[发明专利]一种基于黎曼流形坐标对齐的脑电信号域适应方法

说明书

本发明请求保护一种基于黎曼流形坐标对齐的脑电信号域适应方法，属于于迁移学习域适应方法，特别是脑机接口中跨会话、跨对象分类的数据对齐方法。包括以下步骤：首先对采集到的脑电数据进行去均值、滤波、归一化等预处理；然后使用协方差矩阵对其进行处理，将脑电数据转化为对称正定(SPD)矩阵；根据对称正定矩阵构建黎曼流形空间；接着，将流形空间中的脑电数据点映射到对应的切线空间中进行坐标对齐；最后，将对齐后的脑电数据点映射回黎曼流形空间，并进行矢量化处理。本发明能够减少脑机接口系统中不同受试者脑电信号之间的差异，使得不同对象间的数据分布趋于一致。

技术领域

本发明属于迁移学习域适应方法，特别是脑机接口中跨会话、跨对象分类的数据对齐方法。

背景技术

机器学习已经在许多领域中成功应用,但是收集并标注与目标数据具有相同分布的样本的代价是高昂的。当源域数据集和目标域数据集的分布存在差异时,由源域不能在目标域上取得良好的预测结果。迁移学习就是解决源域和目标域之间存在分布差异的机器学习方法，其核心是找到源域和目标域之间的相似性,并利用相似性将在源域中获得的知识应用于目标域。

域适应是迁移学习领域下的一个子问题。与迁移学习相比，域适应的背景条件约束更加严格，它需要保证源域、目标域的标签空间和特征空间都相同且条件概率分布相同。

在脑机接口(BCI)领域中，由于受试者之间的差异很大，每次开始时都需要20-30分钟的校准阶段，以获取足够的标记数据来训练受试者特定的BCI模型。在目标对象的训练集较小的情况下，如何提高分类性能是目前需要解决的问题。而迁移学习下的域适应方法可以寻找源域和目标域之间的关系，使两个域的数据在某个高维空间中满足相似分布，以利用通过源域所获得的先验知识。

因此，需要一种数据对齐的域适应方法，降低BCI系统中不同受试者脑电信号之间的差异，使得不同对象间的数据分布在某个高维空间中趋于一致。

发明内容

本发明旨在解决脑机接口领域中因不同受试者脑电信号差异较大，而造成校准阶段耗时的问题。提出了一种基于黎曼流形坐标对齐的脑电信号域适应方法。本发明的技术方案如下：

一种基于黎曼流形坐标对齐的脑电信号域适应方法，其包括以下步骤：

步骤1：获取已知对象的脑电信号和新加入对象的脑电信号，已知对象的脑电信号为源域数据，新加入对象的脑电信号为目标域数据，分别对源域、目标域的原始脑电数据进行包括去均值、带通滤波和归一化在内的预处理；

步骤2：将经过预处理的源域和目标域的脑电数据均使用协方差矩阵进行处理，使数据形式转化为对称正定SPD矩阵；

步骤3：构建黎曼流形空间，将步骤2中处理好的脑电数据点一一对应到黎曼流形空间中；黎曼流形是一个对称、正定的二阶张量场的光滑流形，它是具有黎曼度量的微分流形；

步骤4：分别计算源域数据和目标域数据在黎曼流形空间中各自的黎曼均值点，两个数据域总的黎曼均值点；

步骤5：将两个域的脑电数据点和对应的黎曼均值点通过对数映射投射到对应的切线空间中；

步骤6：在对应的切线空间中，利用坐标变换将两个域的脑电数据点进行平移对齐；

步骤7：将平移对齐后的两个域的脑电数据点通过指数映射投射回原来的黎曼流形空间；

步骤8：将经过域适应对齐后的源域数据和目标域数据进行矢量化处理，并输入分类器进行分类识别。

进一步的，所述步骤2：将源域和目标域的脑电数据都使用协方差矩阵进行处理，使数据形式转化为对称正定SPD矩阵；具体为：

假设脑电数据其中m为电极数，n为采样时间，表示实数域，i表示第i个数据。将它和它的转置矩阵相乘构建协方差矩阵，具体表达式为：