本申请涉及神经信息，特别涉及一种基于张量计算的神经信号解码方法及装置。
背景技术：
1、神经信息采集技术能够探测到生物在感知、决策等活动中神经元的时空活动信息，生物体通过感知大量外界信息并对信息进行决策以做出行动，过程中大脑神经元编码大量复杂的信息，相关技术中，可以利用算法从复杂的神经数据中提取信息，并利用神经解码器进行神经信息解码任务。
2、然而，相关技术中，因现有神经信息采集方法得到的采集数据往往具有不同的数据结构、信号类型、空间和时间分辨率，故难以利用同一解码器处理多种状态下的神经数据，适用度不足，且解码器对小样本数据进行解码时鲁棒性较差，因神经数据一般具有张量模式特征，而现有解码器的向量化计算导致神经数据损失原本张量的结构信息，无法实现复杂化的解码任务，降低了神经解码器的智能化水平，实用性下降，亟待解决。
技术实现思路
1、本申请提供一种基于张量计算的神经信号解码方法及装置，以解决相关技术中，因现有神经信息采集方法得到的采集数据往往具有不同的数据结构、信号类型、空间和时间分辨率，故难以利用同一解码器处理多种状态下的神经数据，适用度不足，且解码器对小样本数据进行解码时鲁棒性较差，因神经数据一般具有张量模式特征，而现有解码器的向量化计算导致神经数据损失原本张量的结构信息，无法实现复杂化的解码任务，降低了神经解码器的智能化水平，实用性下降等问题。
2、本申请第一方面实施例提供一种基于张量计算的神经信号解码方法，包括以下步骤：获取待解码的目标神经信号；采集所述目标神经信号的先验信息，基于所述先验信息和所述目标神经信号构建张量数据；根据所述张量数据计算张量内积，由所述张量内积和预先搭建的支持张量机模型构建目标最小二乘线性方程组，以利用所述目标最小二乘线性方程组解码所述目标神经信号，得到解码后的神经信号信息。
3、可选地，在本申请的一个实施例中，所述利用所述张量数据计算张量内积，包括：将所述张量数据分解为核张量和因子矩阵；利用所述核张量和所述因子矩阵估计所述张量内积。
4、可选地，在本申请的一个实施例中，在由所述张量内积和预先搭建的支持张量机模型构建目标最小二乘线性方程组之前，还包括：将所述张量内积映射至满足线性可分条件的预设张量空间，得到所述预设张量空间下的张量内积。
5、可选地，在本申请的一个实施例中，所述目标神经信号的先验信息包括：传导所述目标神经信号的每个神经细胞的空间位置、时间顺序和频率密度中的至少一项。
6、可选地，在本申请的一个实施例中，所述目标最小二乘线性方程组为：
7、
8、其中，w为所述支持张量机模型的权重,γi为拉格朗日乘子，xi为所述张量数据，yi为每个张量数据的标签，ei为误差变量，c为正则化参数，b为偏移变量。
9、本申请第二方面实施例提供一种基于张量计算的神经信号解码装置，包括：获取模块，用于获取待解码的目标神经信号；构建模块，用于采集所述目标神经信号的先验信息，基于所述先验信息和所述目标神经信号构建张量数据；解码模块，用于根据所述张量数据计算张量内积，由所述张量内积和预先搭建的支持张量机模型构建目标最小二乘线性方程组，以利用所述目标最小二乘线性方程组解码所述目标神经信号，得到解码后的神经信号信息。
10、可选地，在本申请的一个实施例中，所述解码模块包括：分解单元，用于将所述张量数据分解为核张量和因子矩阵；估计单元，用于利用所述核张量和所述因子矩阵估计所述张量内积。
11、可选地，在本申请的一个实施例中，还包括：映射模块，用于在由所述张量内积和预先搭建的支持张量机模型构建目标最小二乘线性方程组之前，将所述张量内积映射至满足线性可分条件的预设张量空间，得到所述预设张量空间下的张量内积。
12、可选地，在本申请的一个实施例中，所述目标神经信号的先验信息包括：传导所述目标神经信号的每个神经细胞的空间位置、时间顺序和频率密度中的至少一项。
13、可选地，在本申请的一个实施例中，所述目标最小二乘线性方程组为：
14、
15、其中，w为所述支持张量机模型的权重,γi为拉格朗日乘子，xi为所述张量数据，yi为每个张量数据的标签，ei为误差变量，c为正则化参数，b为偏移变量。
16、本申请第三方面实施例提供一种解码器，其特征在于，以实现如上述实施例所述的基于张量计算的神经信号解码方法。
17、本申请第四方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于张量计算的神经信号解码方法。
18、本申请第五方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的基于张量计算的神经信号解码方法。
19、本申请实施例可以通过对神经信号进行张量构建得到张量内积，以利用支持张量机模型得到最小二乘线性方程组，实现对神经信号的解码，从而实现了对张量有效信息的扩大化提取，提高了小样本高维度神经信号数据的解码效果，更加智能化。由此，解决了相关技术中，因现有神经信息采集方法得到的采集数据往往具有不同的数据结构、信号类型、空间和时间分辨率，故难以利用同一解码器处理多种状态下的神经数据，适用度不足，且解码器对小样本数据进行解码时鲁棒性较差，因神经数据一般具有张量模式特征，而现有解码器的向量化计算导致神经数据损失原本张量的结构信息，无法实现复杂化的解码任务，降低了神经解码器的智能化水平，实用性下降等问题。
20、本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
1.一种基于张量计算的神经信号解码方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用所述张量数据计算张量内积，包括：
3.根据权利要求1所述的方法，其特征在于，在由所述张量内积和预先搭建的支持张量机模型构建目标最小二乘线性方程组之前，还包括：
4.根据权利要求1所述的方法，其特征在于，所述目标神经信号的先验信息包括：传导所述目标神经信号的每个神经细胞的空间位置、时间顺序和频率密度中的至少一项。
5.根据权利要求1所述的方法，其特征在于，所述目标最小二乘线性方程组为：
6.一种基于张量计算的神经信号解码装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述解码模块包括：
8.一种解码器，其特征在于，用于实现如权利要求1-5任一项所述的基于张量计算的神经信号解码方法。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的基于张量计算的神经信号解码方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的基于张量计算的神经信号解码方法。
