[发明专利]基于原型聚类域适应算法的跨被试EEG认知状态识别方法

说明书

本发明公开了一种基于原型聚类域适应算法的跨被试EEG认知状态识别方法。本发明引入了类别域的概念，一方面基于标签的多源域对齐，考虑不同类间的特征分布差异，研究特征空间中不同源域间类条件下的结构细粒度对齐，将多源域域内类别不平衡问题转化为类别域的方式。另一方面，源域和目标域之间的原型理论聚类对齐，即以动态调整原型中心为约束对目标域进行相似源域间的聚类，实现域间同类特征相近，异类特征相疏。前者实现域内类条件结构特征对齐，后者实现全局细粒度结构特征对齐。本发明能够兼容类别平衡和不平衡的情况，有效解决了脑认知计算领域脑电信号的个体差异性问题，具有较强的泛化能力，能够很好的适用于临床诊断和实际应用。

技术领域

本发明涉及脑认知计算领域的神经电生理信号分析技术，及无监督学习领域的多源域域适应模型构建方法，是一种基于原型的聚类算法用于分析脑电信号(EEG)对认知状态进行识别的方法，适用于多源域域内及域间类别不平衡的情景，解决脑电个体差异问题。

背景技术

目前，基于深度学习的丰硕成果得益于大量有标签数据的监督学习。但对于无监督学习，设计通用网络模型的主要障碍是将已知标签数据训练出的模型扩展到新的无标签领域。针对缺乏标签数据的目标任务，充分利用源域带标签数据的特征信息是解决这一问题的关键突破点。但训练好的模型在应用到新领域时由于域偏移问题的存在往往会大幅度降低模型性能。

迁移学习中的领域自适应是一种针对解决源域和目标域分布偏移的机器学习算法。各式各样的域适应方法旨在通过学习源域和目标域的域不变特征，从而在目标域没有或少量标签的情况下，将从源域学到的分类器应用于目标域。在数据来源方面，目前大多数的算法和理论主要涉及单一的源域，将获得的所有数据合并成一个数据集来训练模型，但是在每个领域分布不同的情况下，这样的处理方式并不能充分解析数据，有时甚至会对模型产生负面影响。在实际应用中，我们可能获取多个不同但相似的带标签数据，比如在医学领域，如何综合利用多个设备采集得到的数据进行全面诊断，又或者如何综合分析存在个体差异的跨被试EEG数据给出精准诊断。

在认知神经领域，已有学者开始将迁移学习应用于神经生理信号的分析，但其准确率及普适应还有很大的提升空间。目前，EEG处理的最大难题就是如何避免个体差异性的影响，也就是说相同的认知状态下每个被试个体的脑电信号是存在巨大差异的。相关文献表明，区别于单源域域适应问题，多源域迁移学习涉及多于一个的源域，同时将多个源域的知识迁移到目标域中辅助目标域的学习，这些数据不但和目标域不同，而且互相之间也不同。该多源域域适应方法可有效解决脑电信号的个体差异性问题，本发明将以多源域为关键出发点，构建基于多源域模型以便在神经生理信号分析领域更高效的应用。

在领域间类别分布方面，现有的无监督域适应方法都是针对源域和目标域存在共享类别的任务，也就是说，源域和目标域总会共享一些类别信息。基于现实的考量，真实的样本数据可能存在样本数量不匹配、分布不均匀、以及域内类别不平衡的情况，如何进行类别不平衡状态下的知识迁移是目前域适应需要解决的难题。

通常情况下，目标域的类别和源域的样本类别是一致的，也就是说达到源域和目标域间的类别平衡状态。目前有学者开始研究目标域和源域(域间)类别不一致的情况，比如部分迁移，开放集域适应，少样本学习等。在处理EEG时，如果将每个被试作为一个源域，每个被试只有一个认知状态标签，并且被试间认知状态可能不一致的情况，将其称为类别不平衡的状态(包括域间和域内)。在真实生活中，普遍存在样本间类别不平衡的情况，本发明将构建一个通用的模型适用于个体差异性较大以及域内类别不平衡的情况，以便在实际临床适用。

发明内容