[发明专利]迁移半监督宽度学习的脑电信号分类方法

说明书

本发明涉及一种迁移半监督宽度学习的脑电信号分类方法。本发明使用迁移学习方法对源域和目标域进行最小化最大均值差异。接着使用最大均值差异适配源域和目标域的条件概率分布。进而对JDA方法处理后的无标签样本和有标签样本送入流形正则BLS分类器进行迁移半监督宽度学习分类器的训练。最后对构建的迁移半监督模型进行测试，并与其他方法进行对比。本发明在脑电信号处理、脑机接口系统中具有广阔的应用前景。

技术领域

本发明属于模式识别领域，通过迁移学习降低无标签风险性样本对分类器影响，并结合流形正则项构造具有安全性质的半监督宽度学习的脑电信号分类方法。

背景技术

脑机接口(Brain-Computer Interface,BCI)是一种只需要利用人脑在受到特定刺激时产生的信号就能控制外部设备或系统的技术，不依赖于正常的外围神经肌肉通道。在生物医学领域，BCI的一个主要应用是帮助病人进行主动康复训练，而脑电信号(Electroencephalography,EEG)是BCI中常用的信号之一，如何使用机器学习方法准确快速识别和分类病人的EEG信号成了现阶段研究热点。

近年来，机器学习在BCI中的研究越来越广泛，现有很多机器学习算法对EEG信号进行分类：支持向量机(Support Vector Machine,SVM)通过核函数将样本映射到高维空间，学习得到一个超平面来对样本进行分类。K近邻(K-Nearest Neighbor,KNN)通过计算距离，如常用的欧式距离来对样本进行分类。极限学习机(Extreme Learning Machine,ELM)是一个单隐层神经网络，由于其输入层和隐层连接权重随机产生且不需要调节，隐层和输出层连接权重可以通过最小二乘法计算获得，所以具有高效性和实时性。

除了传统的机器学习之外，深度学习(Deep Learning,DL)也开始应用于EEG信号的分类，Kumar等提出了一种自适应寻找深度参数阈值的深度学习模型。Tabar等考虑了EEG信号的时空特征，将堆叠式自动编码器和卷积神经网络用于EEG信号的分类，提出了一种从脑电信号中提取时间、频率和位置信息的新输入形式。Wang等使用短时傅里叶变换替代常见的共空间模式(Common Spatial Pattern,CSP)方法进行EEG特征提取，提出了两种新的基于卷积神经网络和长短时记忆的深度学习模型。但是，深度学习需要大量的训练时间且计算量庞大，为此，陈俊龙教授提出了一种宽度学习算法(Broad Learning System,BLS)，在简化分类器结构和减少训练时常的同时其分类准确度仍然接近深度学习分类准确度。Zou等提出一种新的结合共空间模式和宽度学习的多类脑电信号分类的算法，其结果表明宽度学习也适用于脑电信号分类领域。

然而，上述的方法都属于有监督学习，只使用有标签样本。而现实生活中无标签样本远远多于有标签样本，故近几年半监督算法在脑电信号分类领域逐渐受到广泛关注。Chen等提出了半监督最小二乘方法(Laplacian RLS,LapRLS)用于定位无线传感器网络。Melacci等提出半监督支持向量机(Laplacian SVM,LapSVM)，使用无标签样本使得分类器性能优于有监督SVM。Huang等提出了半监督极限学习机(Semi-Supervised ELM,SS-ELM)，在原有的ELM方法上引入流形正则项，使得算法可以利用无标签样本的信息进行训练，不仅保留其训练速度快的特点，而且模型的泛化性能也得到提升。She等提出了基于图的半监督宽度学习算法用于分类脑电信号，通过标签扩散法获得无标签样本的伪标签，进而训练半监督宽度学习分类器。