一种基于可靠迁移学习的脑电信号识别方法及系统技术方案

本发明专利技术涉及脑电信号识别方法技术领域，公开了一种基于可靠迁移学习的脑电信号识别方法及系统，包括：采集EEG数据，并在划分源域和目标域后进行预处理。对源域和目标域数据进行增广。定义权重函数，自适应地学习每个源域数据对应的权重，确定出可迁移的源域数据。将监督学习损失、判别特征对齐正则化和选择性跨视图一致性学习正则化，一起集成到迁移学习框架中，建立目标函数。求解所述目标函数，实现对脑电信号的识别。本发明专利技术提供的基于可靠迁移学习的脑电信号识别方法及系统缓解了不可靠的源域数据对目标模型造成的负迁移效应。增强EEG深度特征的可分性。构建的模型具有更好的泛化能力。提升了模型对目标EEG信号的识别性能。

【技术实现步骤摘要】

本专利技术涉及脑电信号识别方法，具体为一种基于可靠迁移学习的脑电信号识别方法及系统。

技术介绍

1、脑电图(electroencephalogram，eeg) 作为一种非侵入式的大脑电活动监测方法，被广泛用于脑-机接口(brain computer interface, bci)。基于eeg信号的bci可以在大脑和外部设备之间建立直接的信息交互通道，在神经康复工程方面展现出巨大的前景。

2、目前，深度学习方法在eeg信号解码方面获得了显著进展，其性能在很大程度上依赖于充足的eeg训练数据。由于收集大量的eeg数据耗时又费力，用户使用并不友好。一种替代方法是收集历史受试者的eeg数据来构建一个较大的数据集，用于模型训练。然而，真实场景中用户生理/心理状态存在差异，eeg数据在不同受试者间存在领域偏移，使得现有的大多数方法难以在目标受试者的eeg数据上表现出良好性能。为了缓解上述问题，可以利用迁移学习方法挖掘源域和目标域受试者eeg数据的共享知识，构建目标受试者eeg分类模型。但是，当源域中存在不可靠eeg数据（比如，受试者执行特定任务时出现外界干本文档来自技高网...

【技术保护点】

1.一种基于可靠迁移学习的脑电信号识别方法，其特征在于，包括：

2.如权利要求1所述的基于可靠迁移学习的脑电信号识别方法，其特征在于：所述划分源域和目标域包括，历史被试者EEG数据作为源域，由个数据和标签组成，表示为：

3.如权利要求2所述的基于可靠迁移学习的脑电信号识别方法，其特征在于：所述预处理包括，对数据截取特定时间段和带通滤波，得到经过预处理后的源域和目标域EEG数据，作为增广前的EEG数据视图。

4.如权利要求3所述的基于可靠迁移学习的脑电信号识别方法，其特征在于：所述对源域和目标域数据进行增广包括，使用Mixup方法分别对源域和目标域EEG...

【技术特征摘要】

1.一种基于可靠迁移学习的脑电信号识别方法，其特征在于，包括：

2.如权利要求1所述的基于可靠迁移学习的脑电信号识别方法，其特征在于：所述划分源域和目标域包括，历史被试者eeg数据作为源域，由个数据和标签组成，表示为：

3.如权利要求2所述的基于可靠迁移学习的脑电信号识别方法，其特征在于：所述预处理包括，对数据截取特定时间段和带通滤波，得到经过预处理后的源域和目标域eeg数据，作为增广前的eeg数据视图。

4.如权利要求3所述的基于可靠迁移学习的脑电信号识别方法，其特征在于：所述对源域和目标域数据进行增广包括，使用mixup方法分别对源域和目标域eeg数据进行数据增广，得到增广后的eeg数据视图：

5.如权利要求4所述的基于可靠迁移学习的脑电信号识别方法，其特征在于：所述定义权重函数包括，将源域eeg数据的概率预测映...

【专利技术属性】
技术研发人员：梁爽，李林哲，马尧，祖薇，杭文龙，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：