基于脑电信号深度学习的跨时间个体识别方法及系统技术方案

本发明专利技术属于跨时间维度脑电信号识别领域，具体涉及了一种基于脑电信号深度学习的跨时间个体识别方法、系统及设备，旨在解决的问题。本发明专利技术包括：分别获取源域的带标签脑电信号和目标域的不带标签的脑电信号，并进行信号预处理，获得源域差分熵和目标域差分熵；输入联合域适应个体识别网络，并迭代进行网络训练；获取目标域的待识别脑电信号，并进行信号预处理，获得待识别目标域差分熵；通过训练好的联合域适应个体识别网络，获取目标域的待识别脑电信号的个体识别结果。本发明专利技术克服依靠传统方式进行个体身份识别的不安全性以及脑电信号采集时间不同带来的差异性，同时也可以保证个体识别精度，并提高识别效率。并提高识别效率。并提高识别效率。

【技术实现步骤摘要】
基于脑电信号深度学习的跨时间个体识别方法及系统


[0001]本专利技术属于跨时间维度脑电信号识别领域，具体涉及了一种基于脑电信号深度学习的跨时间个体识别方法及系统。

技术介绍

[0002]目前进行个体身份的方式，主要是依靠账号密码识别、指纹识别、人脸识别等方式。这些方式通常会存在泄露或被盗取的风险，安全性得不到保证。
[0003]随着脑电信号采集技术的进步，已经能够以高分辨率的形式测量得到大脑表皮多个通道的脑电信号。现在脑电信号采集与识别已经在个体身份识别中得到了广泛的应用。
[0004]但是，由于不同时间采集的脑电信号存在时间维度上的差异性，会导致识别准确度下降。因此，本领域还需要一种能减少脑电信号时间差异性的脑电个体身份识别方法，克服脑电信号采集时间不同带来的差异性，同时也保证识别精度。

技术实现思路

[0005]为了解决现有技术中的上述问题，即传统身份识别方法安全性低，而现有脑电信号身份识别方法在脑电信号存在时间带来的差异性，无法保证识别精度的问题，本专利技术提供了一种基于脑电信号深度学习的跨时间个体识别方法，该个体识别方法包括：
[0006]分别获取源域的带标签脑电信号和目标域的不带标签的脑电信号，并进行信号预处理，获得源域差分熵和目标域差分熵；
[0007]将所述源域差分熵和所述目标域差分熵输入联合域适应个体识别网络，并迭代进行网络训练；
[0008]获取目标域的待识别脑电信号，并进行信号预处理，获得待识别目标域差分熵；
[0009]基于所述待识别目标域差分熵，通过训练好的联合域适应个体识别网络，获取目标域的待识别脑电信号的个体识别结果。
[0010]在一些优选的实施例中，所述信号预处理包括脑电信号坏段去除、1
‑
75Hz滤波、频段信号提取、频段信号微分熵计算和特征平滑。
[0011]在一些优选的实施例中，所述频段信号提取包括1
‑
3Hz的delta信号提取，4
‑
7Hz的theta信号提取，8
‑
13Hz的alpha信号提取，14
‑
30Hz的beta信号提取，以及31
‑
50Hz的gamma信号提取。
[0012]在一些优选的实施例中，所述联合域适应个体识别网络包括特征提取器、分类器和域鉴别器，其训练过程为：
[0013]通过特征提取器分别进行源域差分熵和目标域差分熵的特征提取；
[0014]将特征提取结果输入分类器，计算源域和目标域的分类损失；将特征提取结果输入域鉴别器，计算源域和目标域的域鉴别损失；将特征提取结果输入全连接层，计算源域和目标域的联合损失；
[0015]基于所述分类损失、所述域鉴别损失和所述联合损失，获得联合域适应个体识别
网络的总损失；
[0016]基于获取的训练数据集，向所述总损失下降方向进行网络迭代训练，直至所述总损失值低于设定阈值或达到设定训练次数，获得训练好的联合域适应个体识别网络。
[0017]在一些优选的实施例中，所述源域和目标域的分类损失，其表示为：
[0018]其中，L
class
代表源域和目标域的分类损失，H表示交叉熵损失，m为当前训练批次中第m个训练样本，M为当前训练批次中的训练样本总数，表示分类器预测的训练样本的个体标签，表示分类器预测的第m个训练样本的个体标签，y表示实际的训练样本的个体标签，y
m
表示实际的第m个训练样本的个体标签。
[0019]在一些优选的实施例中，所述源域和目标域的域鉴别损失，其表示为：
[0020]其中，L
domain
代表源域和目标域的域鉴别损失，H表示交叉熵损失，m为当前训练批次中第m个训练样本，M为当前训练批次中的训练样本总数，表示分类器预测的训练样本的域标签，表示分类器预测的第m个训练样本的域标签，p表示实际的训练样本的域标签，p
m
表示实际的第m个训练样本的域标签。
[0021]在一些优选的实施例中，所述源域和目标域的联合损失包括访问概率损失和转换概率损失，其表示为：L
association
＝L
visit
+αL
trans
[0022]其中，L
association
代表源域和目标域的联合损失，L
visit
代表访问概率损失，L
trans
代表转换概率损失，α为可调节的用于权衡L
visit
和L
trans
在L
association
中占比的权重。
[0023]在一些优选的实施例中，所述访问概率损失，其表示为：L
visit
＝H(V，P
ab
)M
ij
＝<A
i
，B
j
>V＝1/|B
j
|
[0024]其中，H表示交叉熵损失，P
ab
为向量从源域访问到目标域类别的概率矩阵，为矩阵P
ab
的值，代表源域向量A
i
访问到目标域向量B
j
的概率，M
ij
代表A
i
和B
j
之间的相似程度，<A
i
，B
j
>代表向量A
i
和向量B
j
的点积，V代表权重向量。
[0025]在一些优选的实施例中，所述转换概率损失，其表示为：L
trans
＝H(T，P
aba
)
[0026]其中，P
ab
为向量从源域访问到目标域类别的概率矩阵，P
ba
为向量从目标域访问到源域类别的概率矩阵，P
aba
为向量从源域访问到目标域后再访问回源域类别的概率，为矩阵P
aba
的值，源域向量A
i
访问到目标域向量B
j
后再访问回源域向量A
j
的概率，T代表权重向量，class(A
i
)＝class(A
j
)代表向量A
i
和向量A
j
类别相等。
[0027]本专利技术的另一方面，提出了一种基于脑电信号深度学习的跨时间个体识别系统，该个体识别系统包括：
[0028]数据获取模块，配置为分别获取源域的带标签脑电信号和目标域的不带标签脑电信号，以及获取不带标签的目标域的待识别脑电信号；
[0029]预处理模块，配置为对获取的源域和目标域信号分别进行预处理，获得源域差分熵和目标域差分熵，以及对获取的目标域的待识别脑电信号进行预处理，获得待识别目标域差分熵；
[0030]网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脑电信号深度学习的跨时间个体识别方法，其特征在于，该个体识别方法包括：分别获取源域的带标签脑电信号和目标域的不带标签的脑电信号，并进行信号预处理，获得源域差分熵和目标域差分熵；将所述源域差分熵和所述目标域差分熵输入联合域适应个体识别网络，并迭代进行网络训练；获取目标域的待识别脑电信号，并进行信号预处理，获得待识别目标域差分熵；基于所述待识别目标域差分熵，通过训练好的联合域适应个体识别网络，获取目标域的待识别脑电信号的个体识别结果。2.根据权利要求1所述的基于脑电信号深度学习的跨时间个体识别方法，其特征在于，所述信号预处理包括脑电信号坏段去除、1
‑
75Hz滤波、频段信号提取、频段信号微分熵计算和特征平滑。3.根据权利要求2所述的基于脑电信号深度学习的跨时间个体识别方法，其特征在于，所述频段信号提取包括1
‑
3Hz的delta信号提取，4
‑
7Hz的theta信号提取，8
‑
13Hz的alpha信号提取，14
‑
30Hz的beta信号提取，以及31
‑
50Hz的gamma信号提取。4.根据权利要求1所述的基于脑电信号深度学习的跨时间个体识别方法，其特征在于，所述联合域适应个体识别网络包括特征提取器、分类器和域鉴别器，其训练过程为：通过特征提取器分别进行源域差分熵和目标域差分熵的特征提取；将特征提取结果输入分类器，计算源域和目标域的分类损失；将特征提取结果输入域鉴别器，计算源域和目标域的域鉴别损失；将特征提取结果输入全连接层，计算源域和目标域的联合损失；基于所述分类损失、所述域鉴别损失和所述联合损失，获得联合域适应个体识别网络的总损失；基于获取的训练数据集，向所述总损失下降方向进行网络迭代训练，直至所述总损失值低于设定阈值或达到设定训练次数，获得训练好的联合域适应个体识别网络。5.根据权利要求4所述的基于脑电信号深度学习的跨时间个体识别方法，其特征在于，所述源域和目标域的分类损失，其表示为：其中，L
class
代表源域和目标域的分类损失，H表示交叉熵损失，m为当前训练批次中第m个训练样本，M为当前训练批次中的训练样本总数，表示分类器预测的训练样本的个体标签，表示分类器预测的第m个训练样本的个体标签，y表示实际的训练样本的个体标签，y
m
表示实际的第m个训练样本的个体标签。6.根据权利要求4所述的基于脑电信号深度学习的跨时间个体识别方法，其特征在于，所述源域和目标域的域鉴别损失，其表示为：
其中，L
domain
代表源域和目标域的域鉴别损失，H表示交叉熵损失，m为当前训练批次中第m个训练样本，M为当前训练批次中的训练样本总数，表示分类器预测的训练样本的域标签，表示分类器预测的第m个训练样本的域标签，p表示实际的训练样本的域标签，p
m
表示实际的第个训练样本的域标签。7.根据权利要求4所述的基于脑电信号深度学习的跨时间个体识别方法，其特征在于，所述源域和目标域的联合损失包括访问概率损失和转换概率损失，其表示为：L
association
＝L
visit
+αL
...

【专利技术属性】
技术研发人员：左年明，蒋田仔，缪一帆，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：