[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

本發明涉及一種基于領域泛化的腦電度量遷移學習方法，以腦電信號為研究對象，基于現有的度量遷移學習方法，進一步引入領域泛化思想以增強模型的泛化能力。本發明擬研究核表征學習方法，結合整體散度、域間散度、類內散度、類間散度四個方面，尋找能使類間散度和整體散度最大化、類內散度和域間散度最小化的特征變換矩陣。本發明的研究方法和取得的成果可進一步豐富腦電信號識別算法內容，具有廣泛的應用價值。

技術領域

本發明涉及一種基于領域泛化的腦電度量遷移學習方法，本發明屬于腦機接口遷移學習領域，涉及腦電數據的整體散度、域間散度、類內散度、類間散度計算，最終根據計算得到的散度進行領域泛化性能的分析，從而得到泛化能力更強的模型。

背景技術

腦機接口的核心是使得機器能夠“讀懂”大腦意圖，所以首先需要用一種方式來記錄、測量大腦的活動情況。在目前的研究中，腦電信號是一種較為有效的記錄大腦活動的方式，大部分研究都希望在盡可能短的時間內檢測和分析能夠反映大腦不同狀態的信號。

目前的檢測技術主要包括腦電圖(EEG)、腦皮層電圖(ECoG)、腦磁圖(EMG)、功能磁共振成像(fMRI)、正電子發射斷層掃描(PET)等。其中EEG相對簡單快速，價格便宜，不會對人體造成損傷，同時具有較高的時間分辨率，因此成為BCI最重要的信號獲取手段之一。然而，在BCI系統實際應用中要獲得充足而又能覆蓋整個數據空間的代表性樣本是非常困難的一項任務，因此在傳統的模式識別與機器學習領域中，通常假設訓練數據和測試數據來自同一特征空間，并且服從相同的數據分布。一方面，由于訓練過程比較乏味，如果訓練時間過長，給被試者帶來很大的工作量及精神負擔，在某些情況下對病患進行長時間訓練甚至不可行，因此原始的帶有標記的樣本通常較少，不足以訓練一個好的分類器；另一方面，EEG數據具有時變性，在不同采集時間、不同狀態下采集的EEG數據呈現出較大的差異，這使得在不同個體、試次、任務中獲取的數據分布存在較大的不一致性，機器學習模型參數的校準時間長、適應性弱。為此，如何減少被試的訓練時間和提高準確率與適應性已成為BCI系統實用化過程中亟待解決的一個重要問題。

度量遷移學習是一種融合度量學習和遷移學習的新的研究領域，旨在找到一種合適的方法來揭示數據之間的關系。度量學習通常需要大量的標簽信息才能獲得滿意的性能；而遷移學習中，雖然目標域無法提供足夠的有標記樣本進行訓練，但是可以將其他有標記的數據加入到源域中進行訓練，這就能使得遷移學習可以很好地滿足度量學習的需求，實現類內距離最小化、類間距離最大化，能夠更好地協助遷移學習提高分類器的性能。目前已經有研究將度量遷移學習用于腦電的識別，然而這些度量遷移學習方法沒有明確地減少學習過程中不同的源域、目標域之間的差異，導致學習所得到的模型的泛化能力不足。在目標域數據分布變化較大時，遷移學習模型的分類性能不能達到較好的效果。