一种基于正则的RKHS子空间学习的BCI脑肌电信号识别制造技术

本发明专利技术提出一种基于正则的RKHS子空间学习的BCI脑肌电信号识别算法，结合源域数据LDA的辅助准则确定新的数据空间，也就是根据标签优化子空间的源域数据几何分布，具体方法是将子空间中同一类的源域数据尽可能靠近，不同类的数据尽可能远离，使得RKHS子空间上的源域与目标域数据分布合理，提高目标域数据的正确识别率。与KNN识别算法相匹配，因为本文提出的算法是将数据投影到其低维的子空间中，通过学习子空间添加源域LDA正则项，将同一类别数据尽可能靠近，不同类数据尽可能远离，使得子空间中源域数据分布更加匹配KNN分类器，同时使投影矩阵行稀疏，选出最有利于构造子空间的元素；用2范数来约束投影矩阵，这使得行稀疏正则化来选择最有用的特征。

【技术实现步骤摘要】
一种基于正则的RKHS子空间学习的BCI脑肌电信号识别
本文专利技术了一种基于正则的RKHS子空间学习的BCI脑肌电信号识别,基于BCI数据识别方法有很多可以从域自自适应相关角度解决问题，具体是基于正则的RKHS子空间学习的BCI脑肌点信号识别，最大限度的保持了BCI脑信号的类别信息。
技术介绍
近年来，脑机接口(BCI)系统通过脑电波(EEG)获取大脑信号，对其进行解码，然后转换为外部设备的控制命令，以便用户可以用思想与周围环境进行交互，而无需经过周围神经和肌肉的正常通路。通过这样的方式可以帮助瘫痪的人们与其周围的环境进行交互，改善他们的生活质量。但EEG信号非常微弱，容易被干扰和噪声污染。此外，个体的差异很难建立一个适用于所有主题的通用机器学习模型。通常，需要进行校准以收集新主题的某些主题特定数据，这既耗时又对用户不友好。研究人员提出了许多不同的方法，以减少这种校准工作。其中之一是域自适应。在BCI中，先前的研究，显示了域自适应可减轻主题或会话之间数据分布差异的有效性。域自适应(迁移学习的一种)在机器学习的各个领域引起了越来越多的关注，以克服训练样本与测试样本之间分布的差异。域自适应的方法是最大程度地减少特征空间中的分布差异，例如联合分布自适应(JDA)，联合几何和统计对齐(JGSA)，以及歧管嵌入式分布对齐(MEDA)。因为本文提出的算法是将数据投影到其低维的子空间中，如果我们不能明智地选择特征，那么我们将面临运用所有特征的危险，但仍不知道哪一个特征真正对算法至关重要，我们用范数来约束投影矩阵，这使得行稀疏正则化来帮助我们选择最有用的特征。
技术实现思路
本专利技术提出一种基于正则的RKHS子空间学习的BCI脑肌电信号识别算法，该算法是通过三个层次的演进构建的。在脑肌电数据中，一般来说，有标签的数据很难获得，所以高效地利用带有标签的源域数据是非常重要的。考虑到域自适应的目的就是利用源域数据的类别信息(标签)识别目标域数据的类别，本文提出源域数据LDA的辅助准则确定新的数据空间。也就是根据标签优化子空间的源域数据几何分布，提高对目标域的识别准确率。具体方法是将子空间中同一类的源域数据尽可能靠近，不同类的数据尽可能远离，使得RKHS子空间上的源域与目标域数据分布合理，提高目标域数据的正确识别率。与KNN识别算法相匹配，因为本文提出的算法是将数据投影到其低维的子空间中，如果我们不能明智地选择特征，那么我们将面临运用所有特征的危险，但仍不知道哪一个特征真正对算法至关重要，我们用2范数来约束投影矩阵，这使得行稀疏正则化来帮助我们选择最有用的特征。在专利技术中，我们为了解决EEG数据中源域和目标域的数据边缘概率分布不匹配的问题，我们提出了一个解决域自适应的方法,这个方法是将原始数据转换到RKHS中，然后再投影到其中的低维子空间。通过学习子空间添加源域LDA正则项，将同一类别数据尽可能靠近，不同类数据尽可能远离，使得子空间中源域数据分布更加匹配KNN分类器，同时使投影矩阵行稀疏，选出最有利于构造子空间的元素。在未来的工作中，我们将探索更有效的正则项。本专利技术的特点及其意义：(1)考虑到源域数据是有标签的数据，而目标域数据是无标签的数据，本文提出源域数据LDA的辅助正则项确定子空间，同时用KNN作为识别算法，KNN是利用源域数据的标签识别目标域数据的标签，所以目标域数据分布对识别准确率无影响，而源域分布是有影响的，我们的算法将同类源域数据方差尽量缩小，不同类源域数据方差尽量增大，从而最有利于提供目标域数据的正确识别率，极大地匹配了KNN算法。(2)由于投影到子空间时会进行数据降维，本文将投影矩阵行稀疏，从而选出最有利于的特征构造子空间，尽可能地减少数据的几何偏移。分别与四个对比算法对比，证明我们提出的算法有更好的识别率。附图说明图1：基于正则的RKHS子空间学习的BCI脑肌电信号识别算法。具体实施方式给出一组有字母和数字的组合代表一些含义，样本由向量表示，例如。数据集x的第i个样本由符号xi表示。对于矩阵M，矩阵M的迹由tr(M)表示。再生核希尔伯特空间(RKHS)定义(内积空间)：令H为实数域R上的线性空间，<·,·>:H→R，有下面的性质：(1)正定性对所有的x∈H,<x,x>≥0，且(2)对称性对于所有的x,y∈H,<x,y>＝<y,x>(3)双线性对于所有的x,y,z∈H和α,β∈R,<αx+βy,z>＝α<x,z>+β<y,z>则称<·,·>是H的内积，称(H,<·,·>)是一个内积空间。设x是内积空间(H,<·,·>)的一个元素，在內积空间中，范数根据内积定义：根据内积空正定的性质，有：于是，有也就是说，在内积空间中判断两个元素是不是相等，只要判断两个元素之间的差的范数是否等于0，等于0即相等。在一个内积空间中，如果所有的基本序列都是收敛序列，这样的内积空间称为完备的内积空间，也称为希尔伯特(Hilbert)空间。再生核希尔伯特空间(RKHS)的定义设是一个平方可积的函数空间，显然，H是一个线性空间。定义<·,·>:H×H→R，对于任意f,g∈H，可以证明，<·,·>是一个内积，而且(H,<·,·>)是一个Hilbert空间。进一步，如果存在k:Ω×Ω→R，满足(1)对于任意x∈Ω，kx＝k(·,x)∈H；(2)对于任意x∈Ω和f∈H，有f(x)＝<f,kx>＝<f(·),k(·,x)>，则称H是一个再生核希尔伯特空间(ReproducingKernelHilbertSpace,RKHS)，k称为H的再生核。利用再生核k，可以定义映射Ω→H：对于任意x∈Ω，可以证明希尔伯特子空间投影定理：定义(投影)设(H,<·,·>)是一个内积空间，A是H的一个子空间，x0∈H，如果x0可以分解为x0＝x′0+x″0，其中x′0∈A，<x′0,x″0>＝0，则称x′0是x0在子空间A中的投影。投影定理设(H,<·,·>)是一个内积空间，A是H的一个有限维子空间，{e1,…,ed}是A的标准正交基，x0∈H，则x0在子空间A中的投影x′0为：注1：A是H的有限维子空间，因而是完备的，也即A是一个Hilbert子空间，H中任何元素在A中的投影是存在的。注2：投影具有距离最小性：因此，在误差允许的范围内，我们常用x′0代替x0。注3：是x′0在标准正交基{e1,…,ed}上的坐标，在标准正交基保持不变的条件下，y0唯一表示x′0。在忽略投影误差的前提下，y0也可以代替x0，而y0是欧式空间Rd的元素，在数据处理上将带来极大的方便。基于正则的RKHS子空间学习的BCI脑肌电信号识别域本文档来自技高网...

【技术保护点】
1.一种基于正则的RKHS子空间学习的BCI脑肌电信号识别算法，其特征在于：/nA.基于RKHS子空间学习和MMD的领域自适应：给定原始数据空间Ω中的一组源域数据和一组目标域数据：

【技术特征摘要】
1.一种基于正则的RKHS子空间学习的BCI脑肌电信号识别算法，其特征在于：
A.基于RKHS子空间学习和MMD的领域自适应：给定原始数据空间Ω中的一组源域数据和一组目标域数据：其中源域数据Xs是有标签的，而目标域数据Xt是无标签的，需要利用Xs的标签识别Xt的标签。结合MMD域自适应框架，令N＝Ns+Nt利用上文节所提出的RKHS子空间学习框架；有i＝1,…,Nsi＝1,…,Nt。Ys和Yt的表达式中，矩阵W是未知的，代表RKHS的子空间，通过W的学习，使得Ys和Yt在欧式空间Rd的中达到我们想要的分布。
B...

【专利技术属性】
技术研发人员：马争鸣，袁雪敬，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44