【技术实现步骤摘要】
本专利技术涉及一种用于脑电信号分类的自适应多模型知识迁移矩阵机，属于脑电信号识别领域。
技术介绍
1、脑电图(electroencephalogram，eeg)被广泛用于记录大脑的动态活动过程，在神经康复方面显示出巨大潜力，可用于精神障碍、脑瘫、帕金森病、脊髓损伤等多种疾病的诊断和治疗。然而，收集大量目标受试者的脑电数据耗时、耗力，对残疾人尤其不便。此外，大多数机器学习算法要求输入eeg数据必须为向量形式，破坏了eeg信号特征中的结构信息，降低了分类结果。针对此问题，研究人员提出了支持矩阵机(support matrix machines，smm)用于直接处理矩阵形式的数据，通过引入核范式来利用矩阵形式特征中的结构信息，提高了eeg信号的识别准确率。但其仍然需要大量的目标受试者的脑电数据训练模型，这限制了临床实践中目标受试者eeg数据不足时模型的识别效果。因此提出一种最小二乘支持矩阵机(ls-smm)学习eeg数据矩阵形式特征中的结构信息，在此基础上提出用于脑电信号分类的自适应多模型知识迁移矩阵机(amk-tmm)，提升了目标受试者可用...
【技术保护点】
1.一种用于脑电信号分类的自适应多模型知识迁移矩阵机，其特征在于，步骤如下：
2.根据权利要求1所述的一种用于脑电信号分类的自适应多模型知识迁移矩阵机，其特征在于，步骤2中，使用共空间模式对EEG信号进行特征提取。
3.根据权利要求1所述的一种用于脑电信号分类的自适应多模型知识迁移矩阵机，其特征在于，步骤3中，使用最小二乘支持矩阵机作为源域EEG数据分类模型，其目标函数为：
4.根据权利要求1所述的一种用于脑电信号分类的自适应多模型知识迁移矩阵机，其特征在于，步骤5中，将多个源域的模型乘以相应的权重因子并用于构建目标受试者的脑电信号...
【技术特征摘要】
1.一种用于脑电信号分类的自适应多模型知识迁移矩阵机，其特征在于，步骤如下：
2.根据权利要求1所述的一种用于脑电信号分类的自适应多模型知识迁移矩阵机，其特征在于，步骤2中，使用共空间模式对eeg信号进行特征提取。
3.根据权利要求1所述的一种用于脑电信号分类的自适应多模型知...
【专利技术属性】
技术研发人员：杭文龙，庄奕，李佳兴，玄昌盛，梁爽，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：
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。