【技术实现步骤摘要】
基于域对抗网络的跨用户EEG信号融合识别方法
[0001]本专利技术涉及计算机网络
,其中涉及基于域对抗网络的跨用户EEG信号融合识别方法。
技术介绍
[0002]随着科技的成熟,脑科学成为人类探索生命奥秘的重要研究领域。脑科学主要研究大脑的结构和机制,为了分析大脑的电活动,脑电信号被广泛地应用于脑科学的各个领域。脑电信号主要在人机交互和神经系统疾病诊断两个方面提供辅助,可帮助人机交互系统实现语音识别、情感检测、用户体验评价和康复。它还为医生和研究人员诊断与脑功能障碍相关的疾病,如阿尔茨海默病、癫痫、精神分裂症、脑性瘫痪和轻度认知障碍提供了有用的工具。
[0003]脑电信号的识别需要大量的带标签脑电数据用作训练。由于大脑的复杂性导致脑电信号具有非平稳、非线性的特性,且脑电信号的特征受年龄、心理等个体差异的影响较大,同一事件不同个体以及同一个体在不同时间的脑电信号可能存在差异。同时,脑电信号具有较高的噪声,容易受到人为干扰而产生失真。为单一用户采集大量且有效的带标签脑电信号耗时费力。故而,该方法希望通过迁移学习来利用现有的带标签脑电数据对新数据进行学习,以此避开脑电数据采集困难的问题。
[0004]域适应是迁移学习中一个重要的分支,目的是把具有不同分布的源域和目标域中的数据,映射到同一个特征空间,寻找某一种度量准则,使其在这个空间上的
″
距离
″
尽可能近。然后,在源域上训练好的分类器,就可以直接用于目标域数据的分类。域对抗网络将域适应引入到对抗网络中,通过同时优 ...
【技术保护点】
【技术特征摘要】
1.基于域对抗网络的跨用户EEG信号融合识别方法,其特征在于,具体步骤为:S1对多被试多分类的EEG数据集进行预处理;S2每个被试的数据都会轮流作为目标域数据,同时其他被试的数据作为不同的源域数据,每组源域数据都会与目标域训练数据训练生成一个域对抗网络模型,用于识别测试数据;S3利用每个域对抗网络模型计算出的特征信息和类别信息分别对测试数据的实际类别进行分析,得到多个域对抗网络模型对测试数据的辅助决策信息;S4构建信息融合模型,对多个对抗网络模型识别结果进行融合优化,使得多个对抗网络模型决策一致性最大化,用于返回优化的目标域数据识别的结果;S5对比测试数据的实际结果与相应的预测结果来评价所提算法的性能。2.根据权利要求1所述的基于域对抗网络的跨用户EEG信号融合识别方法,其特征在于,所述步骤S1具体包括:S11源域数据为带标签数据,目标域数据为无标签数据;源域数据记为其中X
S,i
∈R
c
×
t
表示源域中第i个EEG数据,y
S,i
∈{1,...,l}表示源域中X
S,i
数据对应的标签,c表示脑电信号的通道数,t表示时域样本数量,l表示类别数;目标域数据记为其中X
T,i
∈R
c
×
t
;S12使用EEGLAB工具箱对数据进行预处理,根据EEG数据的类别采用合理的预处理方式;若EEG数据为ERN类型数据,则将滤波器的范围改为1
‑
40Hz。通过滤波去除掉EEG数据中的肌肉伪影和直流漂移;S13截取EEG数据集中的有效部分作为输入数据,剔除例如休息时间、准备时间等无效数据。3.根据权利要求1所述的基于域对抗网络的跨用户EEG信号融合识别方法,其特征在于,所述步骤S2具体包括:S21预处理结束后,取一个被试的数据作为目标域数据,其他被试的数据会作为不同的源域数据,将目标域数据按7∶3分为训练数据和测试数据,训练数据将和每一个源域数据作为训练集训练不同的域对抗网络;由于每个数据都会轮流作为目标域数据,假设数据集共包含M个被试的数据,则会有M(M
‑
1)个单源域对单目标域的迁移任务;S22域对抗网络由特征提取器G
f
、类别预测器G
y
、域判别器G
d
三个部分组成。给定数据点(x
i
,y
i
),负对数似然作为损失函数,其标签预测器的损失为:其中G
f
(x
i
)是特征提取器G
f
从数据x
i
中提取的特征向量,表示预测为y
i
的概率;同时,域判别器的损失为:L
d
(G
d
(G
f
(x
i
)),d
i
)=
‑
(d
i
log(G
d
(G
f
(x
i
)))+(1
‑
d
i
)log(G
d
(G
f
(x
i
))))其中,d
i
表示第i个样本的二元标签,用来表示这个样本属于源域还是目标域;G
d
(G
f
(x
i
))表示对G
f
(x
i
)的域预测值;S23由标签...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。