【技术实现步骤摘要】
一种基于迁移学习的跨被试RSVP脑电信号的分类方法
[0001]本专利技术公开了一种基于源域选择和深度迁移模型的跨被试RSVP脑电信号的分类方法，可用于跨被试RSVP信号的识别，属于计算机软件领域。
技术介绍
[0002]快速序列视觉呈现(Rapid Serial Visual Presentation，RSVP)范式首次由Mary C.Potter提出，其被定义为在同一空间位置上，以高且固定的频率逐一呈现多副图片的过程。脑机接口(Brain
‑
Computer Interface，BCI)是一个建立在人与机器之间，以人的脑电活动控制机器完成任务的交流控制系统。RSVP范式所呈现的图片流由频繁出现的非目标图片与非频繁出现的目标图片组成。当被试观察到目标图片时，可诱发出P300成分，通过解码，可以识别对应得目标图像。目前，RSVP
‑
BCI在脑机接口增强、警事勘探、医学、认知学、心理学等领域发挥着重要作用。实际使用中，由于EEG信号高维度导致的低信噪比、信号的高不稳定性、每个被试具有不同的脑...
【技术保护点】
【技术特征摘要】
1.一种基于迁移学习的跨被试RSVP脑电信号的分类方法，其特征在于，包括以下步骤：步骤1.读取源域被试和当前被试的数据步骤2.数据预处理：对RSVP脑电信号进行试次的划分，以trigger出现的第0秒到第1秒作为一个试次进行划分；使用带通滤波器对划分后的RSVP脑电信号试次进行带通滤波处理；使用试次内数据，对滤波后的信号做基带移除；对试次数据进行基于通道的标准化；轮流选出一个被试作为当前被试，划分为训练集和测试集，其余被试作为源域被试，作为训练集；步骤3.MSS源域被试筛选：将源域试次输入到MSS模型中，通过模型计算，得到筛选后的K个源域被试作为最终的源域训练集步骤4.训练ADCN模型：搭建ADCN模型，将当前被试的训练集和源域训练集整合后，输入到ADCN模型中进行训练；步骤5.将当前被试的测试集输入到训练好的ADCN模型中得到分类结果。2.根据权利要求1所述的基于迁移学习的跨被试RSVP脑电信号的分类方法，其特征在于：步骤1具体为：(1)选取其中一个被试作为当前被试，其余被试均作为源域被试(2)对当前被试的试次进行随机拆分，拆分为训练集和测试集，保证每个集合中的类别比例一致步骤2具体为：(1)读取数据，保留EEG数据，去除眼电等通道，降采样到250Hz(2)进行0
‑
30的带通滤波(3)划分epoch，从刺激开始到第一秒的时长截断作为一个epoch，以该数据作为基线移除的标准步骤3具体为：首先进行基于距离的计算，对每个源域和目标被试的试次进行如下计算：在不同试次上对于特定类别照片应具有一个共有反应特征矩阵：A∈R
C
×
T
，其中，R表示实数集合空间，C为脑电数据通道数量，T为脑电数据时间点数量；而针对于不同试次上，应具有属于当前试次的特异性表达，而该特异性表达是空间与时间在共有特征矩阵上的综合变换而产生，所以定义通道空间特异性变换矩阵：D
i
∈R
C
×
C
(i＝1,2
…
N)和时间特异性变换矩阵：U
i
∈R
T
×
T
(i＝1,2
…
N)，其中N为当前被试总试次；这样，一个试次的脑电信号X
i
∈R
C
×
T
可被分解为：X
i
＝D
iT
AU
i
+Noise#(1)其中，Noise为噪声组成；为使每个试次的噪声最小化，可建立优化函数：其中，使该被试所有试次的噪声最小化，以使得更贴近于原脑电信号；
注意到上述优化式无法一次求解，使用迭代梯度下降进行求解，由于D
i
以及U
i
只与X
i
有关，即可以在一个试次中得到更新，但A与X
i
(i＝1
…
N)有关，只能在一轮迭代后得到更新,求解过程如下：在迭代过程中，t表示迭代的次数，表示第i个试次D矩阵的第t次迭代；表示第i个试次U矩阵的第t次迭代；A
t
表示A矩阵的第t次迭代；M为最大迭代次数；对求取梯度可得：故的更新式为：其中，α表示学习率，取0.01；同理，对求取梯度可得：故U
t+1i
的更新式为：在一轮中对所有试次的特异性表达以及进行求解之后...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。