[發明專利]基于多源流形嵌入遷移的腦電信號分類方法

在審

• 申請號: 202011618883.4
• 申請日: 2020-12-30
• 公開（公告）號: CN112684891A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 佘青山;汲繼躍;張波濤;王堅;陳云
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F3/01
• 分類號: G06F3/01;G06K9/62
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良

本發明公開了一種基于多源流形嵌入遷移的腦電信號分類方法。本發明首先進行多通道腦電信號采集并預處理。然后提取信號的協方差特征，利用線性變換矩陣最小化源域和目標域的KL距離對齊兩者的邊緣概率分布。隨后提取遷移后源域樣本和目標域樣本的切線空間特征以獲得樣本的向量表示，接著利用聯合分布對齊JDA適配源域和目標域的聯合概率分布，最后利用最小化風險準則SRM對適配后的源域樣本訓練域不變的分類器，對目標域樣本進行分類得到測試結果。本發明利用其他多個源域受試者的有標簽樣本的知識遷移到目標域受試者無標簽樣本，解決了BCI系統中個體差異性以及校準時間長的問題，為BCI的便捷應用提供了理論依據。

技術領域

本發明屬于模式識別領域，是一種針對運動想象腦電信號利用其它對象的有標簽腦電數據對目標對象的無標簽腦電數據進行遷移分類的方法。

背景技術

腦機接口技術(BCI)是一種不依賴于人體神經和肌肉組織的正常傳輸通路，而直接進行人腦與外界之間信息交流的人機交互系統，對于活動能力缺失患者的能力恢復和功能訓練具有重要意義，可以為意識障礙和中風患者的康復提供很大的幫助。患者可以通過該技術實現機械設備的控制，完成所需的動作。腦電信號(EEG)由于無需手術、使用方便的優點是BCI系統中使用最為廣泛的信號。

基于EEG的BCI系統已經取得了相當多的進展并應用于各個領域，但是考慮到EEG信號的特點：不平穩性、個體差異性問題，基于MI-EEG的應用仍需要在使用前進行一定時間的校準階段，為的是獲取足夠的標記數據，來訓練特定于受試者的算法模型。然而就算是同一受試者，不同時間如上午和下午的EEG信號仍存在相當大的差異，如果在每次使用前都需要枯燥費時的校驗階段無疑為BCI的交互增加了負擔，利用遷移學習來克服現有研究的不足，在減少校準時間的同時，將模型的精度保持在一定的范圍內，這無論是對BCI系統的使用者還是研究者都具有重要的意義。

在BCI系統中的遷移學習是將同一對象不同階段的EEG信號進行遷移，或是不同對象的EEG信號進行遷移，遷移學習在BCI領域的研究正在受到越來越多的關注，因為它能夠解決應用中的痛點。遷移學習的概念分為源域和目標域，源域是指從某一個區域獲取知識，而目標域是使用源域獲取的知識來解決目標域中的任務。

現在大多數應用于BCI系統的遷移方法都是基于特征遷移的，這是因為EEG信號中的特征提取是尤為關鍵的一步，已有的效果較好特征提取方法都是有監督的，而且需要較多的訓練數據，與特征結合的遷移方法能夠在遷移的同時提取信號的特征，能夠有效提高遷移的效果。原始的EEG樣本信號是通道乘采樣點數的二維矩陣，協方差矩陣可以看作是初步的特征，而且協方差矩陣具有許多優點：協方差矩陣是對稱正定矩陣并且位于黎曼空間上，而不是歐氏空間中，隨著黎曼空間的方法在基于EEG的腦-機接口中變得流行，最近也提出了許多基于特征的遷移方法。Li考慮協方差的遷移，其中來自其它受試者的數據根據重要性抽樣交叉驗證進行加權，然后使用權重較高的部分來估計最終的預測函數。Zanini等人提出了一種黎曼對齊RA方法。該方法利用其它受試者的參考協方差矩陣，對齊特定受試者的EEG協方差矩，RA首先計算源域中一些休息狀態下試驗的協方差矩陣，該狀態下受試者不執行任何任務，然后計算其黎曼均值，下一步將用作參考矩陣，以減少對象/階段間的變化，在運動想象中，休息狀態時對象不執行任何任務的時間窗口。Zanini改進的黎曼均值最小距離MDRM分類器，并證明了RA和改進的MDRM在分類中的有效性。