一种基于协方差对齐的运动想象脑电信号自适应分类方法技术

一种基于协方差对齐的运动想象脑电信号自适应分类方法，涉及一种运动想象脑电信号的分类方法；了解决现有的分类方法无法提取脑电信号深度特征，导致对跨个体、跨时间运动想象脑电信号泛化能力低的问题。本发明专利技术基于源域卷积神经网络实现对脑电信号深度特征的自动提取，得到源域脑电特征和分类损失；将源域网络的参数迁移到目标域网络，目标域脑电数据通过目标域卷积神经网络得到目标域脑电特征；计算源域和目标域脑电特征的协方差距离得到领域自适应损失；最后同步优化分类损失和自适应损失完成对卷积网络的参数微调，得出目标域脑电信号的标签，以实现对目标域脑电信号的自适应分类。有益效果为提高了跨个体、跨时间运动想象脑电信号泛化能力。象脑电信号泛化能力。象脑电信号泛化能力。

【技术实现步骤摘要】
一种基于协方差对齐的运动想象脑电信号自适应分类方法


[0001]本专利技术涉及一种运动想象脑电信号的分类方法。

技术介绍

[0002]基于脑电信号的运动想象由于其能够实现对外界设备直接控制的特点，在医疗人工智能、脑
‑
机接口领域有着重要的研究意义和应用前景；然而，由于脑电信号易受到个体差异、疲劳程度、非平稳特性及电极阻抗等其它因素的影响，在不同被试者和时间上体现出明显的个体差异性和时间差异性，导致脑电信号在数据分布上存在不同程度的数据分布差异；同时，脑电信号在数据采集和标注上耗时且费力，这给建立庞大且已标注的脑电数据库带来了巨大的挑战；因此，如何克服脑电信号的差异性，并实现脑电信号跨个体、跨时间的数据复用成为了脑
‑
机接口领域亟待解决的问题；现有的分类方法要求数据满足相同的分布规律，而且现有的人工特征提取方法无法提取出脑电信号具有强表征能力的深度特征，这都导致了运动想象脑电信号分类效果不佳。

技术实现思路

[0003]本专利技术的目的是为了解决现有的分类方法无法提取脑电信号深度特征，导致对跨个体、跨时间运动想象脑电信号泛化能力低的问题，从而提出了一种基于协方差对齐的运动想象脑电信号自适应分类方法。
[0004]本专利技术所述的一种基于协方差对齐的运动想象脑电信号自适应分类方法，该自适应分类方法包括以下步骤：
[0005]步骤一、获取源域脑电信号以及源域卷积神经网络；
[0006]步骤二、利用源域卷积神经网络对源域脑电信号进行特征自动提取，获取源域脑电特征以及源域分类损失；
[0007]步骤三、将步骤一中获取的源域卷积神经网络参数迁移至目标域网络，形成目标域卷积神经网络；
[0008]步骤四、利用步骤三中形成的目标域卷积神经网络对目标域脑电信号进行特征提取，获得目标域脑电特征；
[0009]步骤五、对步骤二中获取的源域脑电特征和步骤四中获取的目标域脑电特征进行协方差对齐计算，得到领域自适应损失；
[0010]步骤六、对步骤二中获取的源域分类损失与步骤五得到的领域自适应损失进行合并，得到总损失值；
[0011]步骤七、利用步骤六得到的总损失值对步骤三形成目标域卷积神经网络迭代进行优化，利用优化后的目标域网络对目标域脑电信号进行标签预测，得出目标域脑电信号的标签。
[0012]进一步的，步骤一中获取的源域卷积神经网络结构由上至下依次为：卷积层、批归一化、卷积层、批归一化、ELU激活层、池化层、卷积层、卷积层、批归一化、ELU激活层、池化层
和权连接层。
[0013]进一步的，在步骤一中获取的源域卷积神经网络结中，第一层卷积层设置8个1
×
64的卷积核，第二层卷积层设置16个C
×
1的卷积核，第三层卷积层设置16个1
×
16的卷积核，第四层卷积层设置16个1
×
1的卷积核，其中C为源域脑电信号的通道数。
[0014]进一步的，步骤二中获取的源域分类损失使用交叉熵损失函数进行表示；该交叉熵损失函数的具体表示形式为：
[0015][0016]其中，为源域分类损失；J(
·
,
·
)表示交叉熵损失函数；f(
·
)表示神经网络函数；表示指示函数，条件成立时指示函数为1，反之指示函数为0；表示第i个源域样本的特征向量，表示第i个源域样本的标签，n
s
为源域样本的数量；i为源域样本序号。
[0017]进一步的，步骤三中形成的目标域卷积神经网络结构由上至下依次为：卷积层、批归一化、卷积层、批归一化、ELU激活层、池化层、卷积层、卷积层、批归一化、ELU激活层、池化层和权连接层。
[0018]进一步的，步骤五中对步骤二中获取的源域脑电特征和步骤四中获取的目标域脑电特征进行协方差对齐计算的具体过程为：
[0019][0020]其中，C
s
表示源域脑电特征的协方差；C
t
表示目标域脑电特征的协方差，M为线性转换矩阵，为线性变换后源域脑电特征的协方差；D
s
表示源域脑电特征；表示Frobenius范数的平方；
[0021]所述式(2)的最优解为对C
s
和C
t
进行奇异值分解；得出C
s
＝U
s
E
s
V
sT
和C
t
＝U
t
E
t
V
tT
，其中U
s
V
sT
＝U
t
V
tT
＝I；由于C
s
和C
t
是对称矩阵，公式(2)的解写成：
[0022][0023]令且则公式(3)的右边变成：
[0024][0025]结合公式(3)和(4)可得线性转换矩阵为：
[0026][0027]因此，源域脑电特征经过线性变换M即可完成协方差对齐，即：
[0028][0029]其中，为经过线性变换后的源域脑电特征；U
s
、U
t
、V
s
和V
t
为酉矩阵；E
s
和E
t
为半正定对角矩阵；X为转换系数。
[0030]进一步的，步骤五中，得到领域自适应损失的具体值为：定义卷积网络中全连接层输出的源域和目标域特征的协方差距离为领域自适应损失通过计算可得：
[0031][0032]其中，为领域自适应损失；d是源域卷积神经网络结构中全连接层输出特征的维数。
[0033]进一步的，步骤六中得到网络的总损失值的具体方法为：按照链式求导法则，自适应损失函数的梯度计算如下：
[0034][0035][0036]组合分类损失和自适应损失得到网络的总损失值为：
[0037][0038]其中，为网络的总损失值；D
t
表示目标域脑电特征；为自适应损失的权重；
[0039]那么，最终总的损失函数的梯度计算如下：
[0040][0041]其中，为总的损失函数的梯度；p为源域卷积神经网络的参数，b
s
为源域卷积神经网络批处理的样本数量。
[0042]本专利技术的有益效果为：首次提出了一种基于协方差对齐的运动想象脑电信号自适应分类方法实现对跨个体、跨时间运动想象脑电信号的分类；源域卷积神经网络借助已标注的源域脑电数据完成预训练学习，实现对源域脑电数据深度特征的自动提取，随后将网
络参数迁移到目标域卷积神经网络，同样目标域卷积神经网络实现对目标域脑电数据特征的提取；源域脑电信号根据标签进行监督学习完成对源域脑电信号的标签预测并得到分类损失值，目标域脑电信号由于无标签，因此，利用其特征和源域特征进行协方差对齐完成领域自适应，得到自适应损失；综合分类损失和自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于协方差对齐的运动想象脑电信号自适应分类方法，其特征在于，该自适应分类方法包括以下步骤：步骤一、获取源域脑电信号以及源域卷积神经网络；步骤二、利用源域卷积神经网络对源域脑电信号进行特征自动提取，获取源域脑电特征以及源域分类损失；步骤三、将步骤一中获取的源域卷积神经网络参数迁移至目标域网络，形成目标域卷积神经网络；步骤四、利用步骤三中形成的目标域卷积神经网络对目标域脑电信号进行特征提取，获得目标域脑电特征；步骤五、对步骤二中获取的源域脑电特征和步骤四中获取的目标域脑电特征进行协方差对齐计算，得到领域自适应损失；步骤六、对步骤二中获取的源域分类损失与步骤五得到的领域自适应损失进行合并，得到总损失值；步骤七、利用步骤六得到的总损失值对步骤三形成目标域卷积神经网络迭代进行优化，利用优化后的目标域网络对目标域脑电信号进行标签预测，得出目标域脑电信号的标签。2.根据权利要求1所述的一种基于协方差对齐的运动想象脑电信号自适应分类方法，其特征在于，步骤一中获取的源域卷积神经网络结构由上至下依次为：卷积层、批归一化、卷积层、批归一化、ELU激活层、池化层、卷积层、卷积层、批归一化、ELU激活层、池化层和权连接层。3.根据权利要求2所述的一种基于协方差对齐的运动想象脑电信号自适应分类方法，其特征在于，在步骤一中获取的源域卷积神经网络结中，第一层卷积层设置8个1
×
64的卷积核，第二层卷积层设置16个C
×
1的卷积核，第三层卷积层设置16个1
×
16的卷积核，第四层卷积层设置16个1
×
1的卷积核，其中C为源域脑电信号的通道数。4.根据权利要求1所述的一种基于协方差对齐的运动想象脑电信号自适应分类方法，其特征在于，步骤二中获取的源域分类损失使用交叉熵损失函数进行表示；该交叉熵损失函数的具体表示形式为：其中，为源域分类损失；J(
·
,
·
)表示交叉熵损失函数；f(
·
)表示神经网络函数；表示指示函数，条件成立时指示函数为1，反之指示函数为0；表示第i个源域样本的特征向量，表示第i个源域样本的标签，n
s
为源域样本的数量；i为源域样本序号。5.根据权利要求4所述的一种基于协方差对齐的运动想象脑电信号自适应分类方法，
其...

【专利技术属性】
技术研发人员：钟小聪，王启松，刘丹，陈志煌，丁国华，段三鹤，高文佳，赵永平，孙金玮，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：