一种基于多流形嵌入式分布对齐的领域自适应方法技术

本发明专利技术公开了一种针对于脑机接口的跨域脑电信号识别方法，本发明专利技术是在特征层面处理数据，利用黎曼流形的空间性和可计算性来提取不同受试者的脑电信号的切空间特征，然后将其映射到格拉斯曼流形上进行深层次的领域自适应操作。在域适应中，同时考虑源域和目标域数据的几何和统计属性，首次使用了伪标签更新目标域散度矩阵使类间距离最大化和类内距离最小化。来自BCI的数据集用于验证该发明专利技术的有效性。在这两种实验范例下，该发明专利技术获得了优秀的结果。跨域脑电信号识别是未来脑机接口走向实践的一个富有潜力的方向，在此方面本发明专利技术具有一定的积极意义。定的积极意义。定的积极意义。

【技术实现步骤摘要】
一种基于多流形嵌入式分布对齐的领域自适应方法


[0001]本专利技术属于生物信号处理领域，涉及一种针对于脑机接口的跨域脑电信号识别方法。

技术介绍

[0002]脑机接口(BCI)逐渐成为一种新的通信途径，通过直接将人们的神经元活动解码成特定的命令来操纵外部硬件设备。在头皮脑电信号(EEG)中，通常缺乏大量有标签样本来用于传统机器学习中的训练模型，进行数据标注时费时费力，给我们带来了很大的阻碍。并且，不同的用户对相同的刺激也有不同的神经反应，即使是相同的用户也可以在不同的时间和地点对相同的刺激有不同的神经反应。对于如何解决不同脑电信号差异性，将他人的脑电数据能够用于其他人的训练是一个富有挑战性的问题。
[0003]迁移学习不同于传统机器学习，它取消了训练和测试样本位于相同的特征空间中，并具有相同分布的假设。它的核心是利用算法来最大限度地利用有标注的领域知识，来辅助目标领域的知识获取和学习。简而言之就是寻找到源域和目标域的相似性。因此能够解决不同脑电信号差异性问题，在EEG领域中得到广泛的关注。
[0004]迁移学习面临着如何迁移的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多流形嵌入式分布对齐的领域自适应方法，其特征在于，该方法具体包括以下步骤：给定一个源域有标签数据集D
s
＝{X
S
，Y
S
}和目标域的一个无标签数据集D
t
＝{X
T
}，其中X
S
表示源域数据，Y
S
表示源域标签；n
s
，n
t
分别用来表示源域和目标域的样本数，D是数据实例的维数；并且例的维数；并且用A，B表示子空间映射后的源域和目标域；设定假设条件为在特征空间上X
S
＝X
T
，在标签空间上Y
S
＝Y
T
，但在边际概率上P
S
(X
S
)≠P
T
(X
T
)和条件概率上Q
S
(Y
S
|X
S
)≠Q
T
(Y
T
|X
T
)；经过格拉斯曼流形的映射后源域依旧使用X
S
来表示，目标域用X
T
来表示；步骤一，将原始信号在黎曼流形中进行质心对齐并且提取各域的切空间特征；在提取黎曼流形的切空间特征时需要利用黎曼均值与切线空间映射；在黎曼几何中两个SPD矩阵SPD1和SPD2之间的黎曼距离为：其中‖
·
‖
F
是F范数；的黎曼均值为:在切空间映射中它将每一个协方差矩阵P
i
投影到黎曼均值上的黎曼流形的切空间上：其中，upper为取矩阵上三角元素；步骤二，将各自域的切空间特征统一映射入格拉斯曼流形中；格拉斯曼流形问题设定为：假如W是n维向量空间，考虑W中全体k维子空间构成的集合G＝Grass(k，W)，因为G上有自然的流形结构，因此它被称为格拉斯曼流形；流形空间中的特征被表示为z＝φ(t)
T
x，其中φ(t)
T
为投影矩阵；变换后的特征Z
i
和Z
j
的内积定义了一个半正定的测地线流式核:步骤三，在统一的流形空间内进行域适应操作；域适应方法具体如下：1)目标域类内类间散度矩阵保持数据差异属性；在子空间的映射过程中，根据流形的假设，两个不同的样本在原始空间的距离关系与映射空间的距离关系保持一致，通过下式来保留目标域数据的可区分性：
其...

【专利技术属性】
技术研发人员：高云园，刘易赐，范凌霄，佘青山，张卷卷，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：