基于DDADSM跨被试迁移学习脑电精神状态检测方法技术

本发明专利技术公开基于DDADSM跨被试迁移学习脑电精神状态检测方法。本发明专利技术采用先进行双子空间特征空间映射再动态分布对齐的迁移学习方法对脑电数据进行分类检测的方法。是脑电迁移学习检测方法的重大创新与尝试，能够减少传统单一子空间迁移学习方法的空间漂移问题以及忽略条件分布和边缘分布重要性定量计算造成的精确性不足、迁移能力有限等问题。该方法在疲劳驾驶脑电数据的分类问题上能够取得很好的效果，能够为复杂脑电数据的处理提高新的研究手段。

【技术实现步骤摘要】
基于DDADSM跨被试迁移学习脑电精神状态检测方法
本专利技术属于生物特征识别领域中的脑电信号识别领域，具体用到了一种基于双子空间映射的动态分布对齐(DDADSM，DynamicDistributionAlignmentwithDual-SpaceMapping)跨被试迁移学习脑电精神状态检测方法。
技术介绍
疲劳驾驶是指驾驶人连续行车时间过长，产生的生理机能和心理机能的失调现象，由于疲劳驾驶所引起的交通事故越来越频繁给世界经济与社会发展带来严重损失，而有效的疲劳检测分类方法的提出将对这一严重的社会问题的缓解十分有利。脑电波是一种自发的有节律的神经电活动，脑电信号是人脑活动的直接体现，可以快速的反映人的生理及心理变化过程，当前被认为是最便捷和有效的疲劳分析方法。随着脑电采集设备的不断更新，脑电作为生物信号特征用于疲劳检测的尝试被越来越多的研究学者采用。当前基于脑电信号的疲劳检测方法主要有传统机器学习方法和基于深度学习的方法。传统的机器学习方法主要是通过提取不同频率范围内的脑电特征再使用分类器进行分类。由于脑电信号的独特性，跨被试差异即个体间的脑电信号的差异性总是存在，手工的提取特征与浅层的机器学习方法难以避免地存在特征提取依赖专家知识，操作繁杂，跨被试识别率不足等问题。深度学习方法通过采用大量的数据在已有的模型下训练自动提取信号的特征，从而实现对于脑电信号的分类工作，近几年已有很多学者将深度学习的技术应用到基于脑电的疲劳检测中去，并取得了较好的效果。但是基于深度神经网络的学习过程比较复杂，需要大量的标注数据、脑电信号的获取有时序性的特点，与图像、文本的获取相比大量数据的获取更加困难。显然，采用少样本的脑电数据并且能够克服传统的机器学习方法的局限性将是脑电信号疲劳检测的重要突破。迁移学习技术可以通过相对少量样本，利用个体数据分布的相似性，将已经学习过的知识应用在新的领域上，目前已经被很多学者应用在脑电处理中。领域自适应学习是迁移学习的代表方法，能够利用信息丰富的源域样本来提升目标域模型的性能，目前主要的方法有:概率分布适配法、特征选择法和子空间学习法。领域自适应学习的方法已被很多学者引用，对于解决源域和目标域属于同一类任务但分布不同的情况效果显著。本专利技术所采用的基于双子空间映射动态分布对齐迁移学习的脑电疲劳检测方法，在迁移学习中属于领域自适应的方法。
技术实现思路
(一)要解决的技术问题本专利技术要解决的技术问题是：1、单一生物信号的脑电疲劳检测中识别率低并且依赖大量标签数据，跨被试检测效果差；2、传统的迁移学习的子空间投影方法将数据投影到一个公共的子空间或流形空间中，不能克服投影空间偏移带来的损失；3、由于脑电信号是非稳定的高维信号并且自身具有特殊性和复杂性的特点，源域和目标域数据并不服从相同分布，因此无论采取直接利用数据分布相同的计算方法还是将数据的条件分布和边缘分布采用相同权重的计算方法，均不能反映数据分布的真实状态。本专利技术所采用的基于双子空间映射动态分布对齐迁移学习的脑电疲劳检测方法能够较好的解决以上问题。通过实验发现，该方法在疲劳驾驶脑电数据的分类问题上能够取得很好的效果，能够为复杂脑电数据的处理提高新的研究手段。(二)技术方案为了解决上述技术问题，本专利技术提出了一种基于DDADSM的跨被试迁移学习脑电疲劳检测方法。本专利技术的特点是：本专利技术与现有技术相比，主要有以下两方面的特点：1、本方法能够将预处理后的原始脑电源域数据和目标域数据进行统计学方法特征映射，映射到两个具有更好迁移能力的子空间中，能减少映射偏差，使跨被试迁移学习能力得到显著提升；2、现有的领域学习的方法中多采用非动态的数据分布对齐，忽略了数据统计特征分布的差异性，用动态分布对齐的方法能解决高维非稳定脑电信号数据分布复杂导致的迁移效果差的问题。以上两个特点能够使本方法在不依赖大量标签的情况下采用非深度学习的迁移学习方法取得显著的实验效果。按照本专利技术提供的技术方案，以下是基于双子空间映射动态分布对齐的迁移学习的脑电疲劳检测方法的具体步骤：步骤(1)、对原始脑电数据进行预处理，然后对其划分后获取源域和目标域数据；所述预处理主要是数据合并、脑电预览、基线校正、带通滤波和独立成分分析。以上预处理手段用现有工具均能实现，属于现有成熟技术，故不详解。本预处理工作能够有效去除噪声和干扰杂质因素，按照实验范式得到以被试为单位的数据，该数据将作为输入进行以下步骤的操作。在步骤(2)之前需要人为划分源域和目标域。根据迁移学习的概念，定义带有标签的源域数据为没有标签的目标域数据为其中xs，xt分别为源域和目标域的样本数据，ys为源域的类别数据，源域的样本数量为n，目标域的样本数量为m，源域的类别数为C。源域数据和目标域的边缘概率分别定义为Ps(Xs)和Pt(Xt)，源域数据和目标域的条件概率分别定义为Qs(ys|Xs)和Qt(yt|Xt)，yt为目标域的类别数据，ys是源域的类别标签。由于本方法涉及到跨被试分类故将同一被试的脑电数据作为一个领域，包含特征信息和类别信息，并将所有被试依次作为目标域测试算法效果得到最终检测分类准确率。由于数据采集中已经获取了所有被试的类别信息，而在实际应用中目标域数据标签信息未知，故本方法中目标域的标记信息不作为实验输入使用，仅用作真实值用于验证数据分类准确率。步骤(2)、脑电信号的特征提取采用常规技术公共空间模式(CSP，CommonSpatialPattern)算法进行共空间特征提取，将步骤(1)原始源域和目标域高维时域信号数据，通过共空间滤波器将其投影到低维空间。2.1将源域数据归一化并分别计算两类(多类则任取两类)源域样本的协方差矩阵，并进行2.2-2.5步骤；2.2根据步骤2.1得到的协方差矩阵累加并取平均，得到源域数据的混合空间协方差矩阵；2.3计算步骤2.2得到的混合空间协方差矩阵的特征向量和特征值；2.4对步骤2.3得到的特征值进行排序，选取最大值，求出白化特征值矩阵Q；2.5将步骤2.1不同类别源域样本的协方差矩阵与步骤2.4得到的白化特征值矩阵Q进行变换，并做主分量分解得到共同特征向量N；共同特征向量N与白化特征值矩阵Q进行公式(1)运算可得到共空间滤波器G：G＝NTQ(1)其中T表示转置。2.6若待分类任务具有多类，则重复步骤2.1-2.5得到所有共空间滤波器，并相加求平均得到最终的共空间滤波器G’，经过特征提取之后得到的共空间特征为：Xs'＝G’×XsXt'＝G’×Xt(2)其中X′t,X′s分别表示经过共空间特征提取之后的源域和目标域共空间特征。步骤(2)提取共空间特征为常规技术，此处仅给出关键步骤，不做详细解释。步骤(3)、源域数据目标域数据双子空间映射所述源域数据和目标域数据双子空间模型表示如下：其中α、θ、μ是平衡参数，为人为设定；目标域特征方差采用公式(4)目标域数据的散本文档来自技高网...

【技术保护点】
1.基于DDADSM跨被试迁移学习脑电精神状态检测方法，其特征在于包括以下步骤：/n步骤(1)、对原始脑电数据进行预处理，然后对其划分后获取源域和目标域数据；/n定义带有标签的源域数据为

【技术特征摘要】
1.基于DDADSM跨被试迁移学习脑电精神状态检测方法，其特征在于包括以下步骤：
步骤(1)、对原始脑电数据进行预处理，然后对其划分后获取源域和目标域数据；
定义带有标签的源域数据为没有标签的目标域数据为其中xs，xt分别为源域和目标域的样本数据，ys为源域的类别数据，源域的样本数量为n，目标域的样本数量为m，源域的类别数为C；
源域数据和目标域的边缘概率分别定义为Ps(Xs)和Pt(Xt)，源域数据和目标域的条件概率分别定义为Qs(ys|Xs)和Qt(yt|Xt)，yt为目标域的类别数据；
步骤(2)、脑电信号的特征提取
采用公共空间模式算法进行共空间特征提取，将步骤(1)原始源域和目标域高维时域信号数据，通过共空间滤波器将其投影到低维空间；
步骤(3)、源域数据目标域数据双子空间映射
步骤(4)、动态数据分布适应对齐
对进行步骤(3)的源域和目标域子空间数据进行动态的边缘分布对齐和条件分布对齐，估算动态自适应系数η，并采用计算MMD距离的方式来分别计算源域和目标域数据的边缘概率和条件概率的分布距离；
步骤(5)、基于SRM原则构建全局学习分类器f，求解分类器系数矩阵β，进而求出目标域的标签。


2.如权利要求1所述的基于DDADSM跨被试迁移学习脑电精神状态检测方法，其特征在于步骤(2)具体是：
2.1将源域数据归一化并分别计算两类源域样本的协方差矩阵；
2.2根据步骤2.1得到的协方差矩阵累加并取平均，得到源域数据的混合空间协方差矩阵；
2.3计算步骤2.2得到的混合空间协方差矩阵的特征向量和特征值；
2.4对步骤2.3得到的特征值进行排序，选取最大值，求出白化特征值矩阵Q；
2.5将步骤2.1不同类别源域样本的协方差矩阵与步骤2.4得到的白化特征值矩阵Q进行变换，并做主分量分解得到共同特征向量N；共同特征向量N与白化特征值矩阵Q进行公式(1)运算可得到共空间滤波器G：
G＝NTQ(1)
其中T表示转置；
2.6若待分类任务具有多类，则重复步骤2.1-2.5得到所有共空间滤波器，并相加求平均得到最终的共空间滤波器G’，经过特征提取之后得到的共空间特征为：
Xs'＝G’×Xs
Xt'＝G’×Xt(2)
其中X′t,X′s分别表示经过共空间特征提取之后的源域和目标域共空间特征。


3.如权利要求1或2所述的基于DDADSM跨被试迁移学习脑电精神状态检测方法，其特征在于步骤(3)具体是：
所述源域数据和目标域数据双子空间模型表示如下：



其中α、θ、μ是平衡参数；
目标域特征方差采用公式(4)目标域数据的散度矩阵进行优化：



其中St表示目标域数据的散度矩阵，运算Tr()表示矩阵的迹；
源域类间方差采用公式(5)源域数据的最大化类间散度矩阵进行优化：



其中Sb是源域数据的类间散度矩阵；
源域类内方差采用公式(6)源域数据的最小化类内散度矩阵进行优化：



其中Sw是源域数据的类内散度矩阵；
上述A、B分别表示源域的投影子空间、目标域的投影子空间；是利用步骤(2)处理得到的源域和目标域共空间特征学习两个耦合的投影变换，即将源域和目标域的共空间特征投影到相应的两个低维投影子空间A、B内，利用matlab编程工具的计算特征值和特征向量的函数eigs()能够求解出子空间映射A和子空间映射B，其矩阵表示为：



其中，I是单位矩阵。


4.如权利要求3所...

【专利技术属性】
技术研发人员：孔万增，崔瑾，彭勇，张建海，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33