本申請涉及人工智能(artificial?intelligence，ai)，尤其涉及一種基于神經(jīng)信號的行為預測方法、裝置、設備及存儲介質(zhì)。

背景技術：

1、近年來，腦機接口(brain-computer?interface，bci)技術在幫助癱瘓患者控制計算機和外部設備方面取得了顯著進展。然而，神經(jīng)記錄的不穩(wěn)定性一直是bci技術應用的關鍵挑戰(zhàn)。由于神經(jīng)活動隨時間推移而變化，bci系統(tǒng)需要頻繁進行重新校準才能保持穩(wěn)定性能。

2、但是，相關技術只能適用于單個對象和單個任務應用場景下的bci校準，一旦出現(xiàn)跨對象和跨任務的變化，將無法保證神經(jīng)記錄的穩(wěn)定。例如，一些bci系統(tǒng)需要對象在多任務場景中切換，如控制光標位置和切換功能選項，而傳統(tǒng)技術無法獲取到任務變化對神經(jīng)信號的影響，可能會導致光標移動到錯誤的位置，或用戶無法切換到目標功能。又例如，同一bci系統(tǒng)應用于不同對象時，由于不同對象存在神經(jīng)生理特性的差異(如腦結(jié)構或神經(jīng)活動模式)，信號特征存在顯著不同，導致無法準確預測每個對象的行為。

3、因此，傳統(tǒng)技術在根據(jù)對象的神經(jīng)信號預測行為時，無法針對個體差異和任務多樣性保證預測的準確性和效率。

技術實現(xiàn)思路

1、本發(fā)明提供一種基于神經(jīng)信號的行為預測方法、裝置、設備和存儲介質(zhì)，用以提高行為預測的準確性和效率。

2、第一方面，本申請?zhí)峁┝艘环N基于神經(jīng)信號的行為預測方法，所述方法包括：

3、獲取目標對象的目標神經(jīng)信號，并將所述目標神經(jīng)信號輸入至已訓練的行為預測模型；

4、獲得所述行為預測模型輸出的所述目標對象的預測行為數(shù)據(jù)；

5、其中，所述行為預測模型是基于多個樣本對象的樣本數(shù)據(jù)集進行訓練得到的，所述樣本數(shù)據(jù)集包括相應樣本對象在多個神經(jīng)活動任務下分別產(chǎn)生的樣本神經(jīng)信號和樣本行為數(shù)據(jù)；所述行為預測模型包括解碼器和元對齊器，所述對齊器用于對所述目標神經(jīng)信號進行對齊處理，獲得對齊后的神經(jīng)信號特征，所述解碼器用于對所述神經(jīng)信號特征進行預測處理，輸出相應的預測行為數(shù)據(jù)。

6、第二方面，本申請?zhí)峁┝艘环N基于神經(jīng)信號的行為預測裝置，所述裝置包括：

7、獲取單元，用于獲取目標對象的目標神經(jīng)信號，并將所述目標神經(jīng)信號輸入至已訓練的行為預測模型；

8、預測單元，用于獲得所述行為預測模型輸出的所述目標對象的預測行為數(shù)據(jù)；

9、其中，所述行為預測模型是基于多個樣本對象的樣本數(shù)據(jù)集進行訓練得到的，所述樣本數(shù)據(jù)集包括相應樣本對象在多個神經(jīng)活動任務下分別產(chǎn)生的樣本神經(jīng)信號和樣本行為數(shù)據(jù)；所述行為預測模型包括解碼器和元對齊器，所述對齊器用于對所述目標神經(jīng)信號進行對齊處理，獲得對齊后的神經(jīng)信號特征，所述解碼器用于對所述神經(jīng)信號特征進行預測處理，輸出相應的預測行為數(shù)據(jù)。

10、可選的，所述裝置還包括訓練單元，用于：

11、獲取多個樣本對象各自對應的原始數(shù)據(jù)集，并對所述原始數(shù)據(jù)集進行預處理；所述原始數(shù)據(jù)集包括相應樣本對象在多個神經(jīng)活動任務下分別產(chǎn)生的原始神經(jīng)信號和原始行為數(shù)據(jù)；

12、基于預設場景條件，對預處理后的原始數(shù)據(jù)集進行分類處理，獲得相應的樣本數(shù)據(jù)集。

13、可選的，所述訓練單元，還用于：

14、基于所述樣本數(shù)據(jù)集中的第一樣本子集，對所述解碼器進行迭代訓練，直至所述解碼器的損失函數(shù)滿足預設收斂條件，獲得訓練好的解碼器；

15、基于所述樣本數(shù)據(jù)集中的第二樣本子集，對所述元對齊器進行內(nèi)循環(huán)訓練和元學習訓練，獲得訓練好的元對齊器。

16、可選的，所述訓練單元，具體用于：

17、基于預設的任務構建策略，對所述第二樣本子集進行采樣處理，獲得所述第二樣本子集對應的多個訓練任務集；

18、基于所述多個訓練任務集，獲得所述元對齊器的元目標函數(shù)，所述元目標函數(shù)表征所述元對齊器在所述多個訓練任務集上的總損失值；

19、基于所述元目標函數(shù)，對所述元對齊器的模型參數(shù)進行調(diào)整，獲得訓練好的元對齊器。

20、可選的，所述訓練單元，具體用于：

21、基于各訓練任務集中的訓練數(shù)據(jù)，和所述元對齊器的損失函數(shù)，對所述元對齊器的模型參數(shù)進行更新，獲得多個更新參數(shù)；

22、基于各訓練任務集中的測試數(shù)據(jù)和相應的更新參數(shù)，獲得所述訓練任務集對應的測試誤差；

23、基于各個測試誤差進行加和處理，獲得所述元目標函數(shù)。

24、可選的，所述預設場景條件包括跨時間場景條件、跨任務場景和跨對象場景中的至少一種；其中，

25、所述跨時間場景對應的樣本數(shù)據(jù)集表征：同一樣本對象在相同神經(jīng)活動任務的兩個不同時間段產(chǎn)生的數(shù)據(jù)；

26、所述跨任務場景對應的樣本數(shù)據(jù)集表征：同一樣本對象在不同神經(jīng)活動任務的兩個相近時間段產(chǎn)生的數(shù)據(jù)；

27、所述跨對象場景對應的樣本數(shù)據(jù)集表征：不同樣本對象在同一神經(jīng)活動任務的兩個相近時間段產(chǎn)生的數(shù)據(jù)；所述相近時間段表征相應兩個時間段之間的時間間隔滿足預設間隔條件。

28、第三方面，本申請?zhí)峁┝艘环N計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述第一方面中任意一種基于神經(jīng)信號的行為預測方法。

29、第四方面，本申請?zhí)峁┝艘环N計算機存儲介質(zhì)，所述計算機可讀存儲介質(zhì)內(nèi)存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行上述第一方面中任意一種基于神經(jīng)信號的行為預測方法。

30、第五方面，本申請實施例提供的一種計算機程序產(chǎn)品，包括計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)上述第一方面中任意一種基于神經(jīng)信號的行為預測方法。

31、本發(fā)明有益效果如下：

32、本申請實施例提供了一種基于神經(jīng)信號的行為預測方法，該方法通過獲取目標對象的目標神經(jīng)信號，并將目標神經(jīng)信號輸入至已訓練的行為預測模型，獲得模型輸出的目標對象的預測行為數(shù)據(jù)。其中，本申請通過多個神經(jīng)活動任務的樣本數(shù)據(jù)進行模型訓練，增強了行為預測模型對跨任務、跨時間和跨個體神經(jīng)信號分布變化的適應能力，并且引入元學習訓練，使得模型能在未見場景中快速適配新的神經(jīng)信號分布，確保行為預測的準確性和穩(wěn)定性，整體上提高了行為預測模型的泛化性和魯棒性，為腦機接口、神經(jīng)康復等多領域應用提供可靠的技術支持。

技術特征：

1.一種基于神經(jīng)信號的行為預測方法，其特征在于，所述方法包括：

2.如權利要求1所述的方法，其特征在于，所述樣本數(shù)據(jù)集是基于以下方式獲得的：

3.如權利要求1所述的方法，其特征在于，所述行為預測模型是基于以下方式訓練獲得的：

4.如權利要求3所述的方法，其特征在于，所述基于所述第二樣本子集，對所述元對齊器進行內(nèi)循環(huán)訓練和元學習訓練，獲得訓練好的元對齊器，包括：

5.如權利要求4所述的方法，其特征在于，所述基于所述多個訓練任務集，獲得所述元對齊器的元目標函數(shù)，包括：

6.如權利要求2所述的方法，其特征在于，所述預設場景條件包括跨時間場景條件、跨任務場景和跨對象場景中的至少一種；其中，

7.一種基于神經(jīng)信號的行為預測裝置，其特征在于，所述裝置包括：

8.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，

9.一種計算機存儲介質(zhì)，其上存儲有計算機程序指令，其特征在于，

10.一種計算機程序產(chǎn)品，包括計算機程序指令，其特征在于，

技術總結(jié)
本申請涉及人工智能(Artificial?Intelligence，AI)領域，具體涉及一種基于神經(jīng)信號的行為預測方法、裝置、設備及存儲介質(zhì)。該方法獲取目標對象的目標神經(jīng)信號，并將目標神經(jīng)信號輸入至已訓練的行為預測模型，獲得模型輸出的目標對象的預測行為數(shù)據(jù)。通過訓練出的行為預測模型，可有效適應跨時間、跨任務、跨個體的神經(jīng)信號分布變化，準確高效地預測目標對象的行為，提高行為預測的準確性和效率。

技術研發(fā)人員：鄒勇杰,張聰聰,李澄宇
受保護的技術使用者：臨港國家實驗室
技術研發(fā)日：
技術公布日：2025/5/15