[发明专利]脑力负荷检测方法及装置

权利要求书

1.一种脑力负荷检测方法，其特征在于，包括：

获取待测对象的生理信号，所述生理信号包括脑电信号、心电信号和脉搏信号；

将所述生理信号输入至预设的时间卷积网络模型，根据所述时间卷积网络模型的输出结果，获取待测对象的脑力负荷类型；其中，所述时间卷积网络模型根据带有脑力负荷类型标签的生理信号样本训练后得到；

将所述生理信号输入至预设的时间卷积网络模型，具体为：

将每一生理信号分别输入至预设的时间卷积网络模型中对应的时间卷积子网络；其中，所述时间卷积网络模型包括多个时间卷积子网络，所述多个时间卷积子网络分别提取对应生理信号的特征后进行特征融合，将融合后的特征作为所述时间卷积网络模型提取的特征；

所述将所述生理信号输入至预设的时间卷积网络模型；根据所述时间卷积网络模型的输出结果，获取待测对象的脑力负荷类型，包括：

将所述生理信号输入至所述时间卷积网络模型的基于膨胀卷积的全卷积网络层，利用所述全卷积网络层对所述生理信号进行特征提取，输出所述生理信号对应的特征向量；

将所述特征向量输入至所述时间卷积网络模型的全连接层，将全连接层的输出结果输入至所述时间卷积网络模型的逻辑回归层，输出脑力负荷类型对应的预测概率，根据所述预测概率获取待测对象的脑力负荷类型。

2.根据权利要求1所述的方法，其特征在于，所述将所述生理信号输入至预设的时间卷积网络模型之前，还包括：

获取多个生理信号样本和每个生理信号样本对应的脑力负荷标签；

将每个生理信号样本对应的生理信号和脑力负荷类型标签的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述时间卷积网络模型进行训练。

3.根据权利要求2所述的方法，其特征在于，所述利用所述多个训练样本对所述时间卷积网络模型进行训练，包括：

将任意一个样本生理信号输入至所述时间卷积网络模型，输出所述样本生理信号对应的脑力负荷类型的预测概率；

利用预设的损失函数根据所述样本生理信号对应的预测概率和所述样本生理信号的脑力负荷类型标签计算损失值；

若所述损失值小于预设阈值或训练次数达到预设次数，则所述时间卷积网络模型训练完成。

4.根据权利要求2所述的方法，其特征在于，所述获取多个生理信号样本和每个生理信号样本对应的脑力负荷标签之后，还包括：

使用预设时长的滑动窗口对每一生理信号样本进性数据增强处理，以使得每一生理信号样本均生成多个数据增强处理后的生理信号样本；

相应地，将每个生理信号样本对应的生理信号和脑力负荷类型标签的组合作为一个训练样本，具体为：

将数据增强处理后得到的每个生理信号样本对应的生理信号和脑力负荷类型标签的组合作为一个训练样本。

5.根据权利要求1所述的方法，其特征在于，所述获取待测对象的生理信号之后，还包括：

对所述生理信号进行信号预处理；

相应地，将所述生理信号输入至预设的时间卷积网络模型，具体为：

将信号预处理后的生理信号输入至预设的时间卷积网络模型；

其中，所述信号预处理包括：直流分量消除、降采样及噪声消除。