用于脑机训练的数据监控收集和模型增强的方法及系统与流程

1.本发明涉及脑机接口技术领域，具体而言涉及一种用于脑机训练的数据监控收集和模型增强的方法及系统。


背景技术：

2.目前，脑机接口技术不断发展，非侵入式的设备因受侵害小、信号采集更准确而备受青睐，并形成了一套比较完备成熟的运动想象训练模式，以采集处理、分析受测者的脑电信号，但该训练模式需先进行大量的训练以建立模型，模型建立成功后才正式开始运动想象的训练；上述方式虽避免了因测试环境、受测者状态因素对建模精度的影响，但每次重复性的建模使受测者在注意力集中和时间消费上都造成了资源浪费。
3.现有技术中，受测者在每次的训练过程中都会产生大量训练数据，每次的训练模型都是基于该训练数据建立的，如何有效利用积累下来的训练数据，在降低模型建立干扰情况下，基于过去产生的训练数据建立训练模型，从而使得训练模式减负，优化模式结构，避免不必要的资源浪费，是目前急需解决的难题。


技术实现要素：

4.根据本发明目的的第一方面，提供一种用于脑机训练的数据监控收集和模型增强的方法，包括：
5.步骤1、对受测者进行运动想象训练，得到训练数据信息，将其与调取的离线受测者列表、受测者相关联文件列表构建映射关系；
6.步骤2、通过数据服务节点构建离线数据处理环境并读取所述映射关系，获得所述受测者的全面训练数据；
7.步骤3、对所述受测者的全面训练数据进行数据预处理和特征提取，得到特征并代入基于相似度数据搜索建立的预测模型中，生成对所述受测者运动想象训练的预测结果；
8.步骤4、将建立的所述预测模型存储至云数据库中，以便对后续运动想象训练的预测、分析，提供模型支撑。
9.进一步地，所述步骤1，具体包括：
10.通过范式引导受测者进行运动想象训练，循环n次，并收集受测者每次进行运动想象时产生的脑电波形数据；
11.将收集的所述脑电波形数据作为训练数据，实时写入设定的磁盘文件进行保存，并上传至文件服务节点；
12.所述文件服务节点请求数据服务节点获取离线受测者列表、受测者相关联文件列表，并与上传的所述训练数据建立映射关系；
13.所述映射关系存储至本地数据库中，以供数据服务节点读取。
14.进一步地，在所述步骤2中，获得全面训练数据，包括：
15.在所述数据服务节点中安装python环境，并加载执行环境jre以调用python命令
运行python文件；
16.其中，所述python文件存储有解析函数；
17.将所述python文件保存至所述数据服务节点的内存中；
18.所述数据服务节点读取存储于本地数据库中的映射关系，调取内存中的所述python文件对所述映射关系运行解析函数，获得所述全面训练数据。
19.进一步地，在所述步骤3中，得到特征，包括：
20.对所述全面训练数据进行数据归一化，其数学表达形式如下：
[0021][0022]
其中，x
*
表示经过数据归一化后的脑电信号，x表示输入的脑电信号，即所述全面训练数据，μ表示均值，δ为标准差；
[0023]
利用五阶切比雪夫带通滤波器对归一化处理后的脑电信号进行带通滤波，去除干扰信号；
[0024]
通过共空间模式算法计算带通滤波处理后的脑电信号的两类协方差和空间投影矩阵，得到空间滤波矩阵；
[0025]
对所述空间滤波矩阵进行变换，得到空间滤波处理后的脑电信号的方差，将所述方差作为脑电信号的特征。
[0026]
进一步地，在所述步骤3中，建立预测模型的过程，包括：
[0027]
计算受测者训练数据的特征中心，其数学表达公式如下：
[0028][0029]
其中，f为特征，m为特征的第m维度，n为训练样本的数量，f
center_m
为特征中心；
[0030]
计算所述特征中心与样本特征的欧氏距离，选择距离最小的训练样本作为建模数据；
[0031]
将所述建模数据导入支持向量机分类模型中建立预测模型，其数学表达公式如下：
[0032][0033]
其中，fi为样本特征，w、b为超平面的方程参数，超平面在空间内的公式为h(w,b)＝wx+b，h为特征空间内的分类超平面，用以对特征空间内的样本点分类隔离,该平面即为预测模型，通过凸二次优化对w,b进行求解，t表示转置，w表示空间投影矩阵，s.t.表示服从于，yi(w
tfi
+b)≥1为预测模型的边界条件，满足边界条件的yi即为预测结果。
[0034]
进一步地，在所述步骤4中，将建立的所述预测模型存储至云数据库，包括：
[0035]
将所述预测模型与所述受测者绑定，生成关联条件，所述预测模型、所述关联条件共同存储至云数据库中；
[0036]
当所述受测者进行新的运动想象训练时，数据服务节点向所述云数据库发送调取预测模型的请求，并根据所述关联条件判断模型对象是否存在；
[0037]
若存在，则直接调用，对所述受测者的训练数据进行预测分析；
[0038]
若不存在，则返回空对象，重新对所述受测者的训练数据进行预测模型构建、存储。
[0039]
根据本发明目的的第二方面，提供一种用于脑机训练的数据监控收集和模型增强的系统，其特征在于，包括：
[0040]
数据服务节点，用于建立客户端程序、云数据库和文件服务节点之间的联系；
[0041]
文件服务节点，用于保存来自数据监控程序收集上传的训练数据，并按照数据服务节点要求提供给指定受测者的全部训练数据，以供后续的训练模型的建立；
[0042]
云数据库，用于保存整个系统的关键数据记录，并存储训练数据生成的训练模型对象，以供下次受测者训练直接使用；
[0043]
本地主机，存储用于脑机训练的客户端程序、数据监控程序、训练数据保存的磁盘和本地数据库。
[0044]
与现有技术相比，本发明所达到的有益效果：本发明一方面通过采用五阶切比雪夫带通滤波器对归一化处理后的脑电信号进行带通滤波，去除干扰信号，结合共空间模式算法计算带通滤波处理后的脑电信号的协方差，提高特征提取的准确度，再利用相似度数据搜索，选择距离最小的样本集作为建模数据，以提升建模的数据可靠性和精度。
[0045]
另一方面通过数据监控程序将本地训练数据收集上传到文件服务节点，数据服务节点获取全部相关联的训练数据，并对数据进行算法处理生成模型对象并存储在云数据库中，在下次训练时可以直接获取训练模型，舍弃了模型建立的阶段，实现对训练阶段进行减负和优化模式结构，节约了不必要的资源浪费。
[0046]
同时，由于测试环境、受试者状态等因素对脑电信号存在较大影响，为了使预测模型相对可靠，本发明通过特征空间内的欧氏距离作为相似度，去衡量数据库中的数据与特征中心的相关程度，再寻找数据库中与特征中心相似度最大的数据集合作为建模数据，以得到与受测者总体状态最接近的预测模型。
[0047]
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
[0048]
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
[0049]
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例。
[0050]
图1是本发明所示的用于脑机训练的数据监控收集和模型增强的方法及系统的流程示意图；
[0051]
图2是本发明所示的全面训练数据的离线处理的流程示意图。
具体实施方式
[0052]
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
[0053]
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
[0054]
为了解决当前运动想象训练模式每次执行过程中存在的重复性建立模型的这一步骤，本实施例通过对受测者所产生的训练数据的收集上传，充分有效利用训练过程中产生的训练数据，在数据服务节点上利用该训练数据建立预测模型，从而舍弃重复建模，达到训练模式减负。
[0055]
针对上述优化模式结构的目的，本实施例提供一种用于脑机训练的数据监控收集和模型增强的方法，包括以下步骤：
[0056]
步骤1、对受测者进行运动想象训练，得到训练数据信息，将其与调取的离线受测者列表、受测者相关联文件列表构建映射关系；
[0057]
步骤2、通过数据服务节点构建离线数据处理环境并读取映射关系，获得受测者的全面训练数据；
[0058]
步骤3、对受测者的全面训练数据进行数据预处理和特征提取，得到特征并代入基于相似度数据搜索建立的预测模型中，生成对受测者运动想象训练的预测结果；
[0059]
步骤4、将建立的预测模型存储至云数据库中，以便对后续运动想象训练的预测、分析，提供模型支撑。
[0060]
下面结合图1、图2所示的流程图以及本发明的一些优选或者可选的例子，更加具体地描述本发明的某些实例的实施过程和/或效果。
[0061]
【构建映射关系】
[0062]
所述步骤1，具体包括：
[0063]
开启本地主机，自动启动数据监控程序在主机后台运行；
[0064]
受测者登录主机中的客户端程序，通过范式引导(示范性方式进行提示、引导)受测者进行运动想象(脑机)训练，循环n次(例如：循环30次)；
[0065]
训练过程中，客户端程序收集受测者每次进行运动想象时产生的脑电波形数据，并将其作为训练数据，实时写入设定的磁盘文件进行保存；
[0066]
数据监控程序在启动的同时，开启定时扫描任务(为了保障数据扫描的完整性，定时扫描任务执行时间应大于脑机训练时间，例如，脑机训练时间为20分钟，定时扫描任务执行时间为30分钟)，以定时扫描受测者的训练数据；
[0067]
通过数据服务节点获取离线受测者列表，并查询本地数据库中该受测者相关联的文件列表，以便于后续建立映射关系，避免在线受测者因正在训练导致实时生成的训练数据不完整；
[0068]
遍历本地主机保存训练数据的磁盘文件，将未上传的训练数据文件上传至文件服务节点中；
[0069]
训练数据文件上传成功后，对训练数据、离线受测者列表、受测者相关联的文件列
表建立映射关系，其中，从离线受测者列表中找到该受测者的id信息并与保存的训练数据匹配，将受测者相关联的文件列表中该受测者的历史训练数据与上述匹配后的受测者训练数据融合，形成该受测者完整的训练数据信息；
[0070]
建立成功的映射关系存储至本地数据库中，以供数据服务节点快速读取。
[0071]
进一步的，进行上述操作过程中若出现网络断开或异常，该数据监控程序都会实现回滚操作，以确保上传搭配文件服务节点的数据是完整的，建立的映射关系是有效的。
[0072]
应说明的是，客户端程序会将保存在内存中的训练数据实时写入设定的磁盘文件进行存储，其中，磁盘文件夹目录结构包括：a.受测者来源＞b.受测者账号＞c.训练数据，受测者账号即为id，是整个系统内唯一的，而训练数据的命名格式通过“yyyymmddhhmmss＜
…
(时间因子)＞”格式命名，以确保唯一性。
[0073]
优选地，磁盘文件数据会每隔一月，通过人工方式手动拷贝，且不删除文件，保障文件数据的多地备份，避免历史数据丢失。
[0074]
优选的是，本实施例通过对训练数据进行定时扫描，避免发生在线受测者实时生成训练数据的遗漏问题，并通过建立映射关系，将离线受测者列表中的各个受测者唯一id信息与在线受测者的id信息进行校对，校对成功后将在线受测者实时生成的训练数据与离线受测者唯一id信息匹配，再将匹配后的训练数据与受测者相关联的文件列表中该受测者的历史训练数据融合，获得该受测者完整的训练数据信息，避免在线受测者因正在训练导致实时生成的训练数据不完整，提高后续预测模型对训练数据的处理结果精度，保障建模可靠性。
[0075]
【构建离线处理环境，获得受测者的全面训练数据】
[0076]
在所述步骤2中，获得全面训练数据，包括：
[0077]
在数据服务节点中安装python环境，并加载执行环境jre(java运行环境，通过java命令启动后台服务，在接收执行算法请求后，通过runtime类实例执行python命令运行python文件中的算法)以调用python命令运行python文件；
[0078]
其中，python文件存储有解析函数(例如：柯西黎曼方程)以解析读取的映射关系；
[0079]
将python文件保存至数据服务节点的内存中；
[0080]
数据服务节点读取存储于本地数据库中的映射关系，调取内存中的python文件对映射关系运行解析函数，遍历映射关系中存储的每一个文件，将其中的数据加载到内存中，获得全面训练数据(即前述步骤1中经过匹配、融合得到的全部训练数据)；
[0081]
数据服务节点再对获得的全面训练数据执行离线处理(即预处理、特征提取、建立预测模型、生成预测结果)，以获取模型对象数据。
[0082]
需要说明的是，解析函数有多种表达形式，本实施例中不做唯一限定。
[0083]
【对全面训练数据进行离线处理】
[0084]
结合图2，本实施例中对获取的全面训练数据执行离线处理包括：数据预处理、特征提取、建立预测模型和生成预测结果四个部分，具体包括以下步骤：
[0085]
对受测者的全面训练数据进行数据预处理，去除干扰信号，包括：
[0086]
对全面训练数据进行数据归一化，其数学表达形式如下：
[0087]
[0088]
其中，x
*
表示经过数据归一化后的脑电信号，x表示输入的脑电信号，即全面训练数据，μ表示均值，δ为标准差；
[0089]
利用五阶切比雪夫带通滤波器对归一化处理后的脑电信号进行带通滤波，去除干扰信号；
[0090]
应说明的是，由于运动想象在α波段(8-12hz)和β波段(12-30hz)能量变化明显，更高或者更低频带的信号表示其他生物电信号，如肌肉运动的肌电信号在高频区，这些其他生物电信号会对运动想象信号特征存在干扰，故本实施例通过五阶切比雪夫带通滤波器滤出8-30hz的运动想象相关信号，去除干扰信号的影响。
[0091]
对预处理后的全面训练数据进行特征提取，包括：
[0092]
通过共空间模式算法计算带通滤波处理后的脑电信号的协方差，其数学表达公式如下：
[0093][0094]
其中，ni表示第j类样本的数量，x
i,j
表示输入的第i类脑电信号，i为第i个通道，j为第j个采样点，t表示转置；表示第i类脑电信号的转置；
[0095]
根据计算出的协方差计算空间投影矩阵w，其数学表达公式如下：
[0096][0097]
s.t.w
t
∑1w+w
t
∑2w＝1
[0098]
∑1w＝γ∑2w
[0099]
其中，∑1w、∑2w分别表示两个类别的协方差矩阵，表示改变参数w使得公式达到最小值时的w值，s.t.表示服从于，w为空间投影矩阵w的某一列，选择空间投影矩阵的前m列以及后m列组成空间滤波矩阵；γ表示∑1w和∑2w的比例系数，w
t
表示特征向量w的转置。
[0100]
将脑电信号通过空间滤波矩阵变换得到z＝w-t
x，选择滤波后信号z的方差作为信号的特征。
[0101]
将得到的特征代入基于相似度数据搜索建立的预测模型中，生成对受测者运动想象训练的预测结果，包括：
[0102]
计算受测者训练数据(即上述处理的脑电信号)的特征中心，其数学表达公式如下：
[0103][0104]
其中，f为特征，m为特征的第m维度，n为训练样本的数量，f
center_m
为特征中心；
[0105]
根据得到的特征中心，计算其与样本特征的欧氏距离，并选取距离最小的样本集作为建模数据，其数学表达公式如下：
[0106][0107]
其中，2m为特征全部维度个数，fm为样本特征，d为距离，得到的距离越小表明相似度越大，故本实施例通过相似度数据搜索，选择距离最小的样本集作为建模数据，以提升建模的数据可靠性；
[0108]
将建模数据导入支持向量机分类模型中建立预测模型，并生成预测结果，其数学表达公式如下：
[0109][0110]
其中，fm为样本特征，w、b为超平面的方程参数，超平面在空间内的公式为h(w,b)＝wx+b，h为特征空间内的分类超平面，用以对特征空间内的样本点分类隔离,该平面即为预测模型，通过凸二次优化对w,b进行求解，t表示转置，w表示空间投影矩阵，s.t.表示服从于，yi(w
tfi
+b)≥1为预测模型的边界条件，满足边界条件的yi即为预测结果。
[0111]
优选地，本实施例通过欧氏距离进行相似度数据搜索，由于本实施例中的训练数据向量在各个维度上的取值范围相近，通过欧氏距离计算向量之间的距离，并在距离相同的情况下体现出向量之间的相似度，这是其他方式无法体现的，因此，本实施例利用了欧式空间中相同距离对应着相似关系的特性，选择相似度较大的样本集作为建模数据，以提升建模的精度和可靠性。
[0112]
【存储建立的预测模型，为后续训练提供模型支撑】
[0113]
将上述建立的预测模型存储至云数据库中，以便对后续运动想象训练的预测、分析，提供模型支撑，包括：
[0114]
将该预测模型与该受测者(上述在线测试的受测者)绑定，生成关联条件(即模型对象)，预测模型和关联条件共同存储至云数据库中；
[0115]
当该受测者(即上述在线测试的受测者)进行新的运动想象训练时，数据服务节点向云数据库发送调取预测模型的请求，并根据存储的关联条件判断已存在模型对象，直接调用该预测模型，对该受测者的训练数据进行预测分析；
[0116]
其中，预测与分析包括：确认存在模型对象后，对该受测者运动想象得到的脑电数据进行滤波预处理，并输入预测模型生成预测结果，基于预测结果进行分析，获得后续的业务逻辑，以左手为例，获得的预测结果与参考结果相同且同为左手，则说明该受测者此次运动想象成功，程序会执行成功的奖励逻辑，此处包括且不限于上述运动想象部分。
[0117]
当其他受测者(非上述在线测试的受测者)进行运动想象训练时，数据服务节点向云数据库发送调取预测模型的请求，根据存储的关联条件判断不存在模型对象，则说明此受测者需进行如上述步骤1～步骤4的操作重新建立预测模型并生成关联条件存储，为后续的预测、分析运动想象训练，提供模型支撑。
[0118]
应说明的是，由于训练数据会存在频繁的更新操作，本实施例为了减少频繁的数据更新请求，因此将上述操作过程中建立的预测模型存储在云数据库中的非关系型数据
库，以实现脑机训练性能要求提升和资源节省。
[0119]
前述训练数据的预处理、特征提取和预测模型计算方法，可利用现有技术中的方式和手段进行，在本例中不再赘述。
[0120]
在以上实施例的教导下，本发明实施例公开的另一些方面还提出一种用于脑机训练的数据监控收集和模型增强的系统，包括数据服务节点、文件服务节点、云数据库和本地主机，其中，本地主机包括用于脑机训练的客户端程序、数据监控程序、训练数据保存的磁盘和本地数据库。
[0121]
数据服务节点用于建立客户端程序、云数据库和文件服务节点之间的联系。
[0122]
文件服务节点用于保存来自数据监控程序收集上传的训练数据，并按照数据服务节点要求提供给指定受测者的全部训练数据，以供后续的训练模型的建立。
[0123]
云数据库除了保存整个系统的关键数据记录外，还用于将训练数据生成的训练模型对象保存，以便下次受测者训练直接使用。
[0124]
客户端程序用于为受测者提供整个训练过程的环境，并将整个训练产生的数据保存在本地主机的指定磁盘位置。
[0125]
数据监控程序用于开机自启动后监控受测者训练数据变化，定时扫描收集上传训练数据到文件服务节点。
[0126]
本地主机磁盘用于保存客户端程序训练产生的数据。
[0127]
本地数据库用于映射受测者产生的本地训练数据与上传到文件服务节点的训练数据之间的关系，防止数据重复上传和数据遗漏未上传问题。
[0128]
进一步需要说明的是，用于脑机训练的数据监控收集和模型增强的系统，还包括一个或多个处理器以及存储器。
[0129]
存储器被用来存储可被操作的指令，这些指令在通过所述一个或多个处理器执行时使得一个或多个处理器执行操作，这些操作包括前述实施例的用于脑机训练的数据监控收集和模型增强的方法的流程，尤其是图1所示方法的流程。
[0130]
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

技术特征：
1.一种用于脑机训练的数据监控收集和模型增强的方法，其特征在于，包括：步骤1、对受测者进行运动想象训练，得到训练数据信息，将其与调取的离线受测者列表、受测者相关联文件列表构建映射关系；步骤2、通过数据服务节点构建离线数据处理环境并读取所述映射关系，获得所述受测者的全面训练数据；步骤3、对所述受测者的全面训练数据进行数据预处理和特征提取，得到特征并代入基于相似度数据搜索建立的预测模型中，生成对所述受测者运动想象训练的预测结果；步骤4、将建立的所述预测模型存储至云数据库中，以便对后续运动想象训练的预测、分析，提供模型支撑。2.根据权利要求1所述的用于脑机训练的数据监控收集和模型增强的方法，其特征在于，所述步骤1，具体包括：通过范式引导受测者进行运动想象训练，循环n次，并收集受测者每次进行运动想象时产生的脑电波形数据；将收集的所述脑电波形数据作为训练数据，实时写入设定的磁盘文件进行保存，并上传至文件服务节点；所述文件服务节点请求数据服务节点获取离线受测者列表、受测者相关联文件列表，并与上传的所述训练数据建立映射关系；所述映射关系存储至本地数据库中，以供数据服务节点读取。3.根据权利要求2所述的用于脑机训练的数据监控收集和模型增强的方法，其特征在于，在所述步骤2中，获得全面训练数据，包括：在所述数据服务节点中安装python环境，并加载执行环境jre以调用python命令运行python文件；其中，所述python文件存储有解析函数；将所述python文件保存至所述数据服务节点的内存中；所述数据服务节点读取存储于本地数据库中的映射关系，调取内存中的所述python文件对所述映射关系运行解析函数，获得所述全面训练数据。4.根据权利要求3所述的用于脑机训练的数据监控收集和模型增强的方法，其特征在于，在所述步骤3中，得到特征，包括：对所述全面训练数据进行数据归一化，其数学表达形式如下：其中，x
*
表示经过数据归一化后的脑电信号，x表示输入的脑电信号，即所述全面训练数据，μ表示均值，δ为标准差；利用五阶切比雪夫带通滤波器对归一化处理后的脑电信号进行带通滤波，去除干扰信号；通过共空间模式算法计算带通滤波处理后的脑电信号的两类协方差和空间投影矩阵，得到空间滤波矩阵；对所述空间滤波矩阵进行变换，得到空间滤波处理后的脑电信号的方差，将所述方差作为脑电信号的特征。
5.根据权利要求4所述的用于脑机训练的数据监控收集和模型增强的方法，其特征在于，在所述步骤3中，建立预测模型的过程，包括：计算受测者训练数据的特征中心，其数学表达公式如下：其中，f为特征，m为特征的第m维度，n为训练样本的数量，f
center_m
为特征中心；计算所述特征中心与样本特征的欧氏距离，选择距离最小的训练样本作为建模数据；将所述建模数据导入支持向量机分类模型中建立预测模型，其数学表达公式如下：其中，f
i
为样本特征，w、b为超平面的方程参数，超平面在空间内的公式为h(w,b)＝wx+b，h为特征空间内的分类超平面，用以对特征空间内的样本点分类隔离,该平面即为预测模型，通过凸二次优化对w,b进行求解，t表示转置，w表示空间投影矩阵，s.t.表示服从于，y
i
(w
t
f
i
+b)≥1为预测模型的边界条件，满足边界条件的y
i
即为预测结果。6.根据权利要求5所述的用于脑机训练的数据监控收集和模型增强的方法，其特征在于，在所述步骤4中，将建立的所述预测模型存储至云数据库，包括：将所述预测模型与所述受测者绑定，生成关联条件，所述预测模型、所述关联条件共同存储至云数据库中；当所述受测者进行新的运动想象训练时，数据服务节点向所述云数据库发送调取预测模型的请求，并根据所述关联条件判断模型对象是否存在；若存在，则直接调用，对所述受测者的训练数据进行预测分析；若不存在，则返回空对象，重新对所述受测者的训练数据进行预测模型构建、存储。7.一种应用如权利要求1～6中任意一项所述的用于脑机训练的数据监控收集和模型增强的方法所实现的用于脑机训练的数据监控收集和模型增强的系统，其特征在于，包括：数据服务节点，用于建立客户端程序、云数据库和文件服务节点之间的联系；文件服务节点，用于保存来自数据监控程序收集上传的训练数据，并按照数据服务节点要求提供给指定受测者的全部训练数据，以供后续的训练模型的建立；云数据库，用于保存整个系统的关键数据记录，并存储训练数据生成的训练模型对象，以供下次受测者训练直接使用；本地主机，存储用于脑机训练的客户端程序、数据监控程序、训练数据保存的磁盘和本地数据库。

技术总结
本发明提供一种用于脑机训练的数据监控收集和模型增强的方法及系统，包括：对受测者进行运动想象训练，得到训练数据信息，将其与调取的离线受测者列表、受测者相关联文件列表构建映射关系；通过数据服务节点构建离线数据处理环境并读取所述映射关系，获得所述受测者的全面训练数据；对所述受测者的全面训练数据进行数据预处理和特征提取，得到特征并代入基于相似度数据搜索建立的预测模型中，生成对所述受测者运动想象训练的预测结果；将建立的所述预测模型存储至云数据库中，以便对后续运动想象训练的预测、分析，提供模型支撑。本发明通过数据服务节点上的训练数据建立预测模型，从而达到训练模式减负，优化模式结构的目的。优化模式结构的目的。优化模式结构的目的。


技术研发人员：李迎新 王薇
受保护的技术使用者：上海术理智能科技有限公司
技术研发日：2023.05.31
技术公布日：2023/8/23