一种基于Wasserstein距离的运动想象脑电迁移学习方法技术

本发明专利技术公开了一种基于Wasserstein距离的运动想象脑电迁移学习方法，包括步骤：1)采用运动想象脑电信号作数据集；2)所采集到的数据集经过预处理操作，根据不同的受试者和带标签与否数据分为源域和目标域，迁移学习目的为使用带标签的源域数据提升无标签目标域数据的分类准确率；3)设计深度迁移学习模型，使用深度迁移学习模型在源域数据上进行预训练，训练得出的深度迁移学习模型用于迁移学习的下一阶段；4)对特定的源域和目标域，使用Wasserstein距离进行对抗训练，得到可以用于目标域分类的深度迁移学习模型；5)计算深度迁移学习模型在目标域上的分类准确率和kappa系数。本发明专利技术方法有效运用现有数据，泛化能力强，并具有良好的迁移效果。

【技术实现步骤摘要】
一种基于Wasserstein距离的运动想象脑电迁移学习方法
本专利技术涉及脑电信号检测的
，尤其是指一种基于Wasserstein距离的运动想象脑电迁移学习方法。
技术介绍
脑机接口(brain-computerinterface，简称BCI)，指在人或动物大脑与外部设备或计算机之间创建的直接连接，实现脑与设备的信息交换。对脑机接口的研究已持续了超过40年了。20世纪90年代中期以来，面向运动的脑机接口经历了迅速的发展。目前，脑机接口作为一种新型的人机交互方式正在逐渐成为脑科学研究的热门课题，在康复训练、高危作业、心理认知等领域具有很大的应用前途。脑机接口利用源自脑部的神经生理信号来控制外部设备或计算机，而无需任何实际动作。简而言之，脑机接口能够提取用户的脑电信号，经过特定信号处理，模式识别等技术把脑电信号转换成输出控制信号使得特定的计算机系统执行相应操作。根据检测信号传感器的安置方式，脑机接口分为有创植入电极的侵入式脑机接口和无创头皮电极的非侵入式脑机接口。在非侵入式脑机接口中，EEG(electroencephalogram本文档来自技高网...

【技术保护点】
1.一种基于Wasserstein距离的运动想象脑电迁移学习方法，其特征在于，包括以下步骤：/n1)脑电数据采集/n采用视觉提醒的方法引导受试者进行运动想象实验，提取受试者运动想象脑电信号作为数据集；/n2)数据预处理/n对步骤1)所采集到的数据集进行预处理操作，作为深度迁移学习模型的数据集；/n3)使用深度迁移学习模型预训练运动想象脑电信号/n应用于运动想象脑电信号的迁移学习为无监督迁移学习，所用数据分为源域数据和目标域数据，这里源域和目标域数据是指两个不同受试者的运动想象脑电信号数据，使用深度迁移学习模型在源域数据上进行预训练，训练得出的深度迁移学习模型用于迁移学习的下一阶段；/n4)使用...

【技术特征摘要】
1.一种基于Wasserstein距离的运动想象脑电迁移学习方法，其特征在于，包括以下步骤：
1)脑电数据采集
采用视觉提醒的方法引导受试者进行运动想象实验，提取受试者运动想象脑电信号作为数据集；
2)数据预处理
对步骤1)所采集到的数据集进行预处理操作，作为深度迁移学习模型的数据集；
3)使用深度迁移学习模型预训练运动想象脑电信号
应用于运动想象脑电信号的迁移学习为无监督迁移学习，所用数据分为源域数据和目标域数据，这里源域和目标域数据是指两个不同受试者的运动想象脑电信号数据，使用深度迁移学习模型在源域数据上进行预训练，训练得出的深度迁移学习模型用于迁移学习的下一阶段；
4)使用Wasserstein距离训练深度迁移学习模型
使用经过源域数据预训练的深度迁移学习模型得到源域数据和目标域数据的中间层输出特征，通过计算和比较源域特征和目标域特征的Wasserstein距离，找出适用于特定目标域的源域；对特定的源域数据和目标域数据，使用Wasserstein距离进行对抗训练，得到能够用于目标域数据分类的深度迁移学习模型；
5)计算深度迁移学习模型在目标域数据上的分类准确率和kappa系数
深度迁移学习模型对目标域数据的输出结果即为目标域数据所属类别的概率，取其中概率最大的类别为目标域数据的分类结果，进一步计算目标域数据的分类准确率和kappa系数。


2.根据权利要求1所述的一种基于Wasserstein距离的运动想象脑电迁移学习方法，其特征在于：在步骤1)中，运动想象实验采用BCI系统，具有22个导联电极通道，且采样频率为250Hz；运动想象实验的具体流程：受试者注视给定屏幕，0-2s，屏幕上显示符号，提醒受试者准备开始试验；2-3.25s，屏幕上出现一个指示箭头，方向或上、或下、或左、或右；3-6s，受试者根据指示进行或舌头、或双脚、或左手、或右手的运动想象任务；6-7.5s，屏幕上的指示箭头消失，受试者放松休息；单次运动想象任务的运动想象脑电信号作为单个实例用于迁移学习，运动想象脑电信号的分类为四类，分别代表受试者对舌头、双脚、左右、右手四个身体部位的运动想象。


3.根据权利要求1所述的一种基于Wasserstein距离的运动想象脑电迁移学习方法，其特征在于：在步骤2)，数据预处理包括以下步骤：
2.1)截取单次运动想象任务的2.5-6s的运动想象脑电信号作为输入，即单个实例Nelec个通道，每个通道Nt个采样点；
2.2)对输入信号的每个通道使用3阶的0-38Hz的低通滤波，提取出适用于分类的频率特征，再对输入信号的每个通道使用移动平均去噪滤波。


4.根据权利要求1所述的一种基于Wasserstein距离的运动想象脑电迁移学习方法，其特征在于：在步骤3)中，对于无监督迁移学习、深度迁移学习模型和预训练，有以下解释：
无监督迁移学习数据来源表示为Xs和Xt，其中Xs为源域，Xt为目标域，其中源域数据有分类标签，目标域数据无分类标签；无监督迁移学习的任务是利用源域数据提升模型对目标域数据的分类效果；
深度迁移学习模型包括特征提取器、分类器和域判别器，其中，特征提取器以运动想象脑电信号为输入，提取出高维抽象的数据特征，即高维数据特征；分类器以特征提取器输出的高维数据特征为输入，实现对运动想象脑电信号的分类；域判别器以特征提取器输出的高维数据特征为输入，实现对运动想象脑电信号来源于源域或者目标域的分类；
预训练是使用源域数据对深度迁移学习模型的特征提取器和分类器进行有监督的训练，得到能够对源域数据进行有效分类的深度迁移学习模型，为下一步对目标域数据的迁移学习作准备。


5.根据权利要求4...

【专利技术属性】
技术研发人员：罗浩远，顾正晖，俞祝良，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44