脑电图信号的选择性迁移学习方法、装置及存储介质制造方法及图纸

本申请实施例公开了一种脑电图信号的选择性迁移学习方法、装置及存储介质，其中脑电图信号的选择性迁移学习方法包括：通过共同平均参考对获取的所有源域和目标域的脑电图信号进行预处理，保留所述源域和目标域中选定通道的脑电图信号；使用每个预处理后的所述源域和目标域的协方差矩阵的黎曼均值作为参考矩阵，对所述协方差矩阵进行仿射变换，得到每个预处理后的所述源域和目标域的对齐协方差矩阵；使用所述协方差矩阵的黎曼均值作为参考矩阵，分别将对应的所述对齐协方差矩阵转换成相应的切线空间向量；使用前向顺序浮动搜索方法，最大化所选切线空间向量集的可迁移性，得到最终选定的切线空间向量集，以将对应的所选良好源域用于分类器训练。良好源域用于分类器训练。良好源域用于分类器训练。

【技术实现步骤摘要】
脑电图信号的选择性迁移学习方法、装置及存储介质


[0001]本申请涉及医学图像处理
，具体涉及一种脑电图信号的选择性迁移学习方法、装置及存储介质。

技术介绍

[0002]基于运动意图（motor imagery，MI）的脑机接口（brain
‑
computer interface，BCI）可以帮助受试者使用想象诱发的大脑活动直接操纵电子设备，在中风患者的神经康复训练中具有潜在应用价值。脑电图（electroencephalogram，EEG）由于其无创操作和实时传输的特点，是记录MI信号的一种有效方式，对于实时控制BCI至关重要。然而，由于EEG信号弱且不稳定的特性，非常容易受到噪音干扰，使得基于MI的EEG信号分析具有相当大的挑战性。此外，与其他传统EEG（如事件相关电位和稳态视觉诱发电位）相比，基于MI的EEG信号特征更加不明显，因为它们是由没有外部刺激的自发运动想象诱发的。因此，基于MI的EEG信号具有更高的变异性，这就需要在执行实时BCI任务之前，每个受试者都需要一段冗长的分类器校准时间，这使得BCI的推广应用受本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑电图信号的选择性迁移学习方法，其特征在于，包括：通过共同平均参考对获取的所有源域和目标域的脑电图信号进行预处理，保留所述源域和目标域中选定通道的脑电图信号；使用每个预处理后的所述源域和目标域的协方差矩阵的黎曼均值作为参考矩阵，对所述协方差矩阵进行仿射变换，得到每个预处理后的所述源域和目标域的对齐协方差矩阵；使用所述协方差矩阵的黎曼均值作为参考矩阵，分别将对应的所述对齐协方差矩阵转换成相应的切线空间向量；使用前向顺序浮动搜索方法，最大化所选切线空间向量集的可迁移性，得到最终选定的切线空间向量集，以将对应的所选良好源域用于分类器训练。2.根据权利要求1所述的脑电图信号的选择性迁移学习方法，其特征在于，所述通过共同平均参考对获取的所有源域和目标域的脑电图信号进行预处理包括：对获取的所有源域和目标域的脑电图信号，通过三阶巴特沃斯滤波器进行频谱滤波，并在指令开始后进行时间分段，从而得到所述选定通道。3.根据权利要求1所述的脑电图信号的选择性迁移学习方法，其特征在于，所述使用每个预处理后的所述源域和目标域的协方差矩阵的黎曼均值作为参考矩阵包括：使所述协方差矩阵对应的对称正定矩阵形成黎曼流形，然后计算得到黎曼均值，以作为参考矩阵。4.根据权利要求3所述的脑电图信号的选择性迁移学习方法，其特征在于，包括：使用黎曼距离计算得到黎曼均值：，其中，表示黎曼流形上所有对称正定矩阵的数目，表示黎曼均值。5.根据权利要求4所述的脑电图信号的选择性迁移学习方法，其特征在于，所述对所述协方差矩阵进行仿射变换包括：利用公式：，进行仿射变换，其中，表示黎曼均值。6.根据权利要求1所述的脑电图信号的选择性迁移学习方法，其特征在于，所述使用前向顺序浮动搜索方法，最大化所选切线空间向量集的可迁移性包括：定义所述所选切线空间向量集的...

【专利技术属性】
技术研发人员：刘伟奇，马学升，陈金钢，左林雄，王肖玮，陈韵如，
申请(专利权)人：同心智医科技北京有限公司，
类型：发明
国别省市：