一种用于运动想象脑机接口的隐私保护迁移学习方法技术

本发明专利技术属于基于运动想象的脑机接口领域，具体涉及一种用于运行想象脑机接口的隐私保护迁移学习方法，分为两个部分：1)以往用户模型训练，提出一种数据增强的手段，对每个样本的源域脑电信号进行随机弱化，得到增强后的源域脑电信号，提升模型的泛化性能；2)定义目标域模型，将源域模型的特征提取器和分类器均传递给目标域模型，得到初始目标域模型，固定分类器参数，并随机初始化M个辅助分类器，同时考虑不确定性降低和一致性正则化进行新用户模型训练，无需已知新用户的带标注数据，从而可以在更多的情况下使用。本发明专利技术解决的是运动想象脑机接口中的隐私保护迁移学习问题。本发明专利技术考虑了用户间差异并同时考虑保护以往用户的隐私不被泄露。隐私不被泄露。隐私不被泄露。

【技术实现步骤摘要】
一种用于运动想象脑机接口的隐私保护迁移学习方法


[0001]本专利技术属于基于运动想象的脑机接口领域，更具体地，涉及一种用于运行想象脑机接口的隐私保护迁移学习方法。

技术介绍

[0002]目前已有一些研究考虑运动想象脑机接口中的迁移学习问题。Zanini等人提出一种黎曼对齐的方法，通过计算用户参考状态下的信号协方差矩阵的均值，并将其变换到单位矩阵实现对齐。He和Wu提出一种欧式对齐方法，在欧式空间计算信号的协方差矩阵的均值并变换到单位矩阵完成对齐。Rodrigues等人提出将普氏分析与黎曼空间结合，进一步对齐不同用户的条件概率分布实现知识的迁移。Zhang和Wu提出了联合概率分布差异度量，结合源域判别性损失、目标域局部保持损失和参数正则化损失实现对齐。
[0003]然而现有方法均需要源域数据，这会对以往用户造成隐私威胁，亟待解决。

技术实现思路

[0004]针对现有技术的缺陷和改进需求，本专利技术提供了一种用于运行想象脑机接口的隐私保护迁移学习方法，其目的在于在不泄露以往用户的隐私的前提下提出一种迁移学习效果好的算法提升脑机接口系统在新用户上的表现。
[0005]为实现上述目的，按照本专利技术的一个方面，提供了一种用于运动想象脑机接口的隐私保护迁移学习方法，包括：
[0006]S1、随机初始化源域模型，源域代表以往用户；采集若干源域样本，每个样本包括源域脑电信号及其对应的标签信息；
[0007]S2、对每个样本的源域脑电信号进行随机弱化，得到增强后的源域脑电信号，计算所有增强后的源域脑电信号对应的第一切空间特征，采用第一切空间特征以及各个源域样本对应的所述标签信息，更新源域模型参数；
[0008]S3、重复S2，直至达到训练迭代终止条件，得到训练好的源域模型
[0009]S4、将源域模型的特征提取器和分类器均传递给目标域模型，得到初始的目标域模型，并随机初始化M个辅助分类器；同时采集若干个目标域脑电信号样本，计算所有目标域脑电信号样本对应的第二切空间特征；
[0010]S5、将第二切空间特征输入目标域模型的特征提取器，得到每个目标域脑电信号样本的特征向量，并对该特征向量进行M次随机扰动得到M个扰动后特征向量；将每个样本对应的扰动前的特征向量输入目标域模型的分类器以及将M个扰动后特征向量对应输入M个辅助分类器，得到对应的输出，以计算目标域模型的不确定损失和一致性损失，用于更新目标域模型的特征提取器以及M个辅助分类器的参数，目标域模型分类器参数固定；
[0011]S6、重复S5，直至达到训练迭代终止条件，得到训练好的目标域模型，完成用于运动想象脑机接口的隐私保护迁移学习，其中，目标域为新用户。
[0012]进一步，所述S1还包括：确定通道弱化概率和弱化系数；并计算所有源域样本的源
域脑电信号协方差矩阵之间的黎曼均值；
[0013]则计算第一切空间特征的实现方式为：
[0014]采用所述通道弱化概率选择每个源域脑电信号的待弱化通道；根据所述弱化系数为该源域脑电信号的每个待弱化通道随机生成弱化强度；将该通道的信号与其对应的该弱化强度相乘得到该通道的增强信号，最终得到增强后的源域脑电信号；
[0015]根据所述黎曼均值和所有增强后的源域脑电信号，计算源域脑电信号的第一切空间特征。
[0016]进一步，所述弱化系数λ∈[0，1)。
[0017]进一步，所述弱化强度λ
c
～U(λ，1)，U表示均匀分布，依此进行随机生成弱化强度。
[0018]进一步，所述第二切空间特征的计算方式为：
[0019]计算每个目标域脑电信号样本的协方差矩阵及其对应的黎曼均值；
[0020]根据计算得到的协方差矩阵和其黎曼均值计算切空间特征。
[0021]进一步，所述M次随机扰动的实现方式为：
[0022]随机取M个不同的比例p
d
；其中，p
d
～U(0，1)，U表示均匀分布，依此进行随机选取；
[0023]对特征向量中的特征从大到小进行排序，并根据每个比例p
d
，使用零来替换较小的特征，得到一个扰动后的特征向量。
[0024]进一步，所述不确定损失的计算方式为：
[0025]根据目标域模型g
t
关于第i个目标域脑电信号样本的切空间特征的输出计算温度缩放后第i个目标域脑电信号样本属于第k类的概率
[0026]根据不同目标域脑电信号样本预测的不确定性进行样本加权，得到样本权重w
i
，其中，n
t
表示目标域脑电信号数据样本的个数，K为总类别个数；
[0027]计算每个类别的类别权重
[0028]计算不确定性损失其中，a为常数。
[0029]进一步，所述更新目标域模型的特征提取器以及M个辅助分类器的参数是依据总损失进行更新，其中，β为平衡参数。
[0030]进一步，β＝0.1。
[0031]本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种用于运动想象脑机接口的隐私保护迁移学习方法。
[0032]总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：
[0033](1)本专利技术要解决的是运动想象脑机接口中的隐私保护迁移学习问题，考虑用户间差异并同时考虑保护以往用户的隐私不被泄露，旨在不泄露以往用户的隐私的前提下提出一种迁移学习效果好的算法提升脑机接口系统在新用户上的表现。
[0034](2)本专利技术提出一种基于数据增强的无源域数据的迁移学习方法，其分为两个部分：1)以往用户模型训练，提出一种数据增强的手段，用于增强运动想象脑电数据训练模型，提升模型的泛化性能；2)新用户模型训练，根据以往用户传递过来的模型，同时考虑不确定性降低(不确定性损失)和一致性正则化(一致性损失)，这种方法无需已知新用户的带标注数据，从而可以在更多的情况下使用。
[0035](3)本方法只需要以往用户提供模型，就可以完成迁移学习，可以保护以往用户的隐私。因此，这种方法可以作为针对运动想象脑机接口的隐私保护方法，在保护用户的隐私的情况下提高系统在新用户上判断的准确率。
附图说明
[0036]图1为本专利技术实施例提供的一种用于运动想象脑机接口的隐私保护迁移学习方法的示意图；
[0037]图2为本专利技术实施例提供的一种用于运动想象脑机接口的隐私保护迁移学习方法流程框图。
具体实施方式
[0038]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0039]Lotte等人提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于运动想象脑机接口的隐私保护迁移学习方法，其特征在于，包括：S1、随机初始化源域模型，源域代表以往用户；采集若干源域样本，每个样本包括源域脑电信号及其对应的标签信息；S2、对每个样本的源域脑电信号进行随机弱化，得到增强后的源域脑电信号，计算所有增强后的源域脑电信号对应的第一切空间特征，采用第一切空间特征以及各个源域样本对应的所述标签信息，更新源域模型参数；S3、重复S2，直至达到训练迭代终止条件，得到训练好的源域模型S4、将源域模型的特征提取器和分类器均传递给目标域模型，得到初始的目标域模型，并随机初始化M个辅助分类器；同时采集若干个目标域脑电信号样本，计算所有目标域脑电信号样本对应的第二切空间特征；S5、将第二切空间特征输入目标域模型的特征提取器，得到每个目标域脑电信号样本的特征向量，并对该特征向量进行M次随机扰动得到M个扰动后特征向量；将每个样本对应的扰动前的特征向量输入目标域模型的分类器以及将M个扰动后特征向量对应输入M个辅助分类器，得到对应的输出，以计算目标域模型的不确定损失和一致性损失，用于更新目标域模型的特征提取器以及M个辅助分类器的参数，目标域模型分类器参数固定；S6、重复S5，直至达到训练迭代终止条件，得到训练好的目标域模型，完成用于运动想象脑机接口的隐私保护迁移学习，其中，目标域为新用户。2.根据权利要求1所述的一种用于运动想象脑机接口的隐私保护迁移学习方法，其特征在于，所述S1还包括：确定通道弱化概率和弱化系数；并计算所有源域样本的源域脑电信号协方差矩阵之间的黎曼均值；则计算第一切空间特征的实现方式为：采用所述通道弱化概率选择每个源域脑电信号的待弱化通道；根据所述弱化系数为该源域脑电信号的每个待弱化通道随机生成弱化强度；将该通道的信号与其对应的该弱化强度相乘得到该通道的增强信号，最终得到增强后的源域脑电信号；根据所述黎曼均值和所有增强后的源域脑电信号，计算源域脑电信号的第一切空间特征。3.根据权利要求2所述的一种用于运动想象脑机接口的隐私保护迁移学习方法，其特征在于，所述弱化系数λ∈[0，1)。4.根据权利要求3所述的一种用于运动想象脑机...

【专利技术属性】
技术研发人员：伍冬睿，夏坤，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：