[發明專利]一種基于流形嵌入分布對齊的腦機接口遷移學習方法

有效

• 申請號: 202010417830.X
• 申請日: 2020-05-18
• 公開（公告）號: CN111723661B
• 公開（公告）日: 2023-06-16
• 發明（設計）人: 楊飛宇;顧正暉;俞祝良
• 申請（專利權）人: 廣州光達創新科技有限公司
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06V10/20;G06F18/213;G06F18/241;G06F18/214;G06V10/40
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

1.一種基于流形嵌入分布對齊的腦機接口遷移學習方法，其特征在于：包括以下步驟：

S1、分別獲取源受試者的EEG數據D_s和目標受試者的EEG數據D_t；

S2、對EEG數據進行預處理和特征提?。?/p>

S3、構建基于流形嵌入分布對齊的遷移學習模型，利用數據對遷移學習模型進行訓練，求解模型中的模型參數，從而得到訓練后的分類器；所述構建基于流形嵌入分布對齊的遷移學習模型，包括以下步驟：

S31、黎曼切平面映射，是指將各個受試者的試驗數據集投影到位于其黎曼均值的切平面上，生成n_e(n_e-1)/2維的向量s_i作為接下來流形特征變換的初始特征：

其中，upper運算符是指保留對稱矩陣的上三角部分，并通過對其對角線元素賦予單位權重，而對非對角線元素賦予權重從而對其進行矢量化，表示黎曼均值；P_i表示第i次試驗的樣本協方差矩陣；

所述黎曼均值，是指使用黎曼測地線距離計算多個協方差矩陣的中心，其計算公式如下所示：

其中，I表示協方差矩陣的數量，表示協方差矩陣P與P_i的黎曼測地線距離的平方；

其中黎曼測地線距離定義為

其中，F表示Frobenius范數，λ_i,1...n表示P₁^-1P₂的特征值；

S32、采用GFK方法進行流形特征變換：將源數據集和目標數據集嵌入到Grassmann流形中，然后，在兩點之間構造一個測地線流，并沿流Φ積分無限個子空間；

同時，流形空間中的特征能夠被表示為z＝g(s)＝Φ(t)^Ts，其中g表示流形變換函數，Φ(t)表示兩點之間的測地線，s為黎曼切平面映射得到的特征；變換后的特征z_i和z_j的內積定義了一個半正定的測地線流式核：

其中，G表示變換函數；

原始空間的特征可以轉換到Grassmann流形中：

S33、集成分布對齊的分類器，是以結構風險最小化原則和正則化理論為基礎的遷移學習框架；具體而言，該分類器模型旨在優化以下三個目標函數：

1)最小化源域標記數據Ds上的結構風險函數；

2)最小化聯合概率分布Js和Jt之間的分布差異；

3)最大化邊際分布Ps和Pt背后的流形一致性；

令預測函數表示為f＝w^Tφ(z)，其中w是分類器參數，是把原始特征向量投影到希爾伯特空間的特征映射函數；采用平方損失，f可公式化為

其中，K是φ導出的核函數，使得φ(z_i),φ(z_j)＝K(z_i,z_j)，并且σ、λ和γ是正則化參數；

所述源域標記數據Ds上的結構風險函數是指：

其中，是核空間中的一組分類器，是中f的平方范數，σ是收縮正則化參數，(y_i-f(z_i))²是平方損失函數；

所述最小化聯合概率分布Js和Jt之間的分布差異，是指同時最小化邊緣分布Ps和Pt之間的分布距離和條件分布Qs和Qt之間的分布距離：

其中D_f,K(P_s,P_t)為邊緣分布Ps和Pt之間的分布距離，為條件分布Qs和Qt之間的分布距離，C是類別個數；采用投影最大均值差異MMD作為距離度量來度量分布距離；

所述最大化邊際分布Ps和Pt背后的流形一致性，是指在測地光滑度下，流形正則化為

其中W_ij是圖親和度矩陣W第i行第j列的元素，L_ij是規范化圖拉普拉斯矩陣L第i行第j列的元素；

該分類器的學習算法如下：

為了有效地求解優化問題，使用如下的表示定理：

其中，K是由φ導出的核，α_i是系數，w是權重；

利用上述的表示定理重新表示上述三個目標函數，得到最終的目標函數：

其中，Y是標簽矩陣，K是核矩陣，E是對角標簽指示矩陣，M是MMD矩陣；

對目標函數求導，并令導數為0，可得

α＝((E+λM+γL)K+σI)^-1EY^T，

其中I是單位矩陣；

S4、利用分類器對目標受試者的無標簽的EEG數據進行分類。