[發明專利]一種基于領域泛化的腦電度量遷移學習方法

在審

• 申請號: 202111680497.2
• 申請日: 2021-12-29
• 公開（公告）號: CN114330753A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 佘青山;陳鐵;席旭剛;張啟忠;汪婷
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于領域泛化的腦電度量遷移學習方法，其特征在于：包括以下步驟：

步驟一、求解腦電數據的整體散度；

步驟二、度量不同域之間的相似性；

步驟三、求解類內散度和類間散度。

2.根據權利要求1所述的一種基于領域泛化的腦電度量遷移學習方法，其特征在于：所述步驟一具體包括：

假設有n個源域源域數據X的分布在映射φ下的散度定義為：

其中，||·||_H是RKHS中的范數；μ_D是在RKHS空間中的均值映射。

定義所有源域的域均值為：整體散度表示為通過對所有原始數據進行映射，得到Φ＝[φ(x₁)，...，φ(x_n)]^T，減去均值后，得到協方差矩陣：cov(Φ)＝Φ^TΦ，整體散度進一步表示為使用核方法，尋找特征變換矩陣P，整體散度在映射φ下的優化目標如下：

s.t.P^TKP＝I (2)

其中，Tr(P^TKKP)表示矩陣P^TKKP的對角線元素之和。

3.根據權利要求1所述的一種基于領域泛化的腦電度量遷移學習方法，其特征在于：所述步驟二具體包括：

域間散度本質上是不同源域之間的最大平均差異，同樣利用核方法求解MMD矩陣的特征變換矩陣P，優化下面的目標函數：

其中，M是MMD矩陣。

4.根據權利要求1所述的一種基于領域泛化的腦電度量遷移學習方法，其特征在于：所述步驟三具體包括：

采用費希爾線性判別式將兩個散度結合，尋找特征映射P，最小化特征變換后的所有源域的類內距離，并且最大化類間距離，從而得到類內散度為：

其中，m_k和分別是RKHS空間中第k類的映射均值映射和整體的映射均值，

類間散度為：

其中，K是核矩陣。

求解使四個散度最優的線性變P，使得類間散度和整體散度最大化、類內散度和域間散度最小化，進而得到最終的目標函數：

s.t.P^TKP＝I

其中，β和δ是大于0的超參數。

通過廣義特征值分解求解P，得到使目標函數最大化時的P*，并將其嵌入度量遷移學習目標函數中，建立腦電遷移的領域泛化算法，目標函數如下：

其中，r(A)表示度量矩陣A的傳播誤差；表示度量遷移學學習中引入的領域泛化項；ηl(f，A，ω)表示樣本類內加權差和類間加權差的損失函數；

在多個源域求出投影矩陣P*和目標域投影矩陣P_t后，利用優化求解方法更新得到度量矩陣A。