[发明专利]基于迁移学习的用户独立型运动想象分类模型训练方法

权利要求书

1.一种基于迁移学习的用户独立型运动想象分类模型训练方法，其特征在于：首先将脑电信号通过短时傅里叶变化和通道融合，将单次多通道脑电信号转换为时频谱图，然后利用感知哈希算法，对不同被试之间的不同试次的数据进行度量，计算迁移权重系数，接着在对当前被试训练时，利用计算得到的权重与其他被试的数据进行加权，完成样本迁移；

所述的一种基于迁移学习的用户独立型运动想象分类模型训练方法，包括以下步骤：

1)脑电信号预处理：

首先，将采集到n导联脑电信号通过巴特沃斯6阶滤波器，进行8-30Hz的带通滤波，滤波后的信号表示为：

其中，N为样本点总数，n为导联数，m为采样点数，为第i个导联第j个采样点，t＝{1,2,···N}；

利用短时傅里叶变化，将时序脑电信号转换成时频域空间信号；

X(t)是傅里叶变换之后的结果，ω表示固定的中心频率，R代表滑动窗的数目，j代表复指数；分别对运动想象相关脑区通道进行短时傅里叶变换，然后将所得到的结果转换为时-频图，再分别将时-频图进行按照频率轴的方向进行堆叠实现通道融合：

2)数据划分：

对于当前训练的被试，定义为目标被试，其脑电数据规定为目标域数据D_T，对于除当前被试以外的其他被试，统一称作非目标被试，其数据称为源域数据D_S；定义为来自源域数据的一个样本，为来自目标域数据的一组样本，其中，t代表脑电实验的试次数，l代表矩阵的维度，i代表被试的编号；同时，定义当前被试的时-频图矩阵为

3)基于感知哈希算法的迁移权重计算:

采用基于感知哈希算法的样本迁移学习权重生成策略，其具体方法如下：

首先，将源域数据样本和目标域数据样本的时-频图矩阵转换为64x64大小并进行灰度处理，对处理后的数据进行离散余弦变换；

其中，α(u)和α(v)为变换时的系数矩阵，G_u,u和Q_v,v为变换后的结果，x代表离散信号列，x＝0,1,2…N，u和v分别代表源域和目标域数据；

提取变换后特征矩阵左上角8x8的子矩阵，作为信号的特征矩阵，提取每行列的元素进行加权平均，将求得的结果作为平均离散余弦系数；其计算过程如下：

其中，m_s为代表源域数据的系数值m_t代表目标域数据的系数值；

然后，将求得的平均离散余弦系数值作为阈值，利用8x8矩阵每个元素与阈值进行对比，大于阈值的记为1，小于阈值记为0，然后将求得的结果，组成1x64的行向量：

h_i＝0,b_im

h_i＝1,b_im

其中，b_i为第i个元素所对应的值，h_i代表利用第i个元素与阈值对比求得的值，m代表平均离散余弦系数矩阵所计算出的均值，将8x8矩阵中每个元素依次求解得到1x64的列向量H_i记为单次脑电信号的哈希码；

最后，分别通过求解源域数据和目标域数据的哈希码，计算其汉明距离d_H(H_T,H_S)，其计算过程如下：

L为源域所有试次的总数；将所求得的汉明距离d_H(H_T,H_S)，定义为样本迁移的权重

4)基于样本迁移的用户独立型训练策略：

对于单个被试脑电分类模型训练过程中，采用十折交叉验证法，对目标被试的数据集进行划分，同时，采用样本迁移法，将源域的数据迁移到当前的训练集中；

对于目标被试训练时，通过对源域的不同试次进行加权，然后将加权后的数据矩阵与目标域训练集进行混合，再通过划分出的测试集对训练模型进行验证，目标域数据集需要执行十折交叉验证，而迁移的数据全部参与每次训练。