一种基于相似性感知重放的脑电信号持续学习分类方法及系统

本发明公开了一种基于相似性感知重放的脑电信号持续学习分类方法及系统，涉及人工智能与神经工程技术交叉领域。所述方法的特征在于以增量方式不断将EEG数据流片段输入到训练完成的脑电分类模型，实现个性化脑电信号的动态适配；分类模型的训练过程如下：采用时间序列交叉验证策略构建时间步驱动的增量学习框架，构建每个时间步的训练样本集；利用深度卷积和可分离卷积构建深度学习模型，基于每个时间步的训练样本集对深度学习模型进行训练，在每个时间步训练结束后，基于相似性感知机制对经验池进行更新，所述经验池用于存储历史数据样本；在基于时间步2至时间步T的训练样本集对深度学习模型进行训练时，将当前时间步的训练样本集与从经验池中随机检索的历史样本进行联合训练；构建批量训练的损失函数，优化分类模型中的可训练参数；该持续学习分类方法及系统显著增强了EEG分类模型对新数据的动态适应能力，在不断变化的临床环境中保持高效性和准确性。