[发明专利]一种面向癫痫脑电信号迁移环境的自适应识别方法

权利要求书

1.脑电信号的预处理一特征迁移，包含如下步骤：

步骤一：将利用按标准化的电极布置方案测量采集的脑电信号(23.6秒长度)首先都校正到173.6Hz；

步骤二：利用主成分分析技术对上述校正后的初始脑电信号进行特征提取：PCA算法将得到的各个主分量之间互不相关，按照能量从大到小排列，越是靠前的主分量，能量越大，越能代表原始数据；

步骤三：本技术提出子空间相似性度量(subspace similarity measure，SSM)来在PCA算法计算得到的各个主分量之间完成特征提取工作，首先计算训练数据集和测试数据集的PCA子空间，PCA_S和PCA_T，如果两个数据集相似，那么它们在相应的PCA子空间之间也不会相距太远，基于这个策略SSM通过主分量之间的距离来考量源域和目标域中第d维主分量的相似性，其在PCA子空间中计算源域和目标域第d维主分量之间的主距离，具体如下：

dis(d)＝||PCA_S-PCA_T||    (1) 

这里dis(d)代表第d维PCA_S和PCA_T之间的主距离，我们将||PCA_S-PCA_T||定义为最小相关距离，上式中的dis(d)其值越小，表示PCA_S和PCA_T在第d维的主分量上就越靠近；

基于SSM思想来找出源域和目标域在PCA子空间中相似的主分量，并将其基于冒泡算法重新排序，根据邻域适应的策略，源域中dis(d)越小的主分量，表示其越能指导目标域的学习，我们将主分量按dis(d)由小到大排列，这样排列出的主分量，既能满足PCA提取的特性(即越能表示原始数据的主分量越放置在前面)，又将源域和目标域之间相似(即能对邻域学习做出较大贡献)的主分量排列在前。

2.如权利要求1所述面向癫痫脑电信号迁移环境的自适应识别方法，其特征是：

步骤一：利用径向基核函数将特征提取过后的数据映射到高维核空间；

步骤二：基于最大均值差(MMD)的分布距离度量来计算两个分布在再生核希尔伯特空间内(RKHS)的距离，对于训练集D_s＝{{x₁，y₁}，...，{x_n，y_n}}和一个测试集D_s＝{z₁，...，z_n}，则训练集与测试集之间的平均最大差异距离如式(3)所示：

一方面因为训练集和测试集的数据分布不同，我们要找到能缩小训练数据分布和测试数据分布间距离最小化的特征变换，另一方面还要使其在处理训练集分类时的效果达到最好(也可看作是求训练集之间的分布距离)，因此，基于MMD的迁移学习方式可以表示下：

这里d_f，k(P_γ，P′_γ)是分布距离函数，P_γ代表训练集样本的分布，P′_γ代表测试集样本的分布，λ是其平衡系数，d_f，k(P_γ，P′_γ)则是两个分布之间的测量距离，可通过下式求得：

步骤三：根据上面给出的决策函数式(4)和距离函数式(5)，LMPROJ的优化目标最终定义为：

其中的投影向量w为希尔伯特空间内的投影向量，根据表现定理(Representer Theorem)其可表示为：

这里设φ(S)＝(φ(s₁)，...，φ(s_n+m))＝φ(x₁)，...，φ(x_n)，φ(z₁)，...，φ(z_m))，φ(S)表示训练数据和测试数据的核特征向量集，将上式代入距离函数式(5)中，则两个分布的投影测量距离可以表示为：

这里的Ω可表示如下：

上式中的K_Tram表示训练数据的(n+m)阶核矩阵，而K_Test是测试数据的(m+n)阶核矩阵，这里的Ω也是(n+m)乘(n+m)的对称正半定矩阵，LMPROJ的优化目标最终可表示为如下的二次规划问题求解：