1.一種基于腦電信號(hào)的詞向量計(jì)算方法，其特征在于，所述方法包括以下步驟：
步驟S1，收集文本語(yǔ)料庫(kù)，對(duì)文本語(yǔ)料庫(kù)中的語(yǔ)料進(jìn)行處理，得到以詞組為單位的連續(xù)短語(yǔ)格式的語(yǔ)料；
步驟S2，將所述連續(xù)短語(yǔ)格式的語(yǔ)料呈現(xiàn)給標(biāo)注者，供標(biāo)注者閱讀，采集標(biāo)注者閱讀每一詞組時(shí)的腦電信號(hào)；
步驟S3，將采集到的詞組對(duì)應(yīng)的腦電信號(hào)作為預(yù)測(cè)目標(biāo)，訓(xùn)練詞向量，以當(dāng)前詞組的詞向量表示為特征預(yù)測(cè)其上下文的腦電信號(hào)，構(gòu)建基于腦電信號(hào)的詞向量表示模型。
2.根據(jù)權(quán)利要求1所述的基于腦電信號(hào)的詞向量計(jì)算方法，其特征在于，所述步驟S1包括以下子步驟：
步驟S11，收集文本語(yǔ)料庫(kù)，所述文本語(yǔ)料庫(kù)中的語(yǔ)料為句子或者篇章級(jí)別；
步驟S12，去除所述文本語(yǔ)料庫(kù)中長(zhǎng)度超過(guò)第一預(yù)設(shè)值或長(zhǎng)度小于二預(yù)設(shè)值的語(yǔ)料，得到預(yù)處理語(yǔ)料；
步驟S13，將所述預(yù)處理語(yǔ)料進(jìn)行分詞處理得到詞；
步驟S14，利用組塊分析技術(shù)，將所述詞轉(zhuǎn)化為詞組，得到以連續(xù)短語(yǔ)格式的語(yǔ)料。
3.根據(jù)權(quán)利要求2所述的基于腦電信號(hào)的詞向量計(jì)算方法，其特征在于，所述步驟S3包括以下子步驟：
步驟S31，對(duì)采集到的腦電信號(hào)進(jìn)行降噪處理，得到降噪后的腦電信號(hào)；
步驟S32，對(duì)所述降噪后的腦電信號(hào)進(jìn)行空間投影和降維處理；
步驟S33，將所述預(yù)處理語(yǔ)料中的所有詞組初始化為詞向量表示；
步驟S34，遍歷所述預(yù)處理語(yǔ)料中的所有詞組，以當(dāng)前詞組的詞向量表示為特征，使用神經(jīng)網(wǎng)絡(luò)回歸模型預(yù)測(cè)其上下文的腦電信號(hào)，將預(yù)測(cè)的上下文的腦電信號(hào)與實(shí)際腦電信號(hào)進(jìn)行對(duì)比，獲取預(yù)測(cè)誤差，根據(jù)預(yù)測(cè)誤差調(diào)整當(dāng)前詞組的詞向量表示，其中，所述實(shí)際腦電信號(hào)為標(biāo)注者閱讀所述上下文時(shí)的腦電信號(hào)；重復(fù)本步驟，直至預(yù)測(cè)誤差小于預(yù)設(shè)閾值。
4.根據(jù)權(quán)利要求3所述的基于腦電信號(hào)的詞向量計(jì)算方法，其特征在于，所述步驟S31包括：
對(duì)所述采集到的腦電信號(hào)進(jìn)行處理，得到信噪比高于第三預(yù)設(shè)值的腦電信號(hào)；
所述步驟S32包括：
使用共空間模式算法對(duì)所述信噪比高于第三預(yù)設(shè)值的腦電信號(hào)進(jìn)行空間投影和降維，得到維度低于第四預(yù)設(shè)值的腦電信號(hào)。
5.根據(jù)權(quán)利要求3所述的基于腦電信號(hào)的詞向量計(jì)算方法，其特征在于，對(duì)所述采集到的腦電信號(hào)進(jìn)行降噪處理采用FASTICA算法。
6.一種基于腦電信號(hào)的詞向量計(jì)算裝置，其特征在于，所述裝置包括：
收集模塊，用于收集文本語(yǔ)料庫(kù)，對(duì)文本語(yǔ)料庫(kù)中的語(yǔ)料進(jìn)行處理，得到以詞組為單位的連續(xù)短語(yǔ)格式的語(yǔ)料；
采集模塊，用于將所述連續(xù)短語(yǔ)格式的語(yǔ)料呈現(xiàn)給標(biāo)注者，供標(biāo)注者閱讀，采集標(biāo)注者閱讀每一詞組時(shí)的腦電信號(hào)；
構(gòu)建模塊，用于將采集到的詞組對(duì)應(yīng)的腦電信號(hào)作為預(yù)測(cè)目標(biāo)，訓(xùn)練詞向量，以當(dāng)前詞組的詞向量表示為特征預(yù)測(cè)其上下文的腦電信號(hào)，構(gòu)建基于腦電信號(hào)的詞向量表示模型。
7.根據(jù)權(quán)利要求6所述的基于腦電信號(hào)的詞向量計(jì)算裝置，其特征在于，所述收集模塊包括：
收集單元，用于收集文本語(yǔ)料庫(kù)，所述文本語(yǔ)料庫(kù)中的語(yǔ)料為句子或者篇章級(jí)別；
預(yù)處理單元，用于去除所述文本語(yǔ)料庫(kù)中長(zhǎng)度超過(guò)第一預(yù)設(shè)值或長(zhǎng)度小于第二預(yù)設(shè)值的語(yǔ)料，得到預(yù)處理語(yǔ)料；
分詞單元，用于將所述預(yù)處理語(yǔ)料進(jìn)行分詞處理得到詞；
轉(zhuǎn)化單元，用于利用組塊分析技術(shù)，將所述詞轉(zhuǎn)化為詞組，得到以連續(xù)短語(yǔ)格式的語(yǔ)料。
8.根據(jù)權(quán)利要求7所述的基于腦電信號(hào)的詞向量計(jì)算裝置，其特征在于，所述構(gòu)建模塊包括：
降噪單元，用于對(duì)采集到的腦電信號(hào)進(jìn)行降噪處理，得到降噪后的腦電信號(hào)；
降維單元，用于對(duì)所述降噪后的腦電信號(hào)進(jìn)行空間投影和降維處理；
初始化單元，用于將所述預(yù)處理語(yǔ)料中的所有詞組初始化為詞向量表示；
構(gòu)建單元，用于遍歷所述預(yù)處理語(yǔ)料中的所有詞組，以當(dāng)前詞組的詞向量表示為特征，使用神經(jīng)網(wǎng)絡(luò)回歸模型預(yù)測(cè)其上下文的腦電信號(hào)，將預(yù)測(cè)的上下文的腦電信號(hào)與實(shí)際腦電信號(hào)進(jìn)行對(duì)比，獲取預(yù)測(cè)誤差，根據(jù)預(yù)測(cè)誤差調(diào)整當(dāng)前詞組的詞向量表示，其中，所述實(shí)際腦電信號(hào)為標(biāo)注者閱讀所述上下文時(shí)的腦電信號(hào)；重復(fù)本步驟，直至預(yù)測(cè)誤差小于預(yù)設(shè)閾值。
9.根據(jù)權(quán)利要求8所述的基于腦電信號(hào)的詞向量計(jì)算裝置，其特征在于，
所述降噪單元還用于，對(duì)所述采集到的腦電信號(hào)進(jìn)行處理，得到信噪比高于第三預(yù)設(shè)值的腦電信號(hào)；
所述降維單元還用于，使用共空間模式算法對(duì)所述信噪比高于第三預(yù)設(shè)值的腦電信號(hào)進(jìn)行空間投影和降維，得到維度低于第四預(yù)設(shè)值的腦電信號(hào)。
10.根據(jù)權(quán)利要求8所述的基于腦電信號(hào)的詞向量計(jì)算裝置，其特征在于，所述降噪模塊還用于采用FASTICA算法對(duì)所述采集到的腦電信號(hào)進(jìn)行降噪處理。