差σ2=E[(x(t)-μ)2]描述信號的波動幅度；偏度γ=E[(x(t)-μ)3]/σ3表征分布的不對稱性；峰度k=E[(x(t)-μ)?]/σ?刻畫分布的尖銳程度，其中E[·]表示期望運算。形態(tài)特征則著重描述信號的波形結(jié)構(gòu)特點，包括峰峰值Vpp=max(x(t))-min(x(t))反映信號的幅值范圍、過零率ZCR=∑I{x(t)x(t-1)<信號的變化劇烈程度，其中I{·}為示性函數(shù)，N為采樣點數(shù)。這些時域特征從多個角度構(gòu)建了對信號時域行為的系統(tǒng)描述。[0045]在頻域分析中，采用快速傅里葉變換計算信號的功率譜密度P(f),在傳統(tǒng)腦電節(jié)律頻段上提取豐富的頻域特征。通過對功率譜密度在δ(0.5-4Hz)、θ(4-8Hz)、α(8-13Hz)、β(13-30Hz)、γ(30-50Hz)頻段上進(jìn)行積分，得到各頻段的絕對能量特征。同時計算各頻段能建頻段間的能量關(guān)系特征。在此基礎(chǔ)上，計算各頻段的重心頻率CF=∑fP(f)/∑P(f)描述頻譜的集中趨勢、頻譜熵SE=-∑P(f)logP(f)表征頻譜分布的復(fù)雜度、頻譜邊緣頻率刻畫能量累積特性。通過計算不同電極間的功率譜特征，建立腦區(qū)間的頻域聯(lián)系特征。對于每對電極(i,j),計算其互功率譜Pij(f)和相干性Cij(f)=|Pij(f)|2/(Pii(f)Pjj(f)),從頻域角度表征不同腦區(qū)之間的功能連接強度和模式。[0046]時頻分析采用連續(xù)小波變換和希爾伯特-黃變換相結(jié)合的方法，實現(xiàn)對信號非平穩(wěn)特性的精細(xì)刻畫。在小波分析中，選擇復(fù)Morlet小波作為母小波函數(shù)，其尺度參數(shù)設(shè)置覆蓋了主要的腦電節(jié)律頻段。通過計算小波系數(shù)的模方得到時頻能量分布圖，在不同時頻區(qū)域上提取能量特征。對于每個頻段，計算瞬時能量序列及其變化特征，刻畫了信號能量隨時間的動態(tài)變化規(guī)律。在希爾伯特-黃變換分析中，首先對信號進(jìn)行經(jīng)驗?zāi)B(tài)分解得到一組本征模函數(shù)，每個本征模函數(shù)代表了信號在不同尺度上的振蕩模式。對每個本征模函數(shù)計算希爾伯特變換，得到解析信號z(t)=a(t)exp(jφ(t)),其中a(t)為瞬時幅度，φ(t)為瞬時相位?；诖擞嬎闼矔r頻率f(t)=(1/2π)dφ(t)/dt,提取各本征模函數(shù)的幅度調(diào)制和頻率調(diào)制特征，描述信號在不同時間尺度上的調(diào)制特性。同時，通過分析不同電極本征模函數(shù)之間的相位同步性，構(gòu)建了表征腦區(qū)間動態(tài)耦合的時變特征。這種結(jié)合時域和頻域的分析方法，不僅能夠描述信號的局部時頻特性，還能反映腦區(qū)間相互作用的動態(tài)變化過程。[0047]在提取完各類特征后，對這些特征進(jìn)行系統(tǒng)組織，形成特征向量。對每個數(shù)據(jù)段，將提取的時域特征、頻域特征和時頻域特征按照固定的順序組合，確保特征的一致性和可比性。最終形成原始特征集合F={f1,f2,...,fK},其中K表示數(shù)據(jù)段的總數(shù)，每個特征向量fi包含了時域特征、頻域特征和時頻域特征。該特征集合從時間、頻率和時頻聯(lián)合分布等多個層面系統(tǒng)地表征了腦電信號的特性。[0048]步驟S102,對原始特征集合中的每個特征向量進(jìn)行分解，得到特征原子集合，在特征原子集合中，獲取每個特征原子對應(yīng)的響應(yīng)，將每個響應(yīng)對應(yīng)的特征原子合并為一個特征組，根據(jù)多個特征組重新合并生成特征原子集合。[0049]具體地，利用上述步驟得到的原始特征集合，將每一個特征向量的元素逐個進(jìn)行擾動處理，輸入到分類器獲得對應(yīng)的響應(yīng)向量，對響應(yīng)向量進(jìn)行分類。[0050]在一些實施例中，所述對所述原始特征集合中的每個特征向量進(jìn)行分解，得到特征原子集合，包括：將所述原始特征集合中的每個特征向量的元素逐個進(jìn)行擾動處理，輸入分類器獲得響應(yīng)向量并進(jìn)行分類；根據(jù)所述響應(yīng)向量的分類結(jié)果，對所述原始特征集合中的每個特征向量進(jìn)行分解，獲得特征原子集合。[0051]首先構(gòu)建一個穩(wěn)定的分類器作為特征評估的基準(zhǔn)。采用支持向量機(SVM)作為基礎(chǔ)分類器，使用RBF核函數(shù)增強分類器的非線性特征映射能力。分類器的訓(xùn)練采用分層交叉驗證的方式，將上述步驟獲得的原始特征集合F={f1,f2,...,fK}按7:3的比例劃分為訓(xùn)練集和驗證集。訓(xùn)練標(biāo)簽根據(jù)采集實驗中記錄的任務(wù)狀態(tài)標(biāo)注，涵蓋靜息態(tài)、認(rèn)知任務(wù)和情緒刺激等多種狀態(tài)。為了提高分類器的泛化能力，在訓(xùn)練過程中采用網(wǎng)格搜索方法優(yōu)化RBF核函數(shù)的參數(shù)γ和懲罰因子C。參數(shù)γ的搜索范圍設(shè)置為[2^-5,2^5],步長為2的指數(shù)增長；懲罰因子C的搜索范圍為[2^0,2^10],步長同樣采用指數(shù)增長。對每組參數(shù)組合，計算驗證集上的分類準(zhǔn)確率和F1分?jǐn)?shù)，選擇綜合性能最優(yōu)的參數(shù)組合作為最終的分類器參數(shù)。[0052]在獲得訓(xùn)練好的分類器后，對上述步驟得到的原始特征集合F中的每個特征向量fi進(jìn)行擾動分析。擾動過程采用基于高斯噪聲的特征注入方法，對特征向量中的每個分量(包括時域特征、頻域特征和時頻域特征)進(jìn)行有控制的擾動。對于特征向量fi中的第j個分計算其在訓(xùn)練集上的標(biāo)準(zhǔn)差σij,將擾動噪聲的方差設(shè)置為σ2=動強度設(shè)置考慮了不同特征分量的量綱差異，既確保擾動的可察覺性，又避免了過度失真。同時，為了保持特征的物理意義，對擾動后的特征值進(jìn)行有效性檢查。例如，對于表示能量的特征，確保擾動后的值保持非負(fù)；對于表示比例的特征，確保擾動后的值仍在[0,1]區(qū)間內(nèi)。如果擾動導(dǎo)致特征值超出有效范圍，則通過截斷或重新采樣的方式進(jìn)行調(diào)整。對每個特征分量進(jìn)行100次獨立的擾動，以獲得統(tǒng)計意義上可靠的響應(yīng)樣本。[0053]將擾動后的特征向量輸入到訓(xùn)練好的SVM分類器中獲取響應(yīng)。分類器對每個擾動樣本輸出響應(yīng)向量ri=[p0,P1],其中p0和P1分別表示樣本屬于兩個類別的后驗概率。這些概率值是通過SVM的決策函數(shù)計算得到的，反映了樣本在特征空間中與決策超平面的位置關(guān)系。設(shè)計了一種基于KL散度的響應(yīng)評估機制，通過比較擾動前后響應(yīng)向量的變化來評估特征的重要性。對于原始響應(yīng)向量r和擾動后的響應(yīng)向量r’,計算其KL散度：KL(r||r')=∑r(i)log(r(i)/r'(i))。如果KL散度小于預(yù)設(shè)閾值0.1,則認(rèn)為該特征擾動對分類結(jié)果影響較小，將其響應(yīng)歸類為“保持原有類別”;反之則歸類為"改變?yōu)槠渌悇e"。在得到所有擾動樣本的響應(yīng)后構(gòu)建響應(yīng)模式矩陣M,矩陣的行對應(yīng)不同的擾動實驗，列對應(yīng)不同的響應(yīng)類別。矩陣中的每個元素mij根據(jù)響應(yīng)向量變化的幅度賦予連續(xù)的權(quán)重值w=1/(1+exp(-a(d-11[0054]最終，通過計算每個特征分量的重要性得分s=∑∑mijwij,得到特征響應(yīng)的分類結(jié)果R={R1,R2,...,RK},其中Ri表示第i個特征向量各分量的響應(yīng)類別標(biāo)簽。每個響應(yīng)類別標(biāo)簽為二元變量，1表示該特征分量擾動導(dǎo)致類別改變，0表示保持原有類別。該分類結(jié)果反映了不同特征分量對分類性能的影響程度。[0055]根據(jù)上述步驟獲得的響應(yīng)分類結(jié)果R={R1,R2,...,RK},對原始特征集合F={f1,f2,...,fK}中的特征向量進(jìn)行分組。對每個特征向量fi,根據(jù)其響應(yīng)類別標(biāo)簽Ri將具有相同響應(yīng)模式的特征分量歸納到同一特征子集。這種分組方式確保了具有相似響應(yīng)特性的特征分量被統(tǒng)一處理。例如，對于一個包含時域特征(如均值、方差等)、頻域特征(如頻帶能量、相干性等)和時頻域特征(如小波能量、IMF特征等)的特征向量，根據(jù)每個分量的響應(yīng)標(biāo)簽，可能將頻帶能量特征和IMF特征分到同一子集，因為它們對分類結(jié)果產(chǎn)生了類似的影響。特征子集的形成過程采用迭代的方式，首先初始化兩個空的特征子集F1和F2,分別對應(yīng)保持原有類別和改變類別的特征分量。在遍歷特征向量的響應(yīng)標(biāo)簽過程中，不僅記錄了特征分量的類別歸屬，還保留了原始特征向量中的位置信息，這對于后續(xù)重構(gòu)特征時保持特征的物理意義至關(guān)重要。[0056]針對每個特征子集，采用改進(jìn)的字典學(xué)習(xí)方法進(jìn)行特征分解。字典學(xué)習(xí)的核心思想是找到一組基本特征原子，使得原始特征可以通過這些原子的線性組合來表示。這些特征原子可以看作是特征空間中的基本模式，例如在腦電信號分析中，一個特征原子可能代表了某種特定的認(rèn)知狀態(tài)或情緒模式對應(yīng)的特征組合。對于特征子集Fi,構(gòu)建過完備字典Di和對應(yīng)的稀疏編碼系數(shù)矩陣Ai。字典Di的列向量表示特征原子，其數(shù)量設(shè)置為特征向量維度的2倍，這種過完備性使得字典具有更強的表達(dá)能力。如果原始特征向量的維度為100,則相應(yīng)的字典將包含200個特征原子，這些原子能夠更細(xì)致地刻畫特征空間的結(jié)構(gòu)。字典學(xué)習(xí)的優(yōu)化目標(biāo)是最小化重構(gòu)誤差并保持編碼的稀疏性，表示為minimize(Di,Ai)∑||fij-Diaijl|^2+^||aijl|1,sub交替迭代的策略，在每次迭代中分別優(yōu)化字典和稀疏編碼系數(shù)。V是數(shù)學(xué)符號，表示"對于所有"或"對于每一個”的意思。"i"是字典原子的索引，表示字典D中的第i個原子。"Vi"連在一起，表示約束條件適用于字典D中的每一個原子di,而不僅僅是某個特定的原子。[0057]字典學(xué)習(xí)的過程中，采用多項技術(shù)來提高算法的性能和可靠性。在稀疏編碼階段，使用改進(jìn)的LARS-Lasso算法求解稀疏編碼系數(shù)aij.該算法通過路徑追蹤的方式逐步增加活躍系數(shù)的數(shù)量，直到達(dá)到預(yù)設(shè)的稀疏度要求。為了加速求解過程，引入了Cholesky分解來高效計算逆矩陣，并使用活躍集策略減少每次迭代中需要處理的變量數(shù)量。在字典更新階法確保字典原子滿足單位范數(shù)約束，同時通過QR分解保持字典原子之間的正交性。這種優(yōu)化策略不僅提高了算法的收斂速度，還保證了字典原子的良好性質(zhì)。例如，在處理腦電特征時，如果某個特征原子主要反映了α波段的能量分布，那么其他原子會被優(yōu)化為捕捉不同頻段或不同空間位置的特征模式。[0058]為了確保字典學(xué)習(xí)結(jié)果的穩(wěn)定性和可解釋性，在優(yōu)化過程中引入了多個正則化約束。首先是非負(fù)約束，要求字典原子的所有元素都為非負(fù)值，這與腦電特征的物理意義相則化促使字典原子捕捉特征的組結(jié)構(gòu)。例如，如果某些時域特征經(jīng)常同時出現(xiàn)，組稀疏約束會傾向于用一個字典原子來表示這組特征。此外，還采用了基于局部結(jié)構(gòu)的正則化，保持特征原子在局部鄰域內(nèi)的平滑性。這些約束條件的引入顯著提高了字典原子的可解釋性和泛化能力。[0059]最終得到的特征原子集合表示為A={A1,A2,...,AN},其中N表示特征原子的總數(shù)，每個特征原子Ai是一個向量，包含了從原始特征中提取的基本模式。同時得到對應(yīng)的字典矩陣D={D1,D2,...,DM},其中M表示特征子集的數(shù)量。這些特征原子不僅能夠有效重構(gòu)原始特征，還具有良好的語義解釋性。例如，通過分析特征原子的結(jié)構(gòu)，可以發(fā)現(xiàn)某個原子可能主要對應(yīng)于前額葉區(qū)域的θ波段活動，而另一個原子可能反映了顳葉區(qū)域的β波段特征。[0060]在一些實施例中，所述根據(jù)多個所述特征組重新合并生成所述特征原子集合，包括：提取每個所述特征組的中心特征向量并進(jìn)行成對組間合并，直至達(dá)到預(yù)設(shè)分組數(shù)目，重新生成合并后的所述特征原子集合。[0061]利用上述步驟得到的特征原子集合A={A1,A2,...,AN}進(jìn)行層次化合并。每個特征原子Ai代表了原始特征空間中的一個基本模式，這些模式反映了腦電信號在不同生理或認(rèn)知狀態(tài)下的特征組合。以認(rèn)知任務(wù)數(shù)據(jù)分析為例，其中一個特征原子可能捕捉到工作記憶負(fù)荷增加時前額葉θ波段能量上升、α波段能量下降的特征模式，另一個特征原子則可能表征注意力集中時顳葉β波段能量增強的特征組合。將具有相同響應(yīng)類別的特征原子歸為一組，構(gòu)建初始的特征原子組結(jié)構(gòu)。在注意力分析任務(wù)中，一個初始組可能包含了所有與注意力水平變化相關(guān)的特征原子，如前額葉β波段能量、P300事件相關(guān)電位特征等；另一個組則可能聚集了反映松弛狀態(tài)的特征原子，如枕葉α波段能量特征。這種基于響應(yīng)類別的初始分組確保了相似功能的特征原子被集中處理。[0062]對于每個特征原子組Gi,通過組內(nèi)所有特征原子的加權(quán)平均計算中心特征向量：ci=∑(wjAj)/∑wj,其中wj表示特征原子Aj的權(quán)重。權(quán)重設(shè)計綜合考慮了特征原子的使用頻率和重構(gòu)誤差兩個方面。使用頻率反映了特征原子在數(shù)據(jù)重構(gòu)中的重要性，通過統(tǒng)計稀疏編碼中非零系數(shù)的出現(xiàn)次數(shù)來衡量；重構(gòu)誤差則表征了特征原子的表達(dá)精度，通過計算該原子參與重構(gòu)時的平均誤差來評估。在情緒識別任務(wù)中，如果某個特征原子在表達(dá)積極情緒樣本時頻繁出現(xiàn)且重構(gòu)誤差小，那么該原子在計算中心特征向量時會獲得較高的權(quán)重。這種加權(quán)策略不僅考慮了特征原子的使用頻率，還關(guān)注其重構(gòu)性能，使得中心特征向量能夠更準(zhǔn)確地反映組內(nèi)特征原子的核心特性。同時，在計算過程中引入了正則化項，防止個別異常特征原子對中心向量產(chǎn)生過大影響。[0063]在獲得各組中心特征向量后，采用改進(jìn)的余弦相似度計算特征原子組之間的相似性：sim(Gi,Gj)=(ci·cj)/(||ci||2||cj||2)。相似性計算過程引入了特征分量的義權(quán)重，對腦電信號分析中的不同類型特征賦予不同的權(quán)重系數(shù)。例如，在評估工作記憶相關(guān)的原子組時，前額葉θ波段和α波段的特征匹配程度獲得更高的權(quán)重，因為這些特征與工作記憶負(fù)荷密切相關(guān)。系統(tǒng)還考慮了空間位置的連續(xù)性，對來自相鄰腦區(qū)的特征賦予更高的組合權(quán)重。在計算注意力狀態(tài)特征組的相似性時，不僅考慮頻譜特征的匹配度，還關(guān)注時域特征的一致性，如事件相關(guān)電位的形態(tài)特征。這種多維度的相似性度量確保了特征原子的合并過程符合神經(jīng)生理學(xué)認(rèn)知規(guī)律。[0064]基于計算得到的相似性矩陣，系統(tǒng)采用自底向上的層次聚類策略進(jìn)行合并。在迭代過程中，選擇相似性最高的兩個組進(jìn)行合并，構(gòu)建新的特征原子組。新組的中心特征向量通過合并前兩個組的加權(quán)組合計算：cnew=(|Gi|ci+|Gj|cj)/(|Gi|+|Gjl)。這種基于組規(guī)模的加權(quán)方式保證了合并過程的平衡性。在實際應(yīng)用中，比如合并一個包含多個注意力相關(guān)特征原子的大組與一個僅包含少量疲勞狀態(tài)特征原子的小組時，新的中心特征向量會更多地保留大組的特征，維持了主要特征模式的穩(wěn)定性。每次合并后，系統(tǒng)動態(tài)更新相似性矩陣，重新計算新組與其他組的相似性。合并過程還引入了局部結(jié)構(gòu)保持約束，確保特征原子在合并后仍然保持原有的空間關(guān)系和頻譜特性。[0065]為了確保合并過程不會過度簡化特征表示，設(shè)計了基于信息增益的自適應(yīng)終止準(zhǔn)則。針對每次潛在的合并操作，系統(tǒng)計算合并前后的信息增益：IG=H(G)-∑(|Gk|/|G|)H(Gk)。在情緒識別任務(wù)中，如果合并兩個分別表征”愉悅"和"興奮”狀態(tài)的特征原子組會導(dǎo)致對這兩種情緒的區(qū)分能力顯著下降，即信息增益低于設(shè)定閾值，系統(tǒng)會自動拒絕這次合并。這種自適應(yīng)終止機制在不同應(yīng)用場景下都能找到合適的合并粒度。同時，系統(tǒng)持續(xù)監(jiān)控每個新形成的特征原子組在原始任務(wù)中的表現(xiàn)，通過計算分類準(zhǔn)確率、F1得分等指標(biāo)評估合并效果。當(dāng)發(fā)現(xiàn)某次合并導(dǎo)致性能下降時，系統(tǒng)會調(diào)整合并策略，通過回溯機制恢復(fù)到性能更優(yōu)的組合方案。[0066]最終得到合并后的特征原子集合A’={A'1,A’2,...,A’M},其中M表示合并后的特征原子組數(shù)量，每個A’i代表一個高層次的特征模式。這些特征模式不僅整合了原始特征原子的信息，還通過層次化的組織結(jié)構(gòu)保持了特征的物理解并后的特征原子可能同時包含了注意力水平、工作記憶負(fù)荷和疲勞程度的綜合特征表示，能夠更全面地刻畫受試者的認(rèn)知狀態(tài)變化。例如，在駕駛疲勞檢測應(yīng)用中，合并后的特征原個能夠有效識別疲勞狀態(tài)的綜合特征模式。[0067]步驟S103,基于特征原子集合，對原始特征集合中的每個特征向量進(jìn)行原子級重組，生成重組后的特征集合；并計算重組后的特征集合對應(yīng)的核矩陣，將核矩陣映射到高維核空間，根據(jù)原始特征集合進(jìn)行主成分分析，獲取核主成分投影矩陣。[0068]具體地，對原始特征集合進(jìn)行原子級重組：基于上述步驟得到的合并后特征原子集合，對上述步驟得到的原始特征集合中的每個特征向量進(jìn)行原子級重組，生成新的特征[0069]在一些實施例中，所述對所述原始特征集合中的每個特征向量進(jìn)行原子級重組，包括：計算每個特征向量與合并后的所述特征原子集合的加權(quán)余弦相似度，基于軟閾值策略選擇相似度最高的多個特征原子；構(gòu)建所述特征原子對應(yīng)的編碼矩陣，通過包含稀疏正則化項的優(yōu)化問題求解編碼系數(shù)；對所述編碼系數(shù)進(jìn)行歸一化處理，并引入局部結(jié)構(gòu)保持約束生成重組后的特征向量。[0070]基于上述步驟獲得的合并后特征原子集合A’={A’1,A’2,...,A’M},對上述步驟得到的原始特征集合F中的每個特征向量進(jìn)行原子級重組。重組過程首先計算原始特征向量與合并后特征原子之間的相似性關(guān)系。對于特征向量fj,分別計算其與每個特征原子A’i之征分量的物理意義，對不同類型的特征采用加權(quán)計算方式。例如，在處理腦電信號的認(rèn)知狀態(tài)特征時，如果某個特征向量包含前額葉θ波段和工作記憶相關(guān)的特征組合，那么在計算其與表征認(rèn)知負(fù)荷的特征原子的相似度時，這些特征分量會獲得更高的權(quán)重。基于計算得到的相似度，選擇與原始特征向量最相似的m個特征原子作為重組基礎(chǔ)。選擇過程采用軟閾值策略，即不僅考慮相似度的絕對值，還關(guān)注相似度的相對分布。這種選擇策略能夠更好地保持特征的結(jié)構(gòu)性。在駕駛疲勞檢測的應(yīng)用中，假設(shè)某個原始特征向量包含了眨眼頻率增加、枕葉α波能量降低等特征，系統(tǒng)會優(yōu)先選擇那些能夠綜合表達(dá)疲勞狀態(tài)的特征原子進(jìn)行重[0071]對選定的m個特征原子，構(gòu)建編碼矩陣Ej。編碼矩陣的每一行對應(yīng)一個選中的特征原子，矩陣元素反映特征原子對重組特征的貢獻(xiàn)度。編碼矩陣的構(gòu)建考慮了特征原子之間每次迭代中通過軟閾值操作更新編碼矩陣的元素。以情緒識別任務(wù)為例，如果一個特征向量反映了"愉悅"情緒狀態(tài)，那么在重組過程中，與積極情緒相關(guān)的特征原子會獲得較大的編碼系數(shù)，而與消極情緒相關(guān)的特征原子則可能獲得接近于零的系數(shù)。重組過程的核心是通過編碼矩陣將原始特征映射到新的特征空間。對于特征向量fj,其重組后的特征向量計算為：f'j=EjA’。這個映射過程實現(xiàn)了從原始特征到基于特征原子表示的轉(zhuǎn)換。在計算過程中引入歸一化操作，確保重組后特征的尺度一致性。[0072]為了提高重組的魯棒性，在重組過程中引入了局部結(jié)構(gòu)保持約束。對于原始特征空間中相似的特征向量，要求它們在重組后仍然保持相近的關(guān)系。這種約束通過在優(yōu)化目標(biāo)中加入結(jié)構(gòu)保持項來實現(xiàn)：L(fi,fj)=||f’i-f'j||2/||fi-fj||2。通過最小化這個局部結(jié)構(gòu)損失，確保重組過程不會破壞特征的內(nèi)在結(jié)構(gòu)。在腦電信號分析中，這一約束特別重要，因為它保證了相似認(rèn)知狀態(tài)或情緒狀態(tài)的特征在重組后仍能被正確識別。通過上述原子級重組過程，最終得到重組后的特征集合F’={f’1,f'2,...,f'N},其中N表示特征向量的數(shù)量。每個重組后的特征向量f'i都是基于合并后特征原子的緊湊表示，既保持了原始特征的判別信息，又獲得了更高的表達(dá)效率。例如，在疲勞駕駛檢測系統(tǒng)中，重組后的特征將原本分散的多個疲勞指標(biāo)(如α波變化、眨眼特征、反應(yīng)時間等)整合為少量的綜合特征，每個綜合特征都能從不同角度刻畫駕駛員的疲勞狀態(tài)。[0073]基于上述步驟得到的重組后特征集合F’={f’1,f'2,...,f'N}構(gòu)建核矩陣。核矩陣的構(gòu)建旨在捕捉特征向量之間的非線性關(guān)系，通過將特征映射到高維空間增強其表達(dá)能力。首先計算重組后特征集合中所有樣本之間的歐氏距離矩陣D。計算過程利用特征向量的內(nèi)積關(guān)系，對于任意兩個特征向量f’i和f'j,它們之間的歐氏距離可以展開為：D2ij=||f'i-f'j|l2=||f'i|l2+||f'j|l2-2f'i·f'j.這種計算方式避免了直接計算向量差的平方，提高了計算效率。例如，在處理包含時域特征和頻域特征的特征向量時，通過預(yù)先計算所有特征向量的L2范數(shù)平方和內(nèi)積，可以顯著減少距離矩陣構(gòu)建的計算量。在獲得距離矩陣D后，采用高斯核函數(shù)將歐氏距離轉(zhuǎn)換為相似性度量。核矩陣K的元素通過以下公式計算：Kij=exp(-D2ij/2σ2),其中σ是高斯核的帶寬參數(shù)。帶寬參數(shù)σ的選擇對核矩陣的性能有重要影響，過大的σ值會導(dǎo)致所有樣本的相似度趨于相等，過小的σ值則會使樣本間的關(guān)系過于稀值則能更好地區(qū)分不同的注意力水平。[0074]核矩陣的構(gòu)建考慮了特征的多尺度特性，引入了尺度混合策略，將不同帶寬參數(shù)下的核矩陣進(jìn)行加權(quán)組合：K=∑wkK(σk),其中K(σk)表示使用帶寬參數(shù)ok構(gòu)建的核矩陣，wk是對應(yīng)的權(quán)重系數(shù)。權(quán)重系數(shù)通過最小化驗證集上的分類誤差確定。這種多尺度核矩陣能夠同時捕捉特征的局部和全局結(jié)構(gòu)。在腦電信號分析中，不同的認(rèn)知狀態(tài)可能表現(xiàn)在不同的時間尺度上，例如，疲勞狀態(tài)的演變是一個緩慢的過程，而注意力的波動則可能發(fā)生在較短的時間尺度內(nèi)。同時，還引入了局部結(jié)構(gòu)保持約束，要求核矩陣能夠保持原始特征空間中的局部鄰接關(guān)系。這通過在核矩陣構(gòu)建中加入基于k近鄰圖的正則化項來實現(xiàn)。為了提高核量矩陣。通過調(diào)整特征值^’ii=^ii+ε,其中ε是一個小的正則化參數(shù)，得到正則化后的核矩[0075]最終得到的核矩陣K∈R^(N×N)刻畫了樣本之間的非線性相似關(guān)系，其中Kij表示重組后特征向量f’i和f'j在高維特征空間中的內(nèi)積，每個元素的值在[0,1]區(qū)間內(nèi)，值越大表示對應(yīng)樣本對的相似度越高。例如，在工作記憶負(fù)荷分析中，核矩陣的元素值反映了不同負(fù)荷水平之間的關(guān)系，相近負(fù)荷水平的樣本對應(yīng)的核矩陣元素值較大，而差異顯著的負(fù)荷水平對應(yīng)的元素值較小。通過這種方式構(gòu)建的核矩陣不僅捕捉了特征向量之間的非線性關(guān)[0076]在一些實施例中，所述根據(jù)所述原始特征集合進(jìn)行主成分分析，獲取核主成分投影矩陣，包括：將所述核矩陣映射到高維核空間，構(gòu)建基于原始特征集合的輔助核矩陣；對所述輔助核矩陣進(jìn)行特征值分解獲得主成分方向，并計算所述原始特征集合在所述主成分方向上的投影系數(shù)；根據(jù)所述投影系數(shù)并引入局部結(jié)構(gòu)保持約束的優(yōu)化過程生成所述核主成分投影矩陣。[0077]將上述步驟得到的核矩陣K映射到高維核空間，同時利用上述步驟獲得的原始特征集合F作為附加信息，在核空間中進(jìn)行主成分分析。通過核矩陣K表征的高維特征空間能夠捕捉數(shù)據(jù)的非線性結(jié)構(gòu)，而原始特征集合則提供了物理意義明確的參考信息。首先，利用核函數(shù)隱式定義從原始特征空間到核空間的映射φ(·)。對于重組后的特征向量f’i和f'j,它們在核空間中的內(nèi)積可以通過核矩陣元素直接獲得：K(f’i,f'j)=φ(f’i)·φ(f'j)=Kij.這種隱式映射的優(yōu)勢在于無需顯式計算高維空間中的坐標(biāo)，而是直接利用核矩陣進(jìn)行計算。例如，在情緒識別任務(wù)中，即使原始特征空間中的情緒狀態(tài)呈現(xiàn)復(fù)雜的非線性分布，如快樂和興奮狀態(tài)的特征分布可能呈現(xiàn)螺旋形狀，通過核空間映射也能將其轉(zhuǎn)換為更容易分析的線性結(jié)構(gòu)。這種非線性到線性的轉(zhuǎn)換極大地簡化了后續(xù)的分析過程。[0078]同時，引入映射函數(shù)ψ(·)將原始特征集合F映射到相同的核空間。原始特征的映射通過構(gòu)建輔助核矩陣Kaux實現(xiàn)，其元素計算為：Kaux(fi,fj)=ψ(fi)·ψ(fj)。輔助核矩陣采用與主核矩陣K相同的核函數(shù)形式，但參數(shù)可能不同。參數(shù)的差異主要體現(xiàn)在核函數(shù)的帶寬選擇上，通常選擇較大的帶寬以獲得更平滑的映射。在注意力水平分析任務(wù)中，如果原始特征包含前額葉β波段能量、P300波幅等直接反映注意力的特征，這些特征在核空間中會得到合理的表達(dá)。例如，β波段能量和P300波幅之間的非線性關(guān)系會在核空間中轉(zhuǎn)化為線性關(guān)系，從而更準(zhǔn)確地反映注意力水平的變化。對于每個原始特征向量fi,通過核技巧計算其在核空間中的坐標(biāo)ψ(fi),這些坐標(biāo)信息作為后續(xù)主成分分析的補充信息。[0079]在核空間中進(jìn)行主成分分析時，需要求解以下∑(φ(f'i)^T·wk)2subjecttowk^T·wk=1,wk^T·wj=0(j=1,2,...,k-1)。[0080]其中wk表示第k個主成分方向。這個優(yōu)化問題通過對偶形式轉(zhuǎn)化為核矩陣K的特征特征向量a1,a2,...,ad。每個主成分方向wk可以表示為核空間中樣本的線性組合：wk=∑αkiφ(f’i)。這種表示形式避免了直接在高維核空間中計算，大大降低了計算復(fù)雜度。在實際應(yīng)用中，例如工作記憶任務(wù)分析時，每個主成分都具有明確的物理意義。第一個主成分通常對應(yīng)于工作記憶負(fù)荷的主要變化方向，能夠反映前額葉θ波能量隨負(fù)荷增加而增強的趨勢；第二個主成分可能捕捉到任務(wù)難度的變化，體現(xiàn)在β波段能量的調(diào)制；而第三個主成分[0081]為了增強主成分的解釋性，將原始特征信息融入主成分構(gòu)建過程。對于第k個主成分方向wk,計算原始特征在該方向上的投影系數(shù)：βk=(1/N)∑akiψ(fi)。投影系數(shù)的計算過程考慮了樣本的權(quán)重，樣本權(quán)重根據(jù)其在主成分方向上的投影值確定，投影值越大的樣本獲得越高的權(quán)重。這個加權(quán)策略確保了主成分能夠更好地反映數(shù)據(jù)的主要變化趨勢。投影系數(shù)表示原始特征對主成分的貢獻(xiàn)程度，可以用于特征重要性分析。例如，在疲勞駕駛檢測中，如果眨眼頻率特征的投影系數(shù)較大，說明這個特征對疲勞狀態(tài)的判斷具有顯著影響；如果某個腦區(qū)的α波能量特征投影系數(shù)較大，則表明該腦區(qū)在疲勞狀態(tài)檢測中起關(guān)鍵作用。[0082]在主成分構(gòu)建過程中還引入了局部結(jié)構(gòu)保持約束：∑∑Wij||wk^T(φ(f'i)-φ(f'j))|I2。其中Wij是基于原始特征空間構(gòu)建的鄰接權(quán)重矩陣，采用熱核權(quán)重計算方式：Wij=exp(-||fi-fjll2/t),參數(shù)t控制權(quán)重衰減速度。這種局部保持約束確保了核空間中的從平靜到興奮的情緒變化過程時，局部結(jié)構(gòu)保持約束能夠確保情緒狀態(tài)的漸變特性在主成分空間中得到保持，相鄰時刻的情緒狀態(tài)在投影后仍然保持相近的關(guān)系。[0083]通過上述過程，最終得到核主成分投影矩陣W=[β1,β2,...,βd]^T,其中每一行對應(yīng)一個主成分方向。該投影矩陣既包含了核空間中的非線性特征信息，又融合了原始特征的物理解釋性。例如，在認(rèn)知狀態(tài)分析中，投影矩陣能夠?qū)?fù)雜的腦電特征轉(zhuǎn)換為少量的主成分，每個主成分都具有明確的生理學(xué)解釋。第一個主成分可能表示整體認(rèn)知負(fù)荷水平，體現(xiàn)在前額葉θ波和枕葉α波的協(xié)同變化；第二個主成分可能反映注意力分配狀態(tài)，主要表現(xiàn)為β波段能量的空間分布特征；第三個主成分則可能描述疲勞程度，綜合了α波能量變化和眨眼特征的信息。這種結(jié)合核方法和原始特征的主成分分析方法，在降維的同時保持了特征的物理意義和可解釋性。[0084]步驟S104,利用核主成分投影矩陣將特征集合投影到低維空間，并結(jié)合腦電信號數(shù)據(jù)集合生成低維非線性特征表示，完成智能眼鏡腦電信號特征提取與降維。[0085]具體地，利用上述步驟得到的核主成分投影矩陣，將上述步驟得到的重組后特征集合從高維核空間投影到低維空間，同時結(jié)合上述步驟得到的預(yù)處理后腦電信號數(shù)據(jù)集合進(jìn)行微調(diào)，得到最終的低維非線性特征表示。[0086]在一些實施例中，所述利用所述核主成分投影矩陣將所述特征集合投影到低維空間，包括：將重組后的所述特征向量映射到所述高維核空間，通過所述核主成分投影矩陣進(jìn)行線性組合；根據(jù)所述腦電信號數(shù)據(jù)構(gòu)建多層映射函數(shù)，在所述多層映射函數(shù)中設(shè)置投影層、對齊層和融合層；通過包含正則化項的優(yōu)化目標(biāo)函數(shù)調(diào)整所述多層映射函數(shù)，生成低維空間投影坐標(biāo)，將所述特征集合投影到低維空間。[0087]利用上述步驟得到的核主成分投影矩陣W,將上述步驟的重組后特征集合F’從高維核空間投影到低維空間。對于重組后的特征向量f'i,首先將其映射到核空間，然后通過核主成分投影矩陣W投影到低維空間，得到初始投影坐標(biāo)zi=W^Tf'i。這個過程可以看作是特征向量在主成分方向上的坐標(biāo)表示，每個坐標(biāo)分量反映了特征在對應(yīng)主成分方向上的投影強度。在注意力狀態(tài)分析中，如果主成分方向反映了注意力水平的變化趨勢，那么投影坐標(biāo)的大小直接對應(yīng)于不同的注意力狀態(tài)，較大的坐標(biāo)值表示較高的注意力水平，較小的坐標(biāo)值則對應(yīng)注意力分散的狀態(tài)。例如，當(dāng)受試者專注于復(fù)雜的認(rèn)知任務(wù)時，投影坐標(biāo)在反映注意力的主成分方向上呈現(xiàn)較高的值，同時在表示認(rèn)知負(fù)荷的主成分方向上也顯示出顯著的活動。[0088]示例性的，所述結(jié)合所述腦電信號數(shù)據(jù)集合生成低維非線性特征表示，包括：將所述低維空間投影坐標(biāo)與預(yù)處理后的腦電信號數(shù)據(jù)集合輸入多層融合網(wǎng)絡(luò)，用于通過注意力機制動態(tài)調(diào)整特征權(quán)重，輸出所述低維非線性特征表示。[0089]為了充分利用原始腦電信號的信息，本發(fā)明設(shè)計了映射函數(shù)g(·),用于將上述步驟得到的預(yù)處理后腦電信號數(shù)據(jù)X’與投影結(jié)果進(jìn)行融合。映射函數(shù)采用多層結(jié)構(gòu)，包括投影層、對齊層和融合層。投影層負(fù)責(zé)將預(yù)處理后的腦電數(shù)據(jù)映射到與主成分空間相同的維度；對齊層通過非線性變換將兩種特征的分布對齊；融合層則綜合兩部分信息生成最終的是投影對齊損失，第二項Ω(g)是正則化項，用于控制映射函數(shù)的復(fù)雜度。正則化參數(shù)λ通過交叉驗證確定。在工作記憶任務(wù)中，預(yù)處理后的腦電數(shù)據(jù)包含了豐富的時域特征，如前額葉θ波段能量的動態(tài)變化、P300成分的波形特征等，而核主成分投影結(jié)果則更好地表達(dá)了空間特征，如不同腦區(qū)活動的協(xié)同模式。通過精心設(shè)計的映射函數(shù)，這兩類互補的特征得到了有效融合。[0090]示例性的，在所述輸出所述低維非線性特征表示之前，還包括：在所述融合網(wǎng)絡(luò)中施加連續(xù)性約束和一致性約束，用于保持特征分布的相似性和時空一致性。[0091]在映射函數(shù)的優(yōu)化過程中，本發(fā)明采用分段訓(xùn)練策略并引入多重約束。首先是連續(xù)性約束，要求相似的輸入產(chǎn)生相似的輸出特征，通過在損失函數(shù)中加入相似度保持項實口的數(shù)據(jù)，從兩種特征得到的低維表示應(yīng)該具有一致性，這通過最小化配對樣本的特征差異來實現(xiàn)：Lcons=∑|g(X'i)-g(W^Tf’i)||^2.以情緒識別任務(wù)為例，當(dāng)受試者觀看引發(fā)愉悅情緒的視頻刺激時，映射函數(shù)需要同時保持核主成分空間中反映情緒變化的投影特征，以及原始腦電數(shù)據(jù)中體現(xiàn)情緒反應(yīng)的時域特征。約束條件確保了這兩類特征在低維空間中得到協(xié)調(diào)一致的表達(dá)。同時，映射函數(shù)的設(shè)計特別考慮了特征的物理意義，在投影層采用局部連接結(jié)構(gòu)保持空間關(guān)聯(lián)性，在對齊層使用單調(diào)激活函數(shù)維持序關(guān)系，在融合層通過注意力機制動態(tài)調(diào)整特征權(quán)重。[0092]對于重組后的特征向量f'i,通過映射函數(shù)處理后得到最終的低維特征表示zi=g(W^Tf'i)。同樣，對于預(yù)處理后的腦電信號數(shù)據(jù)X'j,通過相同的映射函數(shù)得到對應(yīng)的低維特征表示zj=g(X'j)。這種統(tǒng)一的映射方式確保了所有數(shù)據(jù)都被投影到相同的特征空間中。在駕駛疲勞檢測的實際應(yīng)用中，低維特征有效整合了多個層面的信息：核主成分投影捕獲了駕駛員疲勞程度的長期變化趨勢，如α波能量的逐漸增加、反應(yīng)時間的持續(xù)延長；而原始腦電數(shù)據(jù)則提供了瞬時狀態(tài)的精確刻畫，如突發(fā)的瞬睡事件、注意力的短暫波動。映射函數(shù)將這些特征融合成緊湊的低維表示，每個維度都具有明確的物理意義。例如，在某次實驗中，當(dāng)檢測到駕駛員的α波能量顯著上升，同時眨眼頻率異常增加時，這些變化會反映在低維特征的相應(yīng)分量上，形成對疲勞狀態(tài)的綜合表征。[0093]最終得到的低維非線性特征表示集合z={21,2,...,zN+M包含了所有樣本的低維表示，其中N是重組后特征向量的數(shù)量，M是預(yù)處理后腦電信號數(shù)據(jù)樣本的數(shù)量。每個低維特征向量都是原始特征在優(yōu)化空間中的緊湊表示，既保持了核主成分分析提取的關(guān)鍵模式，又保留了原始腦電信號的重要特征。這種結(jié)合多源信息的特征表示方法顯著提高了特征的表達(dá)能力和魯棒性，在復(fù)雜的認(rèn)知狀態(tài)分析任務(wù)中展現(xiàn)出優(yōu)異的性能。[0094]所提供的方法具有以下有益效果：[0095]1構(gòu)建層次化、可解釋的特征表示。本發(fā)明通過特征原子分解和層次分組合并，構(gòu)建了一個層次化的特征表示體系。特征原子作為基本的特征元素，通過字典學(xué)習(xí)自適應(yīng)地從數(shù)據(jù)中提取，再通過層次分組將相關(guān)特征原子組合形成高層次特征模式。這種層次化的特征表示方式能夠更好地刻畫腦電信號的多尺度特性和內(nèi)在關(guān)聯(lián)，使學(xué)習(xí)到的特征具有明確的物理意義和可解釋性。[0096]2提高特征表示的自適應(yīng)性和魯棒性。本發(fā)明采用原子級重組和核矩陣構(gòu)建方法，實現(xiàn)了特征的自適應(yīng)優(yōu)化。原子級重組基于特征重要性進(jìn)行自適應(yīng)重構(gòu)，核矩陣構(gòu)建則捕捉特征間的非線性關(guān)系。這種結(jié)合特征重組和核方法的技術(shù)方案顯著提高了特征表示的自適應(yīng)性，使特征能夠更好地適應(yīng)不同任務(wù)場景，同時增強了特征的抗噪聲能力。[0097]3實現(xiàn)高效的非線性降維和特征融合。本發(fā)明通過核主成分分析和映射函數(shù)優(yōu)化，實現(xiàn)了特征的非線性降維和多源信息融合。核主成分分析提取數(shù)據(jù)的主要變化方向，映射函數(shù)則將重組特征和原始信號特征進(jìn)行優(yōu)化集成。這種基于核方法的降維和融合策略，在保持特征判別信息的同時顯著降低了特征維度，提高了特征表示的緊湊性和計算效率。[0098