【技术实现步骤摘要】
本专利技术涉及脑电建模方法，尤其涉及一种基于域泛化的跨被试运动想象脑电建模方法。
技术介绍
1、脑机接口(brain computer interface，bci)是通过对eeg信号解码实现人脑与外界直接通信交互的技术，在康复领域有很大的发展潜力。运动想象是bci中一个重要的实验范式，当患者进行运动任务的想象时，大脑皮层的相关运动区域会产生大量eeg信号。通过对eeg的解码，可以实现对被试想象任务的分类识别。目前的信号解码技术主要为深度学习(deep learning，dl)，通过端到端的编码解码机制，学习eeg信号中具有高区分度的神经特征，提升mi分类准确率。然而深度学习需要大量的数据和时间进行建模，无法满足实际应用中患者“即插即用”的需求。利用采集的历史数据建立模型，并直接作用于新的患者进行mi分类识别可以节约时间和成本，有利于患者尽早进入康复流程，提升用户体验。但是历史数据来源于不同被试，eeg信号的质量以及人脑间的差异会降低模型的鲁棒性和精度。
2、综上所述，如何提升跨被试模型泛化能力，使得模型面对新的被试eeg数据无需再次训练建模，也能实现高精度的mi分类识别的问题；是目前本领域技术人员亟待解决的问题。
技术实现思路
1、本专利技术实施例的主要目的在于提出一种基于域泛化的跨被试运动想象脑电建模方法，旨在提出一种基于域泛化的运动想象脑电分类算法，通过最小化差异使得模型能学习子域之间的公共不变特征，以提升模型泛化能力。
2、本专利技术解决上述技术问题的
3、1)脑电数据预处理：
4、对脑电数据进行预处理；
5、将预处理过的脑电数据集分为目标域和源域两部分；
6、2)老师模型训练：
7、将预处理后的源域数据送入老师模型中进行一次训练；
8、训练得预测分类结果，使用交叉熵函数计算预测分类结果和真实分类结果的训练损失值，再对老师模型的参数进行反向更新；
9、其中，训练的过程中，老师模型学习特征点fteacher；
10、3)学生模型训练：
11、将预处理后的源域数据送入学生模型中进行一次训练；
12、训练得预测分类结果，使用交叉熵函数计算预测分类结果和真实分类结果的分类损失值losscls；
13、根据老师模型学习的特征点fteacher和学生模型学习的域内分类特征finternal，通过均方误差函数计算蒸馏损失值lossmse；
14、根据学生模型学习的域间不变特征fmutual，计算各子域之间的损失值lossalign；
15、根据学生模型学习的域内分类特征finternal和域间不变特征fmutual，计算损失lossexp；
16、将分类损失值losscls、蒸馏损失值lossmse、各子域之间的损失值lossalign、损失lossexp相加得到最终模型损失lossall，通过最终模型损失lossall反向梯度更新学生模型。
17、进一步地，所述对脑电数据进行预处理的步骤包括：
18、对脑电数据进行去基线处理；
19、处理后的脑电数据通过3阶巴特沃斯滤波器进行频域滤波；
20、通过z-score算法，进行归一化处理；z-score算法为：
21、
22、其中，x为输入数据，此处z为每一个脑电样本中每一个通道的所有数据点，μ是这组数据点的均值，σ是这组数据点的标准差。
23、进一步地，所述将预处理后的源域数据送入老师模型中进行一次训练的步骤包括：
24、将源域数据的子域数据并列存储至一个数据加载器中，批处理量设置为8；共8×m个数据送入老师模型训练；
25、设置迭代次数i为0，学习率为0.001；
26、更新老师模型参数；
27、计算训练集损失；
28、迭代次数更新为i+1；
29、当迭代次数小于700时，继续循环迭代；
30、当迭代次数达到或超过700时，将学习率设置为0.0001，继续循环迭代；
31、当迭代次数达到1000时，保存老师模型。
32、进一步地，所述将源域数据的子域数据并列存储至一个数据加载器中，批处理量设置为8；共8×m个数据送入老师模型训练的步骤包括：
33、数据通过两维卷积层获取时-空特征；
34、通过深度卷积层进行特征的提取；
35、通过平均池化层进行特征的降维；
36、通过全连接层及softmax函数得到预测分类结果。
37、进一步地，所述将源域数据的子域数据并列存储至一个数据加载器中，批处理量设置为8；共8×m个数据送入老师模型训练的步骤中：
38、假设送入老师模型的源域数据x格式为(b，d，c，t)，其中，b代表每次输入至模型的样本数量，d代表每个样本输入数据的特征维度，c代表每个样本输入数据的通道数，t代表每个样本输入数据的数据量；
39、当所选网络层为两维卷积层时，两维卷积层的滤波器大小为(1，tc)，维度为f1，代表在每次滤波器将对tc个数据点进行特征提取，提取的维度为f1，步长为1；两维卷积层的padding参数设置为0，即对数据进行补0操作；公式如下：
40、
41、其中，是cnn的输出，w是神经元的权重，b是偏置，f是激活函数；
42、当所选网络层为深度卷积层时，深度卷积层的滤波器大小为(c，1)，维度为f2，代表每次滤波器将对每一个时间点上的所有脑电通道进行空间上的特征提取，输出维度为f2；
43、当所选网络层为平均池化层时，平均池化层滤波器的大小为(1，cavg)，其中，cavg代表池化范围，每次计算cavg个数据的平均值，步长为5；
44、当所选网络层为全连接层时，全连接层的滤波器大小为(1，5)，步长为(1，1)，维度为20，每5个迭代数据学习一个特征点fteacher，特征点fteacher的维度为20，共学习200个特征点fteacher。
45、进一步地，所述将预处理后的源域数据送入学生模型中进行一次训练的步骤包括：
46、将源域数据的子域数据并列存储至一个数据加载器中，批处理量设置为8；共8×m个数据送入学生模型训练；
47、设置迭代次数i为0，学习率为0.001；
48、更新学生模型参数；
49、计算训练集损失；
50、迭代次数更新为i+1；
51、当迭代次数小于1000时，继续循环迭代；
52、当迭代次数达到或超过1000时，将学习率设置为0.0001，继续循环迭代；
53、当迭代次数达到1500时，保存学生模型；
54、其中，训练的过程中，本文档来自技高网...
【技术保护点】
1.一种基于域泛化的跨被试运动想象脑电建模方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于，所述对脑电数据进行预处理的步骤包括：
3.根据权利要求1所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于，所述将预处理后的源域数据送入老师模型中进行一次训练的步骤包括：
4.根据权利要求3所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于，所述将源域数据的子域数据并列存储至一个数据加载器中，批处理量设置为8；共8×m个数据送入老师模型训练的步骤包括：
5.根据权利要求3所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于，所述将源域数据的子域数据并列存储至一个数据加载器中，批处理量设置为8；共8×m个数据送入老师模型训练的步骤中：
6.根据权利要求5所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于，所述将预处理后的源域数据送入学生模型中进行一次训练的步骤包括：
7.根据权利要求6所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于
8.根据权利要求7所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于，所述根据老师模型学习的特征点Fteacher和学生模型学习的域内分类特征Finternal，通过均方误差函数计算蒸馏损失值lossmse的步骤中，
9.根据权利要求8所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于，所述根据学生模型学习的域间不变特征Fmutual，计算各子域之间的损失值lossalign的步骤中，
10.根据权利要求1所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于，所述基于域泛化的跨被试运动想象脑电建模方法还包括：
...【技术特征摘要】
1.一种基于域泛化的跨被试运动想象脑电建模方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于，所述对脑电数据进行预处理的步骤包括：
3.根据权利要求1所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于，所述将预处理后的源域数据送入老师模型中进行一次训练的步骤包括：
4.根据权利要求3所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于，所述将源域数据的子域数据并列存储至一个数据加载器中，批处理量设置为8；共8×m个数据送入老师模型训练的步骤包括：
5.根据权利要求3所述的基于域泛化的跨被试运动想象脑电建模方法，其特征在于，所述将源域数据的子域数据并列存储至一个数据加载器中，批处理量设置为8；共8×m个数据送入老师模型训练的步骤中：
6.根据权利要求5所述的基于域泛化的跨被试运动想象脑电建模方法，其...
【专利技术属性】
技术研发人员：杨帮华，张佳杨，张永怀，夏新星，高守玮，梁晋涛，
申请(专利权)人：上海韶脑传感技术有限公司，
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。