[發(fā)明專利]基于判別式對抗網(wǎng)絡(luò)的腦電自適應(yīng)模型及在康復(fù)中的應(yīng)用

有效

• 申請?zhí)枺?/td>: 202010364697.6
• 申請日: 2020-04-30
• 公開（公告）號: CN111584029B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設(shè)計(jì)）人: 高忠科;洪曉林;陳培垠
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: G16H20/30
• 分類號: G16H20/30;G06F18/10;A61B5/372;G16H50/50;G16H40/60;G06F18/25;G06N3/084;G06N3/0464;G06F18/213
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 杜文茹

1.一種基于判別式對抗網(wǎng)絡(luò)的腦電自適應(yīng)模型的構(gòu)建方法，其特征在于，包括如下步驟：

1)構(gòu)建腦電信號數(shù)據(jù)的源域和目標(biāo)域作為輸入樣本；

具體是將新被試者的腦電信號數(shù)據(jù)作為自適應(yīng)學(xué)習(xí)的目標(biāo)域，已有被試者的腦電信號數(shù)據(jù)作為自適應(yīng)學(xué)習(xí)的源域；

2)構(gòu)建腦電自適應(yīng)模型的由特征提取器和分類器構(gòu)成的主干網(wǎng)絡(luò)；主干網(wǎng)絡(luò)各層參數(shù)設(shè)置如下：

第一層為時(shí)間卷積層，用于沿著時(shí)間維對數(shù)據(jù)長度為L，通道數(shù)為N的腦電信號進(jìn)行時(shí)間濾波，提取不同頻段上的特征信息；該層使用128種濾波器，每種濾波器與輸入進(jìn)行卷積操作后得到不同特征信息的映射，形成128個(gè)特征圖；該時(shí)間卷積層卷積核大小設(shè)置為25×1，步長設(shè)置為1，則輸出的每個(gè)特征圖大小為(L-25+1)×N；

第二層為空間卷積層，用于沿著通道維對通道數(shù)為N的腦電信號進(jìn)行空間濾波，融合多個(gè)通道的特征信息產(chǎn)生更具有辨識性的特征信息；該層使用256種濾波器，每種濾波器與輸入進(jìn)行卷積操作后得到不同特征信息的映射，形成256個(gè)特征圖；該層卷積核大小設(shè)置為1×N，步長設(shè)置為1，則輸出的每個(gè)特征圖大小為(L-25+1)×1；

第三層為批量歸一化層，用于對第二層網(wǎng)絡(luò)的輸出進(jìn)行批量歸一化處理，使第二層網(wǎng)絡(luò)的輸出數(shù)據(jù)分布接近正態(tài)分布，加速模型收斂，提高網(wǎng)絡(luò)的泛化性能；

第四層為池化層，用于提高特征的尺度不變性，降低特征維度，簡化后續(xù)計(jì)算，同時(shí)可達(dá)到保留與腦電分類任務(wù)最相關(guān)的特征，剔除冗余特征的作用；該層池化的大小為10×1，采用最大值池化；

第五層為丟棄層，用于有效控制過擬合問題，在訓(xùn)練網(wǎng)絡(luò)時(shí)，暫時(shí)丟棄一部分神經(jīng)元；設(shè)定神經(jīng)元的保留概率為p，則神經(jīng)元被丟棄的概率為1-p，且丟棄的神經(jīng)元不參與前向傳播計(jì)算與參數(shù)更新；

第六層為特征融合層，用于針對第五層輸出的所有特征信息進(jìn)行融合；該層使用c種濾波器，其中c為腦電分類任務(wù)中的類別數(shù)，每種濾波器的卷積核尺寸與第五層中每個(gè)特征圖的尺寸相同；

第七層為輸出層，包括c個(gè)神經(jīng)元，該層經(jīng)過SoftMax計(jì)算后輸出每一類信號的預(yù)測概率，選取其中概率值最大的類別作為腦電自適應(yīng)模型對于當(dāng)前樣本的判定結(jié)果；所述SoftMax的計(jì)算公式如下：

其中，為每一類的預(yù)測概率，f_i為第六層中第i個(gè)神經(jīng)元的輸出；

3)構(gòu)建腦電自適應(yīng)模型的域判別器作為分支網(wǎng)絡(luò)；所述的域判別器包括三層：

第一層為梯度反轉(zhuǎn)層，在前向傳播過程中對輸入進(jìn)行恒等變換，在反向傳播過程中梯度方向自動(dòng)取反，計(jì)算公式如下：

R(x)＝x

其中，x表示輸入梯度反轉(zhuǎn)層的特征，R(x)表示梯度反轉(zhuǎn)層的輸出，I表示單位矩陣，λ表示梯度反轉(zhuǎn)系數(shù)，p表示當(dāng)前訓(xùn)練次數(shù)與總訓(xùn)練次數(shù)的比率；

第二層為融合卷積層，用于針對主干網(wǎng)絡(luò)的第五層輸出的所有特征信息進(jìn)行融合；該層使用2種濾波器，每種濾波器的卷積核大小尺寸與主干網(wǎng)絡(luò)的第五層中每個(gè)特征圖的尺寸相同；

第三層為輸出層，包括2個(gè)神經(jīng)元，該層經(jīng)過SoftMax操作后輸出屬于源域信號與目標(biāo)域信號的預(yù)測概率，選取其中概率值最大的類別作為域判別器對于輸入的判定結(jié)果；SoftMax的計(jì)算公式如下：

其中，為每一類的預(yù)測概率，v_i為域判別器第一層中第i個(gè)神經(jīng)元的輸出；

4)構(gòu)建腦電自適應(yīng)模型的損失函數(shù)；

5)利用源域和目標(biāo)域的腦電信號數(shù)據(jù)對腦電自適應(yīng)模型進(jìn)行訓(xùn)練；包括：

設(shè)定總訓(xùn)練次數(shù)為M，在訓(xùn)練腦電自適應(yīng)模型的主干網(wǎng)絡(luò)時(shí)，輸入源域的腦電信號數(shù)據(jù)進(jìn)入特征提取器進(jìn)行特征提取，形成源域特征，并將源域特征送入分類器進(jìn)行腦電分類，同時(shí)利用主干網(wǎng)絡(luò)的分類損失函數(shù)計(jì)算出分類損失；在訓(xùn)練腦電自適應(yīng)模型的域判別器時(shí)，輸入目標(biāo)域的腦電信號進(jìn)入特征提取器進(jìn)行特征提取，形成目標(biāo)域特征，并將源域特征和目標(biāo)域特征輸入域判別器進(jìn)行二分類，同時(shí)利用域判別器的判別損失函數(shù)的計(jì)算公式計(jì)算出判別損失；最終，利用腦電自適應(yīng)模型的損失函數(shù)的計(jì)算公式計(jì)算出整個(gè)模型的損失誤差，并通過反向傳播算法與小批量梯度下降法進(jìn)行誤差傳播及參數(shù)更新；不斷重復(fù)該過程對腦電自適應(yīng)模型的參數(shù)進(jìn)行迭代更新，直至達(dá)到總訓(xùn)練次數(shù)。