[发明专利]基于联邦迁移的脑电数据处理方法、装置、设备及介质

说明书

本发明公开了一种基于联邦迁移的脑电数据处理方法、装置、设备及介质，该方法包括：获取多组脑电数据，并将多组所述脑电数据分别传输到本地终端内的各特征映射模型进行映射处理，生成标准脑电数据；将标准脑电数据传输到本地终端内的脑活动识别模型进行处理，生成模型参数传输到预设公共服务器进行聚合；接收经聚合返回的更新参数，对脑活动识别模型更新，并基于更新的脑活动识别模型对各特征映射模型重新映射处理得到的标准脑电数据进行处理，直到脑活动识别模型生成的总损失值小于预设值，完成基于联邦迁移对多组脑电数据的处理。本发明实现了在充分保护用户隐私的前提下对脑电数据进行处理，且避免以各种方式去获取脑电数据，提高了处理效率。

技术领域

本发明涉及金融科技(Fintech)技术领域，尤其涉及一种基于联邦迁移的脑电数据处理方法、装置、设备及介质。

背景技术

随着金融科技(Fintech)，尤其是互联网科技金融的不断发展，越来越多的技术(如大数据、云存储、机器学习等)应用在金融领域，但金融业也对各类技术提出了更高的要求，如要求通过机器学习来对脑电数据进行处理，以反映用户的心理状态、精神状态等。

当前EEG(Electroencephalogram，脑电图)被认为是实现非侵入式脑机接口(Brain-computer interface,BCI)的理想途径，研究者不断尝试从EEG信号中分析复杂的大脑活动。而机器学习作为一种典型的解决方法，可通过对人工收集的大量EEG数据(即脑电数据)进行处理训练，来实现根据EEG信号数据识别多种脑活动。但是，单个脑电设备使用者在一定时间内很难产生足够的用于机器学习处理训练的所需数据，使得用于处理训练的EEG数据存在稀缺性的问题。

同时，脑电数据类型因采集设备的电极数量，电极位置，电极种类(干电极、湿电极)，采样率等因素的不同而不同，导致了脑电数据因设备不同而出现异质性。而针对异质性的不同类型的脑电数据往往需要单独处理训练不同的机器学习模型，如此一来，又因异质性加剧了用于处理训练的数据的稀缺性。

此外，脑电数据具有很强的个体差异性，可用于反映个体的疲劳度、惊恐度、警觉度、行为意图等信息；若原始的脑电数据遭受泄露与滥用，可能会导致严重的隐私侵犯，从而在通过机器学习对脑电数据处理的过程中需要慎重考虑脑电数据隐私敏感性问题。综上，由于脑电数据所具有的稀缺性、异质性和隐私性特征，需要以各种方式去获取大量脑电数据，导致了当前的机器学习方法对脑电数据的处理效率低，且难以在充分保护用户隐私的前提下处理脑电数据。

发明内容

本发明的主要目的在于提供一种基于联邦迁移的脑电数据处理方法、装置、设备及介质，旨在解决现有技术中对脑电数据的处理效率低，且难以在充分保护用户隐私的前提下处理脑电数据的技术问题。

为实现上述目的，本发明提供一种基于联邦迁移的脑电数据处理方法，所述基于联邦迁移的脑电数据处理方法包括以下步骤：

获取多组脑电数据，并将多组所述脑电数据分别传输到本地终端内，与多组所述脑电数据分别对应的特征映射模型进行映射处理，生成标准脑电数据；

将所述标准脑电数据传输到本地终端内的脑活动识别模型进行处理，生成模型参数传输到预设公共服务器，以供所述预设公共服务器对所述模型参数和至少一个他方终端发送的其他模型参数进行聚合，生成更新参数；

接收所述更新参数，对所述脑活动识别模型进行更新，并基于更新的所述脑活动识别模型对各特征映射模型重新映射处理得到的标准脑电数据进行处理，直到所述脑活动识别模型所生成的总损失值小于预设值，完成基于联邦迁移对多组所述脑电数据的处理。

可选地，所述完成基于联邦迁移对多组所述脑电数据的处理的步骤之后，所述方法还包括：

当接收到待处理脑电数据时，调用所述特征映射模型进行映射处理；

将映射处理的待处理脑电数据传输到脑活动识别模型进行分类处理，获得与所述待处理脑电数据对应的脑活动类型。