[发明专利]一种基于迁移学习和空洞卷积的癫痫状态识别方法

权利要求书

1.一种基于迁移学习和空洞卷积的癫痫状态识别方法，其特征在于，包含步骤：

S1、任选若干组原始癫痫脑电图信号；对每组原始癫痫脑电图信号进行五层离散Daubechies小波包分解，从中提取特定频率下的若干个小波包系数组作为一个特征组；一个特征组对应一组原始癫痫脑电图信号；

S2、计算所述特征组中的小波包系数组之间的皮尔逊相关系数和显著性P值，去除特征组中显著相关的小波包系数组，实现对特征组降维；降维后特征组的小波包系数组中的每个小波包系数均为一个有效特征；

S3、标准化处理从所述若干组原始癫痫脑电图信号提取的所有有效特征；

S4、将从若干个原始癫痫脑电图信号中提取的所有有效特征作为测试数据集，将现有癫痫脑电图信号特征数据库中的特征作为训练数据集；通过改进的CMJAE迁移学习方法实现跨领域知识迁移，并通过二维空洞卷积神经网络作为分类器，迭代获取测试数据集的分类结果；

步骤S4所述迭代获取测试数据集的分类结果，具体包含步骤：

S41、建立训练数据集D_S和测试数据集D_T，以D_S为源域，D_T为目标域；其中D_S为现有癫痫脑电图信号数据库中的特征集合，D_T为从所述若干组原始癫痫脑电图信号中提取的所有有效特征；C为D_S中特征的类别数，一个特征类别对应一个标签，D_S的标签集合为y_c为标签；D_S和D_T共享标签集合Y；

S42、通过二维空洞卷积神经网络训练源域D_S，得到二维空洞卷积神经网络分类器；通过所述二维空洞卷积神经网络分类器训练目标域D_T，更新目标域中特征的标签，完成一次迭代；当已完成的迭代总次数大于最大迭代次数T_max，或目标域中任何特征的标签都没有更新，进入S44；否则进入S43；

S43、计算投影矩阵W，通过W将源域D_S目标域D_T分别投影到新的特征子空间，得到Z_S＝W^TD_S，Z_T＝W^TD_T；Z_S、Z_T分别为D_S、D_T在新的特征子空间中的低维表示；实现减小D_S和D_T的边缘分布差异及条件分布差异；令Z_S作为下一轮迭代的源域D_S，令Z_T为下一轮迭代的目标域D_T，进入S42；

步骤S43中所述计算投影矩阵W，具体包含步骤：

S431、令目标域源域n_s和n_T分别为D_S、D_T中的特征个数；D_S与D_T分布不同但相关，令

S432、采用改进的跨领域均值联合逼近嵌入方法，构建CMJAE目标函数J(W)，

其中L₀＝XX^T-Xμ^T-X^Tμ+μμ^T，μ为X中所有特征的均值，μ^T为μ的转置，X^T为X的转置；

X^(c)为X中的第c类特征，(X^(c))^T为X^(c)的转置，μ_S^(c)、分别为D_S、D_T中第c类特征的均值；

λ是平衡参数，W为投影矩阵，W^T为W的逆；计算得到W；

S44、迭代结束，输出目标域中每个特征的标签，即为对若干组原始癫痫脑电图信号的分类结果；

S5、采用十折交叉验证法，验证测试数据集的分类效果。