【技术实现步骤摘要】
本专利技术属于迁移学习域适应领域，特别是脑机接口中跨对象和跨会话的数据分类方法。
技术介绍
1、脑机接口技术在一定程度上颠覆了人们和外界进行信息交流的方式。它通过从神经生理信号中提取特征并将其分类，进而对外部设备进行控制。目前，主流的脑机接口范式包括基于p300电位、稳态视觉诱发电位和运动想象。eeg信号凭借其非侵入的特点，在许多用于bci系统中的神经信号中脱颖而出。运动想象可以作为一种新型的运动损伤康复手段，通过控制轮椅、机械手等控制对象从而帮助或者改善患者损失的身体功能。
2、然而，eeg信号具有低信噪比、低空间分辨率和较高的跨会话和跨主题可变性，不同实验对象或者同一实验对象的不同实验环节的实验数据分布不相同且复用性较差。同时，目前大多数基于实例的迁移学习算法直接将问题输入到模型中，并没有细致地考虑领域间的相似性。传统的相似性度量是衡量对象间的几何距离，例如欧氏距离、曼哈顿距离、切比雪夫距离和闵可夫斯基距离等，但迁移学习的相似性度量是衡量对象间的分布而非距离。如何度量不同对象的分布差异是难点所在。此外，绝大多数无监督域自适应算法(即只有来自源域的标记数据)都集中在单源无监督域自适应上。然而，在实际场景中，标记数据可能来自不同数据集，并且它们可能不仅与目标域不同，彼此也不相同。
3、利用迁移学习方法，能够改善跨会话和跨主题问题的分类性能，并有益于bci系统在实际生活中的应用。特别是在医疗康复领域有着十分广泛的应用前景，不仅可以用于监测一些患者的大脑状态，观测其生命特征，还可以帮助一些运动功能缺失但脑神经
4、因此，需要一种基于多源域互信息的运动想象脑电信号域适应方法，通过引入一种最小化类相关特征和类无关特征这两个因素之间的互信息方法来分离出类相关特征和类无关特征。利用lmmd损失对前馈网络模型进行扩展，实现域适应。相较于对抗的方法，这里不需要对抗训练，收敛速度快，损失函数简单。对于源域中的样本，这里使用真实标签来计算每个样本属于某一类的权重。对于没有标签的目标域数据，通过神经网络预测得到样本伪标签，其样本权重计算方法同源域样本权重计算。将网络的输出作为无标签目标域的伪标签。
5、经过检索，公开号cn113705464a，一种用于解决运动想象脑机接口中特征迁移问题的域适应方法，它属于运动想象脑机接口中迁移学习
该专利技术解决了运动想象脑机接口中，由于脑电信号特征迁移带来的偏差会导致mi-bci的分类正确率低的问题。该专利技术没有对源域和目标域进行类别上的区分，忽略了不同类别的数据分布差异，可能导致不同类别的数据分布差异不明显。此外该方法不适用于多源域的情况，不能充分利用已有数据，泛化性较差。针对以上问题，本方法利用互信息提取不同域数据的类相关特征和类无关特征。同时针对脑电信号不同受试者分布差异大的问题，利用域适应方法减小同类别数据分布差异。
技术实现思路
1、本专利技术旨在解决以上现有技术的问题。提出了一种基于多源域互信息的运动想象脑电信号域适应方法。本专利技术的技术方案如下：
2、一种基于多源域互信息的运动想象脑电信号域适应方法，其包括以下步骤：
3、步骤1：将已有受试者的脑电信号作为源域数据，新加入受试者的脑电信号作为目标域数据，对两个域的原始脑电数据进行包括去均值、带通滤波和归一化在内的预处理；
4、步骤2：将经过预处理的脑电数据输入到编码器中，提取脑电数据的中间特征fm；
5、步骤3：将中间特征fm输入到逐点卷积层中，并将类相关特征fre和类无关特征fir输入到互信息估计器中，最小化他们的互信息；
6、步骤4：将类相关特征fre作为输入，通过最小化分类损失lcls来训练分类器c；
7、步骤5：将类相关特征fre和分类器预测的目标域伪标签一同输入分布度量器d，进行分布估计；
8、步骤6：综合步骤3、步骤4、步骤5的损失函数得到最终的目标函数，将目标函数最小化，
9、进一步的，所述步骤1将已有受试者的脑电信号作为源域数据，新加入受试者的脑电信号作为目标域数据，对两个域的原始脑电数据进行包括去均值、带通滤波和归一化在内的预处理，具体包括：
10、在matlab中对源域数据和目标域数据进行去均值处理，8-30hz的带通滤波，以及归一化处理；通过去均值处理，将数据集的中心移动到原点，使得数据的平均值为0，从而消除数据的偏差；归一化指的是使得预处理的数据被限定在一定的范围内，从而消除奇异样本数据。
11、进一步的，所述步骤2：将经过预处理的数据输入到编码器e中，提取它的中间特征fm，具体为：
12、利用深度可分离卷积器对eeg信号进行编码；第一个卷积层具有[1×fs/2]的滤波器，其中fs表示数据的采样率，然后对输入的时间信息进行编码；第二卷积层以深度的方式用[nc×1]的核来处理第一层的输出，其中nc表示通道数；使用可分离卷积作为最后一层。
13、进一步的，所述步骤3将中间特征输入到逐点卷积层中，并将类相关特征和类无关特征输入到互信息估计器中，最小化他们的互信息，具体为：
14、将中间特征fm输入到逐点卷积层中，并将类相关特征和类无关特征输入到互信息估计器中，最小化他们的互信息；定义分解损失ldec如下，
15、
16、其中id是类无关特征fir和类相关特征fre之间的互信息，i表示第i个数据，n表示数据总个数，id定义如下，
17、
18、其中x、y表示需要求互信息的两个量，表示联合分布、表示边缘分布、，sp(z)＝log(1+ez)是softplus函数，tθ表示由θ参数化的神经网络，x,y表示x和y中的某一项，通过梯度上升的方式进行训练；为了最小化类相关特征和类无关特征之间的互信息，这里应用了梯度反转层grl。
19、进一步的，所述步骤4：将类相关特征fre作为输入，通过最小化分类损失lcls来训练分类器c，具体为：
20、将类相关特征fre作为分类器输入，通过最小化分类损失lcls来训练分类器c，从而得到目标域的伪标签
21、
22、其中e表示编码器。
23、进一步的，所述步骤5：将类相关特征fre和分类器预测的目标域伪标签一同输入分布度量器d，进行分布估计，具体为：
24、mmd是迁移学习中的域适应方法，mmd用来求映射后源域和目标域的均值之差，其定义下，
25、
26、其中s是源域数据，t是目标域数据，φ是数据的分布；ep和eq分别表示源域和目标域的期望分布，表示特征核为k的再生hillbert核空间。
27、对mmd做了改进，如下式所示，
28、
29、其中和分别表示和属于类c的权重，计算公式如下，
30、
31、其中之和与之和都等于1；yjc本文档来自技高网...
【技术保护点】
1.一种基于多源域互信息的运动想象脑电信号域适应方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多源域互信息的运动想象脑电信号域适应方法，其特征在于，所述步骤1将已有受试者的脑电信号作为源域数据，新加入受试者的脑电信号作为目标域数据，对两个域的原始脑电数据进行包括去均值、带通滤波和归一化在内的预处理，具体包括：
3.根据权利要求1所述的一种基于多源域互信息的运动想象脑电信号域适应方法，其特征在于，所述步骤2：将经过预处理的数据输入到编码器E中，提取它的中间特征Fm，具体为：
4.根据权利要求1所述的一种基于多源域互信息的运动想象脑电信号域适应方法，其特征在于，所述步骤3将中间特征输入到逐点卷积层中，并将类相关特征和类无关特征输入到互信息估计器中，最小化他们的互信息，具体为：
5.根据权利要求4所述的一种基于多源域互信息的运动想象脑电信号域适应方法，其特征在于，所述步骤4：将类相关特征fre作为输入，通过最小化分类损失Lcls来训练分类器C，具体为：
6.根据权利要求5所述的一种基于多源域互信息的运动想象
7.根据权利要求6所述的一种基于多源域互信息的运动想象脑电信号域适应方法，其特征在于，所述步骤6：综合步骤3、步骤4、步骤5的损失函数得到最终的目标函数，将目标函数最小化，具体为：
8.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于多源域互信息的运动想象脑电信号域适应方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于多源域互信息的运动想象脑电信号域适应方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项基于多源域互信息的运动想象脑电信号域适应方法。
...【技术特征摘要】
1.一种基于多源域互信息的运动想象脑电信号域适应方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多源域互信息的运动想象脑电信号域适应方法，其特征在于，所述步骤1将已有受试者的脑电信号作为源域数据，新加入受试者的脑电信号作为目标域数据，对两个域的原始脑电数据进行包括去均值、带通滤波和归一化在内的预处理，具体包括：
3.根据权利要求1所述的一种基于多源域互信息的运动想象脑电信号域适应方法，其特征在于，所述步骤2：将经过预处理的数据输入到编码器e中，提取它的中间特征fm，具体为：
4.根据权利要求1所述的一种基于多源域互信息的运动想象脑电信号域适应方法，其特征在于，所述步骤3将中间特征输入到逐点卷积层中，并将类相关特征和类无关特征输入到互信息估计器中，最小化他们的互信息，具体为：
5.根据权利要求4所述的一种基于多源域互信息的运动想象脑电信号域适应方法，其特征在于，所述步骤4：将类相关特征fre作为输入，通过最小化分类损失lcls来训练分类器c，具体为：
6.根...
【专利技术属性】
技术研发人员：唐贤伦，刘洁宇，杨峤，张浩川，李星辰，邓武权，徐梓辉，王乐君，王会明，
申请(专利权)人：重庆邮电大学，
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。