基于多目标域适应的脑电信号分类方法及应用技术

本发明专利技术公开了一种基于多目标域适应的脑电信号分类方法及应用，其步骤包括：1，对原始脑电数据进行预处理，包括样本选择、转换为图像数据、滑窗切片等；2，建立基于多目标域适应的轻型网络(Effnet)模型，初始化网络参数；3，输入数据训练网络不断优化模型参数，获得最终分类模型用于待测试脑电信号的分类。本发明专利技术将多目标域适应方法结合到Effnet网络中，能够改进模型以适应源域和目标域之间不同的特征分布，从共享表示中学习更多的特征，并将从源域学习到的知识迁移到目标域，从而获得更好的泛化性能。化性能。化性能。

【技术实现步骤摘要】
基于多目标域适应的脑电信号分类方法及应用


[0001]本专利技术涉及脑电信号分类领域，具体的说是一种结合多目标域适应的Effnet网络对脑电信号进行预测分类的方法。

技术介绍

[0002]脑电图信号可以通过在头皮表面放置电极来提供突触后电位测量，近十年来，利用头皮和颅内脑电图来预测一些生理机能已经取得了很大的成功。脑电信号分类通常包括三个步骤：EEG信号预处理，特征提取，以及使用分类模型进行学习和评估。在以往脑电信号分析中，使用了许多线性和非线性特征。常用的传统机器学习模型有支持向量机、逻辑回归、随机森林等。支持向量机已在许多研究中用于脑电信号分类。传统机器学习模型的优势在于复杂性低、可解释性强，但是需要研究人员对脑电信号的生理机制和临床表现有深入的了解，需要大量的专业知识。
[0003]目前的深度学习方法都是基于用户相关的方法，即每个受试者的数据被划分为训练集和测试集。训练集和测试集都基于相同的特征空间，可以获得较高的准确率。许多基于用户相关的研究在脑电信号分类中使用了深度学习技术。CNN是一种成熟的深度学习方法，通常在特征提取后使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多目标域适应的脑电信号分类方法，其特征在于，是按如下步骤进行：步骤1、对n个受试者的原始脑电信号进行通道数据选择，得到n个受试者的c个通道的脑电信号，再利用短时傅里叶变换将c个通道的脑电信号转换成由频率和时间组成的二维图像，从而得到n个受试者的N
d
个脑电图像样本，令任意第i个受试者为源域受试者，所述源域受试者的第j个脑电图像样本记为X
i,j
∈R
c
×
w
×
h
，且X
i,j
所对应的标签为Y
i,j
，c表示脑电图像样本的通道数，w表示滑动窗的宽度，h表示脑电图像样本的高度；令剩余n
‑
1个受试者均为目标域受试者，其中，任意第p个目标域受试者的第j个脑电图像样本记为X
p,j
；且p≠i；步骤2、建立基于多目标域适应的Effnet网络，包含：由三个Block块、Flatten层和一个全连接层组成，且每个Block块均有五个二维卷积块；第一个二维卷积块依次包括：卷积核大小为1
×
1且步长为1
×
1的点卷积层，LeakyReLU激活函数、批量归一化层；第二个二维卷积块依次包括：卷积核大小为1
×
3且步长为1
×
1的卷积层、激活函数和批量归一化层；第三个二维卷积块为卷积核大小为2
×
1且步长为2
×
1的最大化池化层；第四个二维卷积块依次包括：卷积核大小为3
×
1且步长为1
×
1的卷积层、激活函数和批量归一化层；第五个卷积模块依次包括：卷积核大小为1
×
2且步长为1
×
2的卷积层、激活函数和批量归一化层；步骤3、Effnet网络的训练：步骤3.1、将第i个受试者的第j个脑电图像样本X
i,j
输入所述Effnet网络中，并经过第一个B...

【专利技术属性】
技术研发人员：李畅，肖慧琳，宋仁成，刘羽，成娟，陈勋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：