基于多源流形嵌入迁移的脑电信号分类方法技术

本发明专利技术公开了一种基于多源流形嵌入迁移的脑电信号分类方法。本发明专利技术首先进行多通道脑电信号采集并预处理。然后提取信号的协方差特征，利用线性变换矩阵最小化源域和目标域的KL距离对齐两者的边缘概率分布。随后提取迁移后源域样本和目标域样本的切线空间特征以获得样本的向量表示，接着利用联合分布对齐JDA适配源域和目标域的联合概率分布，最后利用最小化风险准则SRM对适配后的源域样本训练域不变的分类器，对目标域样本进行分类得到测试结果。本发明专利技术利用其他多个源域受试者的有标签样本的知识迁移到目标域受试者无标签样本，解决了BCI系统中个体差异性以及校准时间长的问题，为BCI的便捷应用提供了理论依据。为BCI的便捷应用提供了理论依据。为BCI的便捷应用提供了理论依据。

【技术实现步骤摘要】
基于多源流形嵌入迁移的脑电信号分类方法


[0001]本专利技术属于模式识别领域，是一种针对运动想象脑电信号利用其它对象的有标签脑电数据对目标对象的无标签脑电数据进行迁移分类的方法。

技术介绍

[0002]脑机接口技术(BCI)是一种不依赖于人体神经和肌肉组织的正常传输通路，而直接进行人脑与外界之间信息交流的人机交互系统，对于活动能力缺失患者的能力恢复和功能训练具有重要意义，可以为意识障碍和中风患者的康复提供很大的帮助。患者可以通过该技术实现机械设备的控制，完成所需的动作。脑电信号(EEG)由于无需手术、使用方便的优点是BCI系统中使用最为广泛的信号。
[0003]基于EEG的BCI系统已经取得了相当多的进展并应用于各个领域，但是考虑到EEG信号的特点：不平稳性、个体差异性问题，基于MI
‑
EEG的应用仍需要在使用前进行一定时间的校准阶段，为的是获取足够的标记数据，来训练特定于受试者的算法模型。然而就算是同一受试者，不同时间如上午和下午的EEG信号仍存在相当大的差异，如果在每次使用前都需要枯燥费时的校验阶段无疑为BCI的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多源流形嵌入迁移的脑电信号分类方法，其特征在于：该方法包括以下主要步骤：步骤(1)：多通道脑电信号采集并进行预处理，具体为：采集源域受试者有标签和目标域受试者的无标签多通道脑电信号；接着利用带通滤波器对脑电信号进行8～35Hz的低通滤波，用于脑电信号特征迁移；步骤(2)：提取协方差特征，对源域样本特征和目标域样本特征进行边缘分布对齐，具体为：对源域每个样本的协方差进行线性变换，通过KL距离最小化变换后的源域平均协方差和目标域的平均协方差来对齐两者的边缘概率分布；令N
s
(0,C
s
)为源域特征的平均分布，C
s
为整个源域样本的平均协方差，N(0,A
T
C
s
A)为目标域特征的平均分布，其中A为线性变换矩阵；C
t
为整个目标域样本的平均协方差，需要求解的线性变换矩阵A使得C
s
与C
t
间的KL距离尽可能的小，则相应的最优化函数为：对其微分并等于零可得：求得线性变换矩阵A的解为：步骤(3)：将对齐后的源域协方差矩阵和目标协方差矩阵提取切线特征，具体为：x
i
＝upper(P
‑
1/2
Log
P
(P
i
)P
‑
1/2
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，upper(
·
)是拉直对称矩阵的上三角操作，P为切空间中任意一点，P
i
...

【专利技术属性】
技术研发人员：佘青山，汲继跃，张波涛，王坚，陈云，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：