[发明专利]基于图半监督宽度学习的脑电信号分类方法

权利要求书

1.基于图半监督宽度学习的脑电信号分类方法，其特征在于：该方法包括以下主要步骤：

步骤(1)、构造一个自适应图，通过对比两个样本间的相似性来传播标签，将有标签样本的标签通过自适应图扩展至无标签样本；其中所述自适应图存在一个目标函数；

步骤(2)、对于步骤(1)中目标函数的两个变量进行优化求解，采用固定变量法固定其中一个变量而对另一个变量进行优化直至收敛；

步骤(3)、将通过自适应图标签扩展获得的伪标签无标签样本和少量有标签样本送入BLS分类器进行SS-BLS的训练；

具体是：假设经过预处理后的样本为相应的经过图扩展后的标签分别为Y^S和Y^U；在SS-BLS算法中，由输入样本到特征向量的权重矩阵为W_ss＝[W_ss1,...,W_ssM]和偏差β_ss＝[β_ss1,...,β_ssM]，通过特征映射函数φ映射到特征空间，每个向量Z_ssi表示为：

Z_ssi＝φ_i(X_ssW_ssi+β_ssi)，i∈M (7)

其中，M表示特征向量个数，φ(·)是一非线性函数，

在获得映射后的特征节点Z_ss＝[Z_ss1,Z_ss2,...,Z_ssM]后，从映射后的特征层到增强层表示为：

H_hj＝φ_j(ZW_hj+β_hj),j∈N (8)

其中，W_h＝[W_h1,...,W_hN]和β_h＝[β₁,...,β_N]是随机权重和偏差值；则SS-BLS模型表示为：

[Y^S|Y^U]＝[Z_ss|H_h]W^m (9)

步骤(4)、根据步骤(3)中得出的SS-BLS模型，对其W^m进行求解，其求解如下所示：

其中，λ_ss是平衡参数，用于约束W^m；上式通过脊回归进行求解得：

W^m＝(λ_ssI+[Z_ss|H_h]^T[Z_ss|H_h])^-1[Z_ss|H_h]^T[Y^S|Y^U] (11)

其中I表示单位向量矩阵；

如果λ_ss＝0，式(11)就退化成最小二乘问题，λ_ss→∞，结果趋于0；参考BLS选择λ_ss＝2-³⁰；通过得到[Z_ss|H_h]的Moore-Penrose广义逆，式(11)写成：

W^m＝[Z_ss|H_h]⁺[Y^S|Y^U] (12)

求得[Z_ss|H_h]⁺的伪逆为：

获得预测标签公式：

Y_ss＝[Z_ss|H_h]W^m (14)。