【技術實現步驟摘要】
本專利技術屬于腦電信號處理及分類領域，更具體地，涉及一種基于對齊參考源域的腦電遷移學習分類方法及系統。
技術介紹
1、腦機接口(bci)能夠不依賴周圍的肌肉或神經建立了大腦與外部設備之間的直接接口。近年來，無創腦電圖(eeg)因其高時間分辨率與便攜性的特點成為bci系統應用最廣泛的方法之一。eeg根據產生形式可分為誘發式與自發式腦電，誘發式腦電(如p300、穩態視覺誘發電位等)依靠外界刺激忽視了用戶的自發意愿，而自發式腦電(如運動想象mi)無需外部刺激，單純地想象身體動作，更加隱私且易于被接受，使得mi在構建基于eeg的bci中受到廣泛關注。
2、通過解碼腦電，可以識別用戶的運動意圖，幫助用戶控制物理或虛擬設備，從而提高人類與外界交流和交互的能力。這種新型的信息交互技術已成功應用于機器人控制、人機交互、醫療康復等領域。然而，eeg信號的高試驗間變異性、低信號-噪聲比和對噪聲的敏感性，使得解碼運動意圖并非易事，數據稀缺更是為腦電的解碼帶來了更大的挑戰。
3、考慮將受試者視為域，利用多個域的數據通過遷移學習訓練各自的模型，但由于腦電是由固有的背景神經活動與任務態腦電組合而成，特征空間存在較大的分布差異，減輕這種域偏移正是腦電分類任務遷移學習的重要環節。此外，一般的遷移學習注重對目標域的特征表示學習，而忽略了對源域中類相關分布的考慮，這很大程度上將會造成對目標域的負遷移。
技術實現思路
1、針對現有技術的以上缺陷或改進需求，本專利技術提供了一種基于對齊參考源域的腦
2、為實現上述目的，按照本專利技術的一方面，提出了一種基于對齊參考源域的腦電遷移學習分類方法，包括如下步驟：
3、模型訓練階段：
4、獲取多個被試的腦電信號，每個被試的腦電信號包括多個類別已知的腦電數據；
5、對每個被試的腦電信號，計算各腦電數據間的歐式距離，據此衡量腦電數據的相似性，以類內相似度高、類間相似度低的被試作為參考源域；剩余被試作為目標域，根據其腦電數據和對應類別構建訓練集；
6、基于參考源域，通過訓練集對分類模型進行訓練，得到訓練好的分類模型；所述分類模型包括特征提取器f、特征分解器d和分類器c，其中，特征提取器f用于根據參考源域和目標域的腦電數據，分別提取得到參考標準特征和目標域特征特征分解器d用于對目標域特征進行特征解纏，得到類相關特征fcr與領域不變特征fdi，并使類相關特征fcr向參考標準特征對齊；分類器c用于根據類相關特征fcr確定目標域腦電數據的類別；
7、模型應用階段：
8、將待分類的腦電數據輸入訓練好的分類模型，得到該腦電數據的所屬類別。
9、作為進一步優選的，對分類模型進行訓練時，采用如下總體損失函數lrstlnet(θ,δ,η)：
10、
11、其中，lcls為交叉熵損失函數，lcoral為二階中心矩損失函數，ldcca為整體相關性損失函數，α、β1、β2為加權超參數。
12、作為進一步優選的，二階中心矩損失函數lcoral計算式為：
13、
14、其中，表示方差矩陣frobenius范數，d表示特征提取器f的輸出神經元個數，cr、ct分別表示根據參考標準特征、目標域特征確定的參考源域、目標域的特征協方差矩陣。
15、作為進一步優選的，整體相關性損失函數ldcca計算式為：
16、
17、其中，σk(t)表示矩陣t的第k大奇異值，k表示矩陣t用于計算的奇異值個數，矩陣t定義為：表示參考源域腦電的協方差矩陣，表示參考源域腦電與目標域腦電的協方差矩陣、表示目標域腦電的協方差矩陣；ws、wt分別表示參考源域和目標域的仿射變換矩陣；分別表示對應的最優化仿射變換矩陣，表示最優化目標域網絡的參數；1表示所有元素都等于1的列向量。
18、作為進一步優選的，交叉熵損失函數lcls計算式為：
19、
20、其中，nb表示每次訓練過程中mini-batch中的樣本數，表示目標域第i個輸入腦電數據的獨熱標簽向量，dδ(*)(1)表示特征分解器d分解的類相關特征fcr，fθ(*)表示帶有參數的特征提取器，cη(*)表示帶有參數的分類器；θ、δ、η分別表示特征提取器f、特征分解器d、分類器c的網絡參數。
21、作為進一步優選的，加權超參數α＝1.0，β1＝0.01，β2＝2.0。
22、作為進一步優選的，對每個被試的腦電數據，計算各腦電數據間的歐式距離，據此衡量該被試的腦電數據分布，以類內相似度高、類間相似度低的被試作為參考源域，具體為：
23、對每個被試，將獲取的每個腦電數據對應表征為空間協方差矩陣，分別計算各空間協方差矩陣之間的歐式距離，進而確定該被試的分布評價指標rcd；取rcd值最大的被試作為參考源域；
24、所述分布評價指標rcd＝chs/dbi，chs表示calinski-harabasz指數，dbi表示davies-bouldin指數。
25、作為進一步優選的，所述特征提取器f包括空間卷積模塊、時間卷積模塊和特征融合模塊，空間卷積模塊用于獲取腦電數據的空間特征，時間卷積模塊用于獲取腦電數據的時間特征，特征融合模塊用于融合空間特征和時間特征，得到時空混合特征并輸出。
26、作為進一步優選的，特征分解器d采用逐點卷積的方式進行特征解纏，其包括大小為1的一維卷積核、批量歸一化操作和relu激活函數。
27、按照本專利技術的另一方面，提供了一種基于對齊參考源域的腦電遷移學習分類系統，包括處理器，所述處理器用于執行上述基于對齊參考源域的腦電遷移學習分類方法。
28、總體而言，通過本專利技術所構思的以上技術方案與現有技術相比，主要具備以下的技術優點：
29、1.本專利技術通過選取類內相似度高、類間相似度低的參考源域，規避由不良源域帶來的負遷移效應，同時促使目標域的類相關特征向參考標準特征對齊遷移，使整體數據分布上更相似，有效提高了腦電信號的分類準確率。
30、2.定量評估每個被試主體在黎曼空間的數據分布，通過rcd指標選取類內相似度高、類間相似度低的參考主體，從而對被試進行擇優選擇，獲得數據分布較優的參考源被試，以規避數據分布差的源域對目標域的負遷移影響，大大提高對目標域的遷移效果。
31、3.本專利技術通過解纏類相關特征進行類判別特征豐富，并采用結合基于二階統計量的協方差校準與整體數據深度典型相關分析的對齊遷移學習策略，促進類相關特征向參考標準對齊，具體表現為中心距離上更靠近，整體數據分布上更相似，從而提高分類準確率。
本文檔來自技高網...【技術保護點】
1.一種基于對齊參考源域的腦電遷移學習分類方法，其特征在于，包括如下步驟：
2.如權利要求1所述的基于對齊參考源域的腦電遷移學習分類方法，其特征在于，對分類模型進行訓練時，采用如下總體損失函數LRSTLNet(θ,δ,η)：
3.如權利要求2所述的基于對齊參考源域的腦電遷移學習分類方法，其特征在于，二階中心矩損失函數LCORAL計算式為：
4.如權利要求2所述的基于對齊參考源域的腦電遷移學習分類方法，其特征在于，整體相關性損失函數LDCCA計算式為：
5.如權利要求2所述的基于對齊參考源域的腦電遷移學習分類方法，其特征在于，交叉熵損失函數Lcls計算式為：
6.如權利要求2所述的基于對齊參考源域的腦電遷移學習分類方法，其特征在于，加權超參數α＝1.0，β1＝0.01，β2＝2.0。
7.如權利要求1所述的基于對齊參考源域的腦電遷移學習分類方法，其特征在于，對每個被試的腦電數據，計算各腦電數據間的歐式距離，據此衡量該被試的腦電數據分布，以類內相似度高、類間相似度低的被試作為參考源域，具體為：
8.如
9.如權利要求1-8任一項所述的基于對齊參考源域的腦電遷移學習分類方法，其特征在于，特征分解器D采用逐點卷積的方式進行特征解纏，其包括大小為1的一維卷積核、批量歸一化操作和ReLU激活函數。
10.一種基于對齊參考源域的腦電遷移學習分類系統，其特征在于，包括處理器，所述處理器用于執行如權利要求1-9任一項所述的基于對齊參考源域的腦電遷移學習分類方法。
...【技術特征摘要】
1.一種基于對齊參考源域的腦電遷移學習分類方法，其特征在于，包括如下步驟：
2.如權利要求1所述的基于對齊參考源域的腦電遷移學習分類方法，其特征在于，對分類模型進行訓練時，采用如下總體損失函數lrstlnet(θ,δ,η)：
3.如權利要求2所述的基于對齊參考源域的腦電遷移學習分類方法，其特征在于，二階中心矩損失函數lcoral計算式為：
4.如權利要求2所述的基于對齊參考源域的腦電遷移學習分類方法，其特征在于，整體相關性損失函數ldcca計算式為：
5.如權利要求2所述的基于對齊參考源域的腦電遷移學習分類方法，其特征在于，交叉熵損失函數lcls計算式為：
6.如權利要求2所述的基于對齊參考源域的腦電遷移學習分類方法，其特征在于，加權超參數α＝1.0，β1＝0.01，β2＝2.0。
7.如權利要求1所述的基于對齊參考源域的腦電遷移學習分類方法...
【專利技術屬性】
技術研發人員：趙興煒，丁濤，張宇豪，林宇辰，王夢迪，唐洲平，陶波，
申請(專利權)人：華中科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。