一种运动想象迁移学习的源域样本筛选方法技术

本发明专利技术公开了一种运动想象迁移学习的源域样本筛选方法，包括以下步骤：截取受试者的脑电信号作为运动想象数据；将一名受试者的运动想象数据设为测试集，其他受试者的数据设为训练集；使用EA对齐方法对测试集和训练集的脑电信号进行对齐；使用TS算法对训练集进行过滤运算，得出最终的源域训练集；利用CSP提取脑电信号中的特征；利用最终的源域训练集数据调整LDA参数，对测试集数据进行分类，识别受试者的运动想象的具体肢体部位。通过对齐从本质上减少了源域样本与目标样本间的差异，再剔除与目标样本差异较大的源域样本，最大化地减少两者之间的差异。之间的差异。之间的差异。

【技术实现步骤摘要】
一种运动想象迁移学习的源域样本筛选方法


[0001]本专利技术属于运动想象迁移学习领域，尤其涉及一种运动想象迁移学习的源域样本筛选方法。

技术介绍

[0002]迁移学习通过学习相关领域的知识来提高目标领域的分类效果，目前在脑机接口领域已经有了较大的进展。然而由于脑电信号幅度微弱且复杂，因此即使进行相同的活动，不同的人的脑电信号也不完全相同，因此，将直接使用其他受试者的样本进行训练而得到的分类器，应用在目标受试者上，很容易造成准确率下降，也就是负迁移。
[0003]中国专利CN 111728609 A公开了一种“脑电信号的分类方法、分类模型的训练方法、装置及介质”，通过对脑电信号进行特征提取，得到脑电信号对应的信号特征，获取差异分布比例，所述差异分布比例用于表征不同类型的差异分布对信号特征和源域特征在特征域上的分布产生的影响，再根据差异分布比例将信号特征与源域特征进行对齐，得到对齐后的信号特征；对对齐后的信号特征进行分类，得到脑电信号对应的运动想象类型。该方法可以使得脑电信号分类模型基于迁移学习的思想识别多种类型的脑电信号，但是该方法在减少受试者之间的差异上存在不足，造成准确率下降。

技术实现思路

[0004]针对上述脑电信号采样受试者存在差异，造成测试结果准确率下降的问题，本专利技术提供一种结合EA与TS的源域样本筛选方法，最大化地减少受试者间的差异，达到提高准确率的效果。
[0005]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：本专利技术包括以下步骤：S1截取受试者的脑电信号作为运动想象数据；S2将一名受试者的运动想象数据设为测试集，其他受试者的数据设为训练集；S3使用EA对齐方法对测试集和训练集的脑电信号进行对齐；S4使用TS算法对训练集进行过滤运算，得出最终的源域训练集；S5利用CSP提取脑电信号中的特征；S6利用最终的源域训练集数据调整LDA参数，对测试集数据进行分类，识别受试者的运动想象的具体肢体部位。
[0006]其中所述步骤S5中CSP是通过空间滤波的形式提取脑电信号的特征信息。具体来说，CSP通过寻找最优的空间滤波器，可以有效地使得两类信号的差异最大。
[0007]所述步骤S6中LDA是一种有监督的分类器，把输入的样本数据经过投影转变到低维的空间。在这个空间中，使得样本数据的类内距离尽可能小，类间距离尽可能大后，再对其进行分类。
[0008]结合EA与TS的优势提出了的ETS，该算法先通过对齐从本质上减少了源域样本与目标样本之间的差异，再剔除与目标样本差异较大的源域样，得到新的源域样本，最大化地
减少受试者间的差异。
[0009]作为优选，所述步骤S1具体包括：使用8
‑
30Hz的带通滤波器处理目标信号消除肌肉伪影、线噪声污染和直流漂移，截取运动想象提示信号后0.5
‑
3.5秒的脑电信号作为运动想象数据。所述带通滤波器过滤频带过宽会影响滤波效果。
[0010]作为优选，所述步骤S3具体包括：S31计算测试集运动想象实验协方差矩阵的算数平均值；S32将所有运动想象数据X
i
向协方差矩阵的算数平均值上投影，得到对齐后的脑电数据；S33对齐后，得到受试者n个样本的平均协方差矩阵。
[0011]将受试者每个样本的数据投影至所有样本的平均协方差矩阵上，可以减少受试者间的差异，从而减少负迁移。
[0012]作为优选，所述步骤S31中协方差矩阵的算数平均值具体为：其中为协方差矩阵的算数平均值，X
i
为受试者第i次运动想象实验的脑电数据，n表示受试者进行的实验次数。
[0013]作为优选，所述步骤S32所述的脑电数据为：其中表示想象数据X
i
在上的投影。
[0014]所述步骤S33中平均协方差矩阵为：
[0015]可知通过EA后，来自不同受试者的样本之间的距离将会为零，因为所有受试者的平均协方差矩阵都为单位矩阵，这对迁移学习来说是非常有利的。
[0016]作为优选，所述步骤S4具体包括：S41将测试集设置为目标样本将训练集设置为源域样本S42计算每个对齐后的样本与两两之间的协方差矩阵之间的欧式距离；S43根据S42中得到的距离，选出每个目标样本最近的k个源域样本；S44从选出的k*n个源域样本中，去除重复样本，得到最终的源域训练集。
[0017]所述步骤S4的目的是通过剔除与目标样本较远的源域样本，从而减少参加训练的源域样本与目标样本之间的差异。
[0018]作为优选，所述步骤S41中欧式距离为：其中，N∈l
······
n
t
*n
s
，d
N
表示与之间的欧式距离，表示对齐后的第i个目标样本，表示对齐第j个源域样本。
[0019]本专利技术的有益效果：
1.本专利技术采用欧氏空间中的脑电数据对齐方法EA，将受试者的每个样本数据向所有样本的平均协方差矩阵投影，减少受试者之间的差异，从而减少负迁移；2.本专利技术采用的TS算法，通过剔除与目标样本距离较远的源域样本，得到新的源域样本，进而减少参加训练的源域样本与目标样本之间的差距；3.本专利技术结合EA与TS的优势提出了的ETS，该算法先通过对齐从本质上减少了源域样本与目标样本之间的差异，再剔除与目标样本差异较大的源域样，得到新的源域样本，最大化地减少受试者间的差异。
附图说明
[0020]图1是本专利技术的一种流程图。
具体实施方式
[0021]本文中所描述的具体实施例仅仅是对本专利技术精神作举例说明。
[0022]实施例：本实施例的一种运动想象迁移学习的源域样本筛选方法，如图1所示，包括：1、截取受试者的脑电信号作为运动想象数据，具体包括使用截止频率为8
‑
30HZ的带通滤波器消除目标信号的肌肉伪影、线噪声污染和直流漂移，然后截取运动想象提示信号后0.5
‑
3.5秒的脑电信号作为运动想象数据。
[0023]2、将一名受试者的运动想象数据设为测试集，其他受试者的数据设为训练集。
[0024]3、对受试者的运动想象数据进行预处理，所述数据预处理包括EA对齐和TS样本筛选，所述EA可以使来自不同受试者的数据分布更加相似，而且不需要来自新受试者的任何标记数据，计算成本也较低；所述TS样本筛选是计算对齐后的源域样本与目标样本两两之间的欧氏距离，选出距离每个目标样本最近的k个源域样本。将选出的所有样本去除重复样本后(只保留一个)作为最终的源域训练集。
[0025]所述EA对齐具体步骤包括：3.11、计算测试集运动想象实验协方差矩阵的算数平均值：其中，X
i
表示受试者第i次运动想象实验的脑电数据，n表示受试者进行的实验次数；3.21、将所有运动想象数据X
i
在上进行投影，得出对齐之后的脑电数据：其中表示想象数据X
i
在上的投影3.31、受试者n个样本的平均协方差矩阵为：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运动想象迁移学习的源域样本筛选方法，其特征在于，包括以下步骤：S1截取受试者的脑电信号作为运动想象数据；S2将一名受试者的运动想象数据设为测试集，其他受试者的数据设为训练集；S3使用EA对齐方法对测试集和训练集的脑电信号进行对齐；S4使用TS算法对训练集进行过滤运算，得出最终的源域训练集；S5利用CSP提取脑电信号中的特征；S6利用最终的源域训练集数据调整LDA参数，对测试集数据进行分类，识别受试者的运动想象的具体肢体部位。2.根据权利要求1所述的一种运动想象迁移学习的源域样本筛选方法，其特征在于，所述步骤S1具体包括：使用8
‑
30Hz的带通滤波器处理受试者脑电信号，消除肌肉伪影、线噪声污染和直流漂移，截取运动想象提示信号后0.5
‑
3.5秒的脑电信号作为运动想象数据。3.根据权利要求1所述的一种运动想象迁移学习的源域样本筛选方法，其特征在于，所述步骤S3具体包括：S31计算测试集运动想象实验协方差矩阵的算数平均值；S32将所有运动想象数据X
i
向协方差矩阵的算数平均值上投影，得到对齐后的脑电数据；S33对齐后，得到受试者n个样本的平均协方差矩阵。4.根据权利要求3所述的一种运动想象迁移学习的源域样本筛选方法，其特征在于...

【专利技术属性】
技术研发人员：祝磊，楚超，杨君婷，张建海，何光发，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：