一种头皮脑电信号的在线多特征空间迁移识别方法技术

本发明专利技术涉及医学技术领域，具体涉及一种头皮脑电信号的在线多特征空间迁移识别方法，包括以下步骤：步骤1，建立脑电信号多视角源域数据集，用于模型训练；步骤2，针对每一个视角，计算所有源域数据集中的样本到待识别目标的欧式距离，并以此距离作为特征，进行聚类分析，然后选择离待识别目标最近的聚类中心所在簇作为迁移源域；步骤3，设置模型参数λ1,λ2,λ3，利用步骤2中选择的源域和目标域中的校正样本进行模型训练；步骤4，利用训练的模型对目标域中未标记样本进行预测。本发明专利技术从多特征空间表示以及诱导式迁移学习的角度出发，为提高基于脑电信号的疾病在线识别效率提供保障，精准医疗服务提供技术支撑。疗服务提供技术支撑。疗服务提供技术支撑。

【技术实现步骤摘要】
一种头皮脑电信号的在线多特征空间迁移识别方法


[0001]本专利技术涉及医学
，具体涉及一种头皮脑电信号的在线多特征空间迁移识别方法。

技术介绍

[0002]头皮脑电信号作为一种非入侵性的一种检测手段，在脑部疾病，例如癫痫的检测中发挥重要的作用。在目前已有的相似专利中，余青山等人[专利号：CN201410738486.9]专利技术一种基于双支持向量机概率输出的多类脑电模式在线识别方法。该方法建立了双支持向量机概率输出模型，在此基础上引入增量学习方法，实现了多类脑电模式的在线识别。
[0003]甘海涛等人[专利号：CN201510922194.5]专利技术一种自训练学习的脑电信号识别方法。该方法利用半监督extreme energy ratio算法提取标记和未标记样本的特征向量，然后利用标记样本训练支持向量机(SVM)，并对未标记样本进行预测，再选择具有高置信度的未标记样本及其对应的预测标签，加入标记样本集中，并相应地从未标记样本集中删除，依次循环迭代，最后完成对所有未标记样本的标注。
[0004]李阳等人[专利号：CN201510284550.5]专利技术一种针对癫痫脑电信号的特征提取与自动识别方法。该方法首先利用支持向量机递归特征消除法从脑电信号特征空间进行特征选择，然后将选择的特征输入分类器进行癫痫的识别。
[0005]虽然目前已有部分专利公开了有关利用头皮脑电信号并结合机器学习的方法进行疾病的智能诊断，但是从上述技术方案可以看出，仍然存在一些不足之处：1)从脑电信号提取特征后，特征仍然表示在单一的特征空间，而脑电信号往往包含丰富的时序、空间和能量等信息，单一的特征表示方法难以捕获足够的特征模式信息来进行机器学习；2)针对某一特定的临床问题，例如癫痫，迁移学习往往会用于解决训练的样本数量不足，或者人工标注的成本昂贵的问题。但是，目前迁移学习模型大多数是在源域上进行训练，并没有考虑加入目标域中少量的标记样本来进行模型“诱导”学习。

技术实现思路

[0006]针对以上问题，本专利技术提供了一种头皮脑电信号的在线多特征空间迁移识别方法，从多特征空间表示以及诱导式迁移学习的角度出发，为提高基于脑电信号的疾病在线识别效率提供保障，精准医疗服务提供技术支撑。
[0007]为了实现上述目的，本专利技术采用的技术方案如下：
[0008]一种头皮脑电信号的在线多特征空间迁移识别方法，包括以下步骤：
[0009]步骤1，建立脑电信号多视角源域数据集，用于模型训练；
[0010]步骤2，针对每一个视角，计算所有源域数据集中的样本到待识别目标的欧式距离，并以此距离作为特征，进行聚类分析，然后选择离待识别目标最近的聚类中心所在簇作为迁移源域；
[0011]步骤3，设置模型参数λ1,λ2,λ3，利用步骤2中选择的源域和目标域中的校正样本进
行模型训练；
[0012]步骤4，利用训练的模型对目标域中未标记样本进行预测。
[0013]其中，步骤1中，模型输入需满足以下条件：
[0014]1、源域中经过标注的脑电信号；
[0015]2、目标域中少量标注的脑电信号(在线校正样本)；
[0016]3、模型参数λ1,λ2,λ3。
[0017]本专利技术的基本原理：
[0018]1、多特征空间协同学习
[0019]脑电信号中包含时序、空间以及能量等丰富的模式信息，利用不同的特征提取方法(例如核化主成分分析法，短时傅里叶变换，小波变换等)可以获得脑电信号的不同特征空间表示。假设表示脑电信号某一片段在第m个d维特征空间的表示，1≤m≤M，M表示总的特征空间的个数，为了能够使得本专利技术的识别方法能在M个特征空间协同学习，多特征空间需满足下列条件：1)在每个特征空间的训练误差最小；2)不同特征空间的识别结果尽量一致。
[0020]2、在线迁移学习
[0021]现有专利中所使用的迁移学习策略大多数都是采用最小化源域和目标域样本的条件概率分布和边缘概率分布差异的方式。然而，在线学习中，目标域中的样本仅有少量的“校正样本(calibration sample)”，故除了源域目标域样本概率分布约束以外，还要考虑校正样本对目标函数学习的“诱导作用”。因此，在本专利技术中，除了在源域上定义损失函数以外，还在目标域上定义校正样本的损失，同时利用正则化参数控制校正样本“诱导作用”的大小。
[0022]3、选择性迁移
[0023]每一个个体(受试者)所形成的历史数据都可以看成是一个源域，如果将和目标域差异较大的源域纳入作为迁移知识，势必将会引起负迁移。因此，在本专利技术中，利用聚类算法(例如k
‑
means)算法，对源域进行划分，然后选择簇中心离目标域中心最近的源域作为迁移知识。相对于现有专利技术专利中，将所有源域纳入而言，本专利技术所使用的选择性迁移，不仅可以迁移速度，还可以有效的避免负迁移的发生。
[0024]综合考虑上述的基本原理，本专利技术识别方法的优化目标可以表示为如下的形式：
[0025][0026]在误差项中，l
s(r)
和l
t(r)
分别表示r视角下，源域和目标域的误差损失函数；在多视角协同学习项中，v
s(r)
和v
t(r)
分别表示源域和目标域的协同学习函数，该协同学习函数遵循2个原则：第一，各个视角下学习的结果应该尽量一致；第二，噪声视角应该被赋予更小的权重；在迁移学习项中，d
(r)
和d'
(r)
分别表示在r视角下，源域和目标域之间的样本分布的边缘概率分布相似度度量函数和条件概率分布相似度度量函数；在Pearson相关系数项中，p
(r)
表示在r视角下，训练样本的真实标签于预测标签的Pearson相关系数，通过最大化该项，避免预测结果与训练样本特征空间无关的现象出现。
[0027]本专利技术有益效果：
[0028]1、本专利技术在脑电信号特征的多视角表示的基础上，使用了两种用于多视角协同学习的策略；一种用于保证不同视角下的学习结果趋于一致，一种用于视角加权。
[0029]2、本专利技术利用同一认知任务下长期积累的历史生理电信号数据，同时结合少量当前患者的校验数据，进行多源域知识迁移学习；以及为了提高迁移的效率，提出利用聚类的方法选择最为恰当的源域进行知识迁移。
[0030]3、本专利技术为提高基于脑电信号的疾病在线识别效率提供保障，精准医疗服务提供技术支撑，可用于异常EEG信号的在线识别。
附图说明
[0031]图1是本专利技术的流程图。
[0032]图2是本专利技术实施例中五个子集脑电信号采样片段示意图。
[0033]图3是本专利技术实施例中采用WPD算法在子集A上提取的特征示意图。
[0034]图4是本专利技术实施例中采用STFT算法在子集A上提取的特征示意图。
[0035]图5是本专利技术实施例中采用KPCA算法在子集A上提取的特征示意图。...

【技术保护点】

【技术特征摘要】
1.一种头皮脑电信号的在线多特征空间迁移识别方法，其特征在于：包括以下步骤：步骤1，建立脑电信号多视角源域数据集，用于模型训练；步骤2，针对每一个视角，计算所有源域数据集中的样本到待识别目标的欧式距离，并以此距离作为特征，进行聚类分析，然后选择离待识别目标最近的聚类中心所在簇作为迁移源域；步骤3，设置模型参数λ1,λ2,λ3，利用步骤2中选择的源域和目标域中的校正样本进行模型训练；步骤4，利用训练的模型对目标域中未标记样本进行预测。2.根据权利要求1所述的一种头皮脑电信号的在线多特征空间迁移识别方法，其特征在于：所述识别方法的优化目标表示为如下形式：其中，在误差项中，l
...

【专利技术属性】
技术研发人员：张远鹏，王理，王沛华，王加利，
申请(专利权)人：南通大学，
类型：发明
国别省市：