首页> 中国专利> 一种利用静息态对齐的运动想象迁移学习的方法

一种利用静息态对齐的运动想象迁移学习的方法

摘要

本发明公开了一种利用静息态对齐的运动想象迁移学习的方法,包括以下步骤:S1、获取运动想象数据和静息态数据;S2、选择一名受试者的数据作为测试集,除该受试者以外的其他受试者的数据作为训练集;S3、使用EAR对齐方法对脑电信号进行对齐;S4、采用切空间投影的方法进行降维,将黎曼空间的协方差矩阵投影至欧式空间;S5、利用RATL对测试集数据进行分类。本发明设计了EAR对齐方法,并将结构风险、W‑BDA、拉普拉斯正则化结合在一起,组成了一个基于运动想象的二分类无监督分类器,相比于传统的算法速度更快,也更具有普适性。

著录项

  • 公开/公告号CN112560937A

    专利类型发明专利

  • 公开/公告日2021-03-26

    原文格式PDF

  • 申请/专利权人 杭州电子科技大学;

    申请/专利号CN202011459642.X

  • 申请日2020-12-11

  • 分类号G06K9/62(20060101);G06F17/16(20060101);G06N3/08(20060101);

  • 代理机构33109 杭州杭诚专利事务所有限公司;

  • 代理人尉伟敏

  • 地址 310018 浙江省杭州市江干区下沙高教园区

  • 入库时间 2023-06-19 10:24:22

说明书

技术领域

本发明涉及运动想象分类和迁移学习领域,尤其涉及一种利用静息态对齐的运动想象迁移学习的方法。

背景技术

迁移学习是一种利用源域的信息来提高目标域分类准确率的一种学习方法,目前已经成功的应用在了脑机接口领域。由于不同的受试者和电极位置会引起数据协方差矩阵的变换,因此将脑电信号分类之前需要将源域数据与目标域数据进行对齐,来消除由于受试者和电极位置导致的差异。Zanini等人提出了基于MDRM分类器的迁移学习框架RA-MDRM。其中, RA是一种利用静息态的黎曼空间协方差矩阵对齐的方法。在运动想象中,静息态是指受试者没有进行任何想象任务时的状态,通常用两个连续运动想象任务间的转换空隙的数据来表示。此外,RA是在黎曼空间中进行的,黎曼空间的测地线计算比欧式空间的距离计算更加复杂,因此也更加耗时。而He等人提出了EA。EA是一种基于欧式空间下的脑电数据对齐方法,它比RA计算速度更快,也更具有普适性。因此,本发明结合两种算法的优势,提出了EAR 将静息态数据在欧式空间中进行对齐,不仅能够加快数据计算速度,还能很好的消除受试者和电极位置产生的数据协方差矩阵的差异。而数据分布自适应是非深度学习中最常见的迁移学习方法,其基本思想是,通过一些变换减少不同数据的分布距离。其中最常见的TCA通过减少域间的边缘分布差异来进行域对齐,而JDA同时兼顾了域间的边缘分布差异和条件分布差异。BDA在此基础上,考虑到了边缘分布和条件分布差异之间的平衡性,提出了使用平衡因子来调节不同分布差异的权重。而W-BDA在BDA上进行改进,解决了迁移学习中类别不平衡的问题。因此,本发明引用将此方法对脑电信号进行分类。

发明内容

本发明的目的在于解决现有技术中运动想象迁移学习中分类对齐速度慢,对齐差异大的问题,提出一种利用静息态对齐的运动想象迁移学习方法。

本发明所采用的技术方案为:一种利用静息态对齐的运动想象迁移学习方法,包括以下步骤:

S1、使用截止频率为8-30Hz的带通滤波器处理目标信号消除肌肉伪影、线噪声污染和直流漂移,然后截取运动想象提示信号后0.5-3.5秒和4.25-5.25秒的脑电信号分别作为运动想象数据和静息态数据;

S2、选择一名受试者的数据作为测试集,除该受试者以外的其他受试者的数据作为训练集;

S3、使用EAR对齐方法对脑电信号进行对齐;

S4、采用切空间投影的方法进行降维,将黎曼空间的协方差矩阵投影至欧式空间;

S5、利用RATL对测试集数据进行分类。

作为优选,所述步骤S3的具体方法为:

S31、计算测试集静息态数据的协方差矩阵的算数平均值,

其中,x

S32、将所有运动想象数据x

式中x

作为优选,所述步骤S4的目的为将每个二维的脑电信号转换为一维的特征向量,以便进行下面的机器学习操作,切向量S

作为优选,步骤S5具体包括以下步骤:

S51、在对目标域进行分类之前,需要在含有标记的源域数据上归纳出一个标准分类器f,即结构风险最小化;

S52、用平衡因子来调节边缘分布和条件分布的权重;

S53、采用W-VDA对两种分布差异进行估计;

S54、流形正则化;

S55、合并得到分类器f的表达式并用该分类器对目标域脑电数据进行分类。

作为优选,所述步骤S51的具体方法为:根据结构风险最小化的原则,计算出最小化源域风险如下式:

其中H

因此式(4)可以改写为:

其中A为对角矩阵,当且仅当x

作为优选,所述步骤S52的具体方法为:根据不同的任务需要用平衡因子来调节边缘分布和条件分布的权重,具体表达式如下:

D

其中P(x

作为优选,所述平衡因子μ的计算方法为:将

d

最终可以得到μ的表达式为:

其中d

作为优选,所述步骤S53的具体方法为:采用W-BDA对两种分布差异进行估计,

其中H表示重构核希尔伯特空间,c∈{1,2}是不同的类标签,n表示源域中的样本数量,m表示目标域中的样本数量,D

D

其中

W

作为优选,所述步骤S54中流形正则化表达式为:

其中,W

作为优选,所述步骤S55的具体方法为:将步骤S51~S54中得到的表达式进行合并得到f的表达式为:

本发明产生的有益效果是:(1)本发明将每个受试者的运动想象脑电数据投影在目标受试者的静息态脑电数据的协方差矩阵上。可以消除由于受试者和电极位置导致的差异,同时保留因为任务不同而形成的位移,从而利于迁移;(2)本发明采用EAR对齐方法,相比于黎曼空间中的算法速度更快,也更具有普适性;(3)本发明采用切空间投影的方法,将黎曼空间的协方差矩阵投影至欧式空间,进行降维,能够极大的保留脑电数据结构的完整性;(4) 本发明创造性的将结构风险、W-BDA、拉普拉斯正则化结合在一起,组成了一个基于运动想象的二分类无监督分类器;(5)EAR-RATL为基于迁移学习的运动想象分类的一个方法,包含数据的对齐、降维和分类,且该方法的分类效果在公开数据集上有大幅度提升。

附图说明

附图1为本发明的逻辑流程示意图。

具体实施方式

下面结合附图对本发明做进一步描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

实施例1

本发明的目的在于提供一种利用静息态对齐的运动想象迁移学习的方法,具体步骤如下:

S1、使用截止频率为8-30HZ的带通滤波器处理目标信号消除肌肉伪影、线噪声污染和直流漂移。然后,截取运动想象提示信号后0.5-3.5秒和4.25-5.25秒的脑电信号分别作为运动想象数据和静息态数据;

S2、选择一名受试者的数据作为测试集,除该受试者以外的其他受试者的数据作为训练集; S3、使用EAR对齐方法对脑电信号进行对齐,首先计算测试集静息态数据的协方差矩阵的算数平均值。

受试者的静息态数据用x

步骤S4、采用切空间投影的方法,将黎曼空间的协方差矩阵投影至欧式空间,进行降维。它将将每个二维的脑电信号转换为一维的特征向量,以便进行下面的机器学习操作。切向量S

S5、利用RATL对测试集数据进行分类,具体包括以下步骤:

S51、在对目标域进行分类之前,首先需要在含有标记的源域数据上归纳出一个标准分类器f,根据结构风险最小化的原则,计算出最小化源域风险如下式:

其中H

因此式(4)可以改写为:

其中A为对角矩阵,当且仅当x

Y=[y

S52、不同域之间的分布差异将导致分类器在目标域上判别效果下降。因此,需要学习域不变的分类器来减少域间边缘分布和条件分布的差异。然而,仅仅匹配两个分布是不够的,根据不同的任务需要用平衡因子μ来调节边缘分布和条件分布的权重。具体表达式如下:D

其中P(x

d

最终可以得到μ的表达式为:

式中d

S53、为了计算边缘分布和条件分布的差异,采用W-BDA对两种分布差异进行估计。因此,式(7)可以改写为:

其中H表示重构核希尔伯特空间,c∈{1,2}是不同的类标签,n表示源域中的样本数量,m表示目标域中的样本数量,D

D

其中

M

W

S54、根据流形假说,如果两个点X

其中W

S55、最终合并,f的表达式如下:

可改写为:

实施例2

为证明上述方法的可行性,使用2008年国际BCI竞赛运动想象数据集Dataset 2a对该算法进行检验。数据提取的方法如下:受试者坐在屏幕前的舒适椅子上。在实验开始时,黑色屏幕上将会出现一个十字架,提示受试者做好准备,接着屏幕上会出现某个方向的箭头作为视觉提示出现几秒,这时要求受试者根据提示进行特定的运动想象任务。直到视觉提示消失后,进行短暂休息,等待下一次实验开始。

数据集Data set 2a由九个健康受试者的脑电图数据组成,每个受试者被指示执行四种不同的运动想象任务,即左手、右手、双脚和舌头的运动。在250HZ的取样频率下,记录22 路EEG信号和3路EOG信号。在两天中分别提取受试者的训练数据和测试数据。由于本次实验主要考虑受试者间的迁移学习,因此仅使用了训练阶段的左右手运动想象的脑电数据,其中包括完整的标记信息。选取迁移学习中最具有代表性的几种方法进行对比。其中:TCA: 一种边缘分布自适应方法,是迁移学习中数据分布自适应的经典方法。也可被应用于脑电型号的迁移学习中;W-BDA:不仅同时考虑边缘分布和条件分布的自适应,还引入各类别的条件分布作为RATL中引用;WAR:一种加权自适应正则化迁移学习方法;MEDA:一种黎曼空间中的带有结构风险最小化的域不变分类器。在图像处理领域有不错的表现。

由对比结果所示,不难看出本发明为运动想象受试者的迁移学习提供了一种更好的新方法。先用对齐操作,将源域受试者的脑电数据和目标域受试者的脑电数据融合在一起,消除由于受试者和电极位置引起的差异。再通过RATL学习一个最小结构风险的域不变分类器,对脑电数据进行分类。本方法在对齐时,未使用脑电信号的标签属于无监督分类算法,且在欧式空间中计算速度相对较快,具有很强的普适性,可以进行推广。

去获取专利,查看全文>

相似文献

  • 专利
  • 中文文献
  • 外文文献
获取专利

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号