[發明專利]一種基于黎曼流形坐標對齊的腦電信號域適應方法

有效

• 申請號: 202011342014.3
• 申請日: 2020-11-25
• 公開（公告）號: CN112580436B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 唐賢倫;李星辰;王會明;陳霸東;朱楚洪;鄧欣;李偉
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N20/00
• 代理公司: 重慶市恒信知識產權代理有限公司 50102
• 代理人: 陳棟梁

本發明請求保護一種基于黎曼流形坐標對齊的腦電信號域適應方法，屬于于遷移學習域適應方法，特別是腦機接口中跨會話、跨對象分類的數據對齊方法。包括以下步驟：首先對采集到的腦電數據進行去均值、濾波、歸一化等預處理；然后使用協方差矩陣對其進行處理，將腦電數據轉化為對稱正定(SPD)矩陣；根據對稱正定矩陣構建黎曼流形空間；接著，將流形空間中的腦電數據點映射到對應的切線空間中進行坐標對齊；最后，將對齊后的腦電數據點映射回黎曼流形空間，并進行矢量化處理。本發明能夠減少腦機接口系統中不同受試者腦電信號之間的差異，使得不同對象間的數據分布趨于一致。

技術領域

本發明屬于遷移學習域適應方法，特別是腦機接口中跨會話、跨對象分類的數據對齊方法。

背景技術

機器學習已經在許多領域中成功應用,但是收集并標注與目標數據具有相同分布的樣本的代價是高昂的。當源域數據集和目標域數據集的分布存在差異時,由源域不能在目標域上取得良好的預測結果。遷移學習就是解決源域和目標域之間存在分布差異的機器學習方法，其核心是找到源域和目標域之間的相似性,并利用相似性將在源域中獲得的知識應用于目標域。

域適應是遷移學習領域下的一個子問題。與遷移學習相比，域適應的背景條件約束更加嚴格，它需要保證源域、目標域的標簽空間和特征空間都相同且條件概率分布相同。

在腦機接口(BCI)領域中，由于受試者之間的差異很大，每次開始時都需要20-30分鐘的校準階段，以獲取足夠的標記數據來訓練受試者特定的BCI模型。在目標對象的訓練集較小的情況下，如何提高分類性能是目前需要解決的問題。而遷移學習下的域適應方法可以尋找源域和目標域之間的關系，使兩個域的數據在某個高維空間中滿足相似分布，以利用通過源域所獲得的先驗知識。

因此，需要一種數據對齊的域適應方法，降低BCI系統中不同受試者腦電信號之間的差異，使得不同對象間的數據分布在某個高維空間中趨于一致。

發明內容

本發明旨在解決腦機接口領域中因不同受試者腦電信號差異較大，而造成校準階段耗時的問題。提出了一種基于黎曼流形坐標對齊的腦電信號域適應方法。本發明的技術方案如下：

一種基于黎曼流形坐標對齊的腦電信號域適應方法，其包括以下步驟：

步驟1：獲取已知對象的腦電信號和新加入對象的腦電信號，已知對象的腦電信號為源域數據，新加入對象的腦電信號為目標域數據，分別對源域、目標域的原始腦電數據進行包括去均值、帶通濾波和歸一化在內的預處理；

步驟2：將經過預處理的源域和目標域的腦電數據均使用協方差矩陣進行處理，使數據形式轉化為對稱正定SPD矩陣；

步驟3：構建黎曼流形空間，將步驟2中處理好的腦電數據點一一對應到黎曼流形空間中；黎曼流形是一個對稱、正定的二階張量場的光滑流形，它是具有黎曼度量的微分流形；

步驟4：分別計算源域數據和目標域數據在黎曼流形空間中各自的黎曼均值點，兩個數據域總的黎曼均值點；

步驟5：將兩個域的腦電數據點和對應的黎曼均值點通過對數映射投射到對應的切線空間中；

步驟6：在對應的切線空間中，利用坐標變換將兩個域的腦電數據點進行平移對齊；

步驟7：將平移對齊后的兩個域的腦電數據點通過指數映射投射回原來的黎曼流形空間；

步驟8：將經過域適應對齊后的源域數據和目標域數據進行矢量化處理，并輸入分類器進行分類識別。

進一步的，所述步驟2：將源域和目標域的腦電數據都使用協方差矩陣進行處理，使數據形式轉化為對稱正定SPD矩陣；具體為：

假設腦電數據其中m為電極數，n為采樣時間，表示實數域，i表示第i個數據。將它和它的轉置矩陣相乘構建協方差矩陣，具體表達式為：