[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

说明书

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，首先将脑电信号通过短时傅里叶变化，由时序信号转化成时频域图像信号，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；采用公共数据集数据进行验证；本发明实现小样本条件下跨被试的数据复用，从而提高当前被试分类模型的泛化能力和精度。

技术领域

本发明属于生物信息技术领域，具体涉及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。

背景技术

运动想象思维活动，是一种运动意图的思维仿真而无真实的运动输出的思维方式，即大脑对整个运动过程进行想象而无实际的肌肉收缩，在神经生理学领域真实运动与运动想象有极大的相似性。脑-机接口(BCI)实质上是一套实现人和外部设备通信的人机接口系统，它不依赖于正常的外围神经肌肉通道，而是将脑电信号作为大脑意图的载体与外界进行交互。

在实际应用中，基于运动想象的脑机接口方法可以用于机器人辅助作业或者智能人机交互，是一种新型的交互控制方式。然而，由于个体生理结构和心理状态的差异，相同运动想象任务下不同被试和试次的信号差异往往相差较大。所以，这给分类模型的精度和泛化能力提出了巨大的挑战。为了解决这个问题，常采用的方法就是用户独立型训练策略，即对单个被试独立训练一个模型。然而，由于脑机交互任务对实验环境和参与被试有着严格的要求，所以，在实际操作中，很难采集到大量的有效的脑电数据。如果要保证分类模型的精度，就需要较长的实验周期以保证充足的数据量，然而这会极大的影响实验进程，不利于实际应用；而采用小样本来独立训练模型，易导致模型出现欠拟合和鲁棒性低等问题，极大的影响模型的分类性能。

发明内容

为了克服上述现有技术的问题，本发明的目的在于提供了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，实现小样本条件下跨被试的数据复用，从而提高当前被试分类模型的泛化能力和精度。

为了达到上述目的，本发明采取的技术方案为：

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，首先将脑电信号通过短时傅里叶变化，由时序信号转化成时频域图像信号，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；采用公共数据集数据进行验证。

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，1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：