[发明专利]基于判别式对抗网络的脑电自适应模型及在康复中的应用

权利要求书

1.一种基于判别式对抗网络的脑电自适应模型的构建方法，其特征在于，包括如下步骤：

1)构建脑电信号数据的源域和目标域作为输入样本；

具体是将新被试者的脑电信号数据作为自适应学习的目标域，已有被试者的脑电信号数据作为自适应学习的源域；

2)构建脑电自适应模型的由特征提取器和分类器构成的主干网络；主干网络各层参数设置如下：

第一层为时间卷积层，用于沿着时间维对数据长度为L，通道数为N的脑电信号进行时间滤波，提取不同频段上的特征信息；该层使用128种滤波器，每种滤波器与输入进行卷积操作后得到不同特征信息的映射，形成128个特征图；该时间卷积层卷积核大小设置为25×1，步长设置为1，则输出的每个特征图大小为(L-25+1)×N；

第二层为空间卷积层，用于沿着通道维对通道数为N的脑电信号进行空间滤波，融合多个通道的特征信息产生更具有辨识性的特征信息；该层使用256种滤波器，每种滤波器与输入进行卷积操作后得到不同特征信息的映射，形成256个特征图；该层卷积核大小设置为1×N，步长设置为1，则输出的每个特征图大小为(L-25+1)×1；

第三层为批量归一化层，用于对第二层网络的输出进行批量归一化处理，使第二层网络的输出数据分布接近正态分布，加速模型收敛，提高网络的泛化性能；

第四层为池化层，用于提高特征的尺度不变性，降低特征维度，简化后续计算，同时可达到保留与脑电分类任务最相关的特征，剔除冗余特征的作用；该层池化的大小为10×1，采用最大值池化；

第五层为丢弃层，用于有效控制过拟合问题，在训练网络时，暂时丢弃一部分神经元；设定神经元的保留概率为p，则神经元被丢弃的概率为1-p，且丢弃的神经元不参与前向传播计算与参数更新；

第六层为特征融合层，用于针对第五层输出的所有特征信息进行融合；该层使用c种滤波器，其中c为脑电分类任务中的类别数，每种滤波器的卷积核尺寸与第五层中每个特征图的尺寸相同；

第七层为输出层，包括c个神经元，该层经过SoftMax计算后输出每一类信号的预测概率，选取其中概率值最大的类别作为脑电自适应模型对于当前样本的判定结果；所述SoftMax的计算公式如下：

其中，为每一类的预测概率，f_i为第六层中第i个神经元的输出；

3)构建脑电自适应模型的域判别器作为分支网络；所述的域判别器包括三层：

第一层为梯度反转层，在前向传播过程中对输入进行恒等变换，在反向传播过程中梯度方向自动取反，计算公式如下：

R(x)＝x

其中，x表示输入梯度反转层的特征，R(x)表示梯度反转层的输出，I表示单位矩阵，λ表示梯度反转系数，p表示当前训练次数与总训练次数的比率；

第二层为融合卷积层，用于针对主干网络的第五层输出的所有特征信息进行融合；该层使用2种滤波器，每种滤波器的卷积核大小尺寸与主干网络的第五层中每个特征图的尺寸相同；

第三层为输出层，包括2个神经元，该层经过SoftMax操作后输出属于源域信号与目标域信号的预测概率，选取其中概率值最大的类别作为域判别器对于输入的判定结果；SoftMax的计算公式如下：

其中，为每一类的预测概率，v_i为域判别器第一层中第i个神经元的输出；

4)构建脑电自适应模型的损失函数；

5)利用源域和目标域的脑电信号数据对脑电自适应模型进行训练；包括：

设定总训练次数为M，在训练脑电自适应模型的主干网络时，输入源域的脑电信号数据进入特征提取器进行特征提取，形成源域特征，并将源域特征送入分类器进行脑电分类，同时利用主干网络的分类损失函数计算出分类损失；在训练脑电自适应模型的域判别器时，输入目标域的脑电信号进入特征提取器进行特征提取，形成目标域特征，并将源域特征和目标域特征输入域判别器进行二分类，同时利用域判别器的判别损失函数的计算公式计算出判别损失；最终，利用脑电自适应模型的损失函数的计算公式计算出整个模型的损失误差，并通过反向传播算法与小批量梯度下降法进行误差传播及参数更新；不断重复该过程对脑电自适应模型的参数进行迭代更新，直至达到总训练次数。