一种多源域样本重加权的EEG信号跨设备解码方法技术

本发明专利技术公开了一种多源域样本重加权的EEG信号跨设备解码方法，包括：获取采集多个受试者的MI EEG信号得到的多源域样本数据集及采集目标受试者的MI EEG信号得到的目标域样本数据集；利用两者对预设的SRENet网络进行训练得到训练完成的目标SRENet网络；利用目标SRENet网络得到待测样本的解码结果；其中，预设的SRENet网络包括特征提取器、样本重加权分类器和条件重加权判别器；在网络训练过程中通过样本重加权分类器和条件重加权判别器对特征提取器提取的特征进行易迁移性度量，对更易于迁移至目标域的源域样本赋以更高的训练权重。本发明专利技术能提高跨设备的MI EEG信号的解码性能。能。能。

【技术实现步骤摘要】
一种多源域样本重加权的EEG信号跨设备解码方法


[0001]本专利技术属于脑电信号处理领域，具体涉及一种多源域样本重加权的EEG信号跨设备解码方法。

技术介绍

[0002]脑机接口(Brain Cpmputer Interface,BCI)通过记录和解码脑信号，建立了一种人脑与计算机之间的直接通信方法。目前的脑机接口范式主要包括：运动想象、稳态视觉诱发电位、P300、慢皮层电位、精神状态监测等。其中，针对运动想象(Motor Imagery,MI)范式，顾名思义，人在想象自己肢体(或肌肉)运动但没有实际运动输出时，人的特定脑区仍会有激活。通过分析脑电信号，检测识别不同脑区的激活效果可以用来判断用户意图，进而实现人脑与外部设备之间的直接通信与控制。目前常见的运动想象部位为：左手、右手、双脚和舌头。
[0003]基于脑电图(electroencephalogram，EEG)的运动想象BCI由于无需刺激且为非侵入式方法，具有较好的应用前景。在实验室中，研究人员通常使用一些昂贵的专业设备来记录MI EEG信号，并且在世界各地的实验室中都记录了大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多源域样本重加权的EEG信号跨设备解码方法，其特征在于，包括：获取采集多个受试者的MI EEG信号所得到的多源域样本数据集，以及采集目标受试者的MI EEG信号所得到的目标域样本数据集；其中，所述多源域样本数据集包括多个源域样本和对应的分类标签；所述目标域样本数据集包括多个目标域样本；利用所述多源域样本数据集、所述目标域样本数据集对预设的SRENet网络进行训练，得到训练完成的目标SRENet网络；其中，所述预设的SRENet网络包括特征提取器、样本重加权分类器和条件重加权判别器；在网络训练过程中通过所述样本重加权分类器和所述条件重加权判别器对所述特征提取器提取的特征进行易迁移性度量，对更易于迁移至所述目标域的源域样本赋以更高的训练权重；利用所述目标SRENet网络得到待测样本的解码结果；其中，所述待测样本是采集目标受试者的MI EEG信号得到的。2.根据权利要求1所述的多源域样本重加权的EEG信号跨设备解码方法，其特征在于，所述特征提取器，包括：顺次连接的第一卷积层、第一批量归一化处理层、第二卷积层、第二批量归一化处理层、激活函数层、平均池化层、随机丢弃处理层和数据展平操作层；其中，所述特征提取器用于对输入的每个小批量样本中的源域样本和目标域样本进行特征提取；所述第一卷积层和所述第二卷积层均为一维多通道卷积层。3.根据权利要求2所述的多源域样本重加权的EEG信号跨设备解码方法，其特征在于，所述样本重加权分类器，包括：权重计算模块，用于在网络训练过程中，根据所述特征提取器输出的源域样本和目标域样本的特征，确定对应的小批量样本中，各源域样本的特征与目标域特征空间的中心的距离，以及源域样本的特征与目标域样本的特征的分散程度，并利用各距离和所述分散程度计算对应的源域样本的权重；分类模块，用于在网络训练过程中对各源域样本和各目标域样本的特征进行分类，得到对应的分类结果；源域样本误差计算模块，用于在网络训练过程中，根据各源域样本的分类结果和对应的分类标签，得到各源域样本的分类误差；样本重加权分类器损失函数计算模块，用于在网络训练过程中，对每个源域样本，利用该源域样本的权重对其分类误差进行加权，并由所有源域样本的加权结果的平均值，得到所述样本重加权分类器损失函数的数值。4.根据权利要求3所述的多源域样本重加权的EEG信号跨设备解码方法，其特征在于，所述条件重加权判别器，包括：条件特征计算模块，用于在网络训练过程中，针对源域和目标域中的每个域，将所述分类模块输出的该域样本的分类结果作为所述特征提取器输出的该域样本的特征的条件将该域的各特征和条件对应结合得到该域中各样本的条件特征；梯度反转层，用于在网络训练过程中，对前向传播过程不做处理；对反向传播过程通过乘以一个负标量来反转梯度；判别模块，用于在网络训练过程中，根据对应的条件特征，判断各源域样本和各目标域样本的域类别，得到对应的域判别结果，以在反向传播过程中混淆源域和目标域，使两域特
征更相似；条件重加权判别器损失函数计算模块，用于在网络训练过程中，基于所述判别模块输出的各源域样本和各目标域样本的域判别结果，以及每个域中各样本的条件特征，计算所述条件重加权判别器损失函数的数值。5.根据权利要求4所述的多源域样本重加权的EEG信号跨设备解码方法，其特征在于，所述根据所述特征提取器输出的源域样本和目标域样本的特征，确定对应的小批量样本中，各源域样本的特征与目标域特征空间的中心的距离，以及源域样本的特征与目标域样本的特征的分散程度，并利用各距离和所述分散程度计算对应的源域样本的权重，包括：根据所述特征提取器输出的所有目标域样本的特征计算对应的小批量样本中，目标域特征空间的中心针对所述特征提取器输出的每个源域样本的特征计算该源域样本的特征与所述目标域特征空间的中心的距离利用所有源域样本的特征与所述目标域特征空间的中心的距离，计算对应的小批量样本中，源域样本的特征与目标域样本的特征的分散程度针对每个源域样本，利用该源域样本的距离和所述分散程度σ，利用预设权重计算公式，计算该源域样本的权重；其中，所述预设权重计算公式为：其中，所述多源域样本数据集被定义为：所述目标域样本数据集被定义为：s表示...

【专利技术属性】
技术研发人员：李甫，付博勋，李俊凯，李意，冯柏沄，冀有硕，周祎瑾，王慎弘，赵一帆，李阳，陈远方，张利剑，石光明，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：