[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

本發明公開了一種基于流形嵌入分布對齊的腦機接口遷移學習方法，包含以下步驟：分別獲取源受試者的EEG數據和目標受試者的EEG數據；對EEG數據進行預處理和特征提取；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，得到訓練模型；利用訓練得到的分類器對目標受試者的無標簽的EEG數據進行分類。本發明在黎曼切平面映射和流形特征變換的基礎上，把特征分布對齊集成到分類器的訓練當中，訓練得到一個有效的分類器。本發明能夠有效提高目標用戶使用的腦機接口系統的性能，并減輕用戶的訓練負擔。

技術領域

本發明涉及視頻監控中圖像超分辨率研究領域，特別涉及一種基于流形嵌入分布對齊的腦機接口遷移學習方法。

背景技術

腦機接口(BCI，Brain?Computer?Interface)是通過計算機或其他電子設備在人腦與外界環境之間建立一條不依賴于外周神經和肌肉組織的對外信息交流和控制通路。它通過采集腦電信號，經過信號處理將其轉化為控制命令傳送到外部設備，從而實現人腦的對外控制。該技術形成于20世紀70年代，是一種涉及神經學、醫學、信號檢測、信號處理、模式識別等多個領域的交叉技術。腦機接口目前主要用于醫療康復領域，為那些喪失運動功能而大腦功能相對完善的患者帶來方便。

由于腦電信號存在平穩性較差、信噪比較低的特點，因此腦機接口在實際應用中需要耗費用戶較長的訓練時間來產生帶標簽的訓練樣本，以訓練生成可靠的分類模型，然后才能投入正常使用。無論對于健康用戶還是醫療患者，該枯燥的訓練階段都無疑加重了他們使用腦機接口產品的負擔。遷移學習描述了使用一項任務中記錄的數據來提高另一項相關任務的性能的過程。遷移學習可以應用于在腦機接口中，利用其它用戶的腦電圖(EEG)數據來提高當前用戶腦機接口中模型的初始性能，減少所需當前用戶的訓練樣本。因此，需要針對腦機接口系統設計一種有效的遷移學習方法。然而，目前應用于腦機接口的遷移學習技術存在各種限制條件，最終的效果還不太理想。

發明內容

本發明的主要目的在于克服現有技術的缺點與不足，提供一種基于流形嵌入分布對齊的腦機接口遷移學習方法，其應用時，可以有效減少腦機接口用戶所需的帶標簽訓練樣本。該技術利用其他用戶的帶標簽數據和當前用戶的未標簽數據，在流形切平面映射和子空間學習的基礎上，把特征分布對齊集成到分類器的訓練當中，學習到一個有效的分類器，可有效提高用于當前用戶的腦機接口系統的性能。

本發明的目的通過以下的技術方案實現：

一種基于流形嵌入分布對齊的腦機接口遷移學習方法，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取；

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；

S4、利用分類器對目標受試者的無標簽的EEG數據進行分類。

在步驟S1中，所述源受試者的EEG數據D_s含有n個試驗數據，且該n個試驗數據均帶有標簽；所述目標受試者的EEG數據D_t含有m個試驗數據，且該m個試驗數據均不帶標簽；n≥1，m≥1。

所述步驟S2，具體為：

S21、使用頻率帶為8-30Hz的五階巴特沃斯濾波器對EEG信號進行帶通濾波；

S22、截取用戶執行心理任務后的0.5-2.5s產生的EEG信號樣本X_i表示第i次試驗的樣本，其中n_e表示記錄的通道數，表示實數集，T_s表示采樣時間點的數量；

S23、對于第i次試驗，使用樣本協方差矩陣估算空間協方差矩陣：