[发明专利]基于新型迁移学习模型的脑-肌电智能全肢体康复方法

权利要求书

1.一种基于新型迁移学习模型的脑-肌电智能全肢体康复方法，其特征在于，包括如下步骤：

1)构建脑电信号数据的目标域和源域，包括将已有的被试者脑-肌电信号数据作为迁移学习模型的源域样本，新被试者的脑-肌电信号数据作为迁移学习模型的目标域样本；

2)根据目标域样本和源域样本构建脑-肌电协方差矩阵，得到目标域矩阵空间和源域矩阵空间；

3)将目标域矩阵空间和源域矩阵空间分别映射到可微黎曼流形的切空间；

4)构建用于对脑-肌电信号进行特征提取和分类的迁移学习模型，包括：构建卷积块、构建卷积神经网络作为迁移学习模型的特征提取器、构建全连接神经网络作为迁移学习模型的分类器和构建迁移学习模型的域判别器；其中，所述的：

(1)构建卷积块，构建一个4层的卷积块，其中：

第一层为1×N卷积层，卷积核大小为1×N，步长为1，卷积通道为M；

第二层为N×1卷积层，卷积核大小为N×1，步长为s，卷积通道为M；

第三层为ReLU激活函数,使经过激活后的输出为非负值，ReLU激活函数为：

r(f)＝max(0,f)

其中，f为输入的特征图；

第四层为批量归一化层，用于对上一层网络的输出进行归一化，使上一层网络输出的数据分布接近正态分布，能够提高模型的泛化性能，加速模型收敛；

该卷积块包含三个参数：卷积核大小N，卷积通道M，步长s；

(2)构建卷积神经网络作为迁移学习模型的特征提取器，所述的卷积神经网络包括5层：

第一层为第一卷积块，设置卷积块中的卷积核大小N＝1,步长s＝1,卷积通道M＝16；

第二层为第二卷积块，设置卷积块中的卷积核大小N＝3,步长s＝2,卷积通道M＝64；

第三层为第三卷积块，设置卷积块中的卷积核大小N＝5,步长s＝2,卷积通道M＝128；

第四层为平整层，将输入的特征图拉成一维，形成一个一维向量；

第五层为丢弃层，能够有效减低过拟合风险，在训练网络时，暂时丢弃一部分神经元；设定神经元被丢弃的概率为0.5，且丢弃的神经元不参与前向传播计算与参数更新；

(3)构建全连接神经网络作为迁移学习模型的分类器：

经过特征提取器后，得到脑-肌电信号的关键特征，以该特征作为全连接神经网络的输入后，经过第一全连接层和第二全连接层完成最终的决策分类，其中：

第一层为第一全连接层，设置隐藏节点数为512；

第二层为第二全连接层，设置隐藏节点数为c,其中c为分类任务的类别数；

(4)构建迁移学习模型的域判别器：

域判别器以特征提取器所提取的脑-肌电特征作为输入，经过一层梯度反转层、第三全连接层和第四全连接层完成区分源域脑电特征和目标域脑电特征的分类任务；各层参数如下：

第一层为梯度反转层，在迁移学习模型前向传播过程中对输入进行恒等变换，在迁移学习模型反向传播过程中梯度方向自动取反，梯度反转层表达式如下：

R(x)＝x

其中，x表示输入到梯度反转层的特征，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；

第二层为第三全连接层，设置隐藏节点数为100；

第三层为第四全连接层，设置隐藏节点数为2,其中c为分类任务的类别数；

5)构建迁移学习模型的损失函数；

6)输入源域样本和目标域样本对迁移学习模型进行训练；

7)通过脑-肌电智能全肢体康复设备采集被试者的脑电数据，并通过步骤2)和步骤3)后，将数据输入更新完毕的迁移学习模型，在多类脑电任务上进行识别；当识别出脑电类别所对应的被试者运动意图后，通过脑-肌电智能全肢体康复设备的外骨骼康复器械协助被试者执行相应的肢体动作，完成康复训练。