[发明专利]基于DDADSM跨被试迁移学习脑电精神状态检测方法

权利要求书

1.基于DDADSM跨被试迁移学习脑电精神状态检测方法，其特征在于包括以下步骤：

步骤(1)、对原始脑电数据进行预处理，然后对其划分后获取源域和目标域数据；

定义带有标签的源域数据为没有标签的目标域数据为其中x_s，x_t分别为源域和目标域的样本数据，y_s为源域的类别数据，源域的样本数量为n，目标域的样本数量为m，源域的类别数为C；

源域数据和目标域的边缘概率分别定义为P_s(X_s)和P_t(X_t)，源域数据和目标域的条件概率分别定义为Q_s(y_s|X_s)和Q_t(y_t|X_t)，y_t为目标域的类别数据；

步骤(2)、脑电信号的特征提取

采用公共空间模式算法进行共空间特征提取，将步骤(1)原始源域和目标域高维时域信号数据，通过共空间滤波器将其投影到低维空间；

步骤(3)、源域数据目标域数据双子空间映射

步骤(4)、动态数据分布适应对齐

对进行步骤(3)的源域和目标域子空间数据进行动态的边缘分布对齐和条件分布对齐，估算动态自适应系数η，并采用计算MMD距离的方式来分别计算源域和目标域数据的边缘概率和条件概率的分布距离；

步骤(5)、基于SRM原则构建全局学习分类器f，求解分类器系数矩阵β，进而求出目标域的标签。

2.如权利要求1所述的基于DDADSM跨被试迁移学习脑电精神状态检测方法，其特征在于步骤(2)具体是：

2.1将源域数据归一化并分别计算两类源域样本的协方差矩阵；

2.2根据步骤2.1得到的协方差矩阵累加并取平均，得到源域数据的混合空间协方差矩阵；

2.3计算步骤2.2得到的混合空间协方差矩阵的特征向量和特征值；

2.4对步骤2.3得到的特征值进行排序，选取最大值，求出白化特征值矩阵Q；

2.5将步骤2.1不同类别源域样本的协方差矩阵与步骤2.4得到的白化特征值矩阵Q进行变换，并做主分量分解得到共同特征向量N；共同特征向量N与白化特征值矩阵Q进行公式(1)运算可得到共空间滤波器G：

G＝N^TQ (1)

其中T表示转置；

2.6若待分类任务具有多类，则重复步骤2.1-2.5得到所有共空间滤波器，并相加求平均得到最终的共空间滤波器G’，经过特征提取之后得到的共空间特征为：

X_s'＝G’×X_s

X_t'＝G’×X_t (2)

其中X′_t,X′_s分别表示经过共空间特征提取之后的源域和目标域共空间特征。

3.如权利要求1或2所述的基于DDADSM跨被试迁移学习脑电精神状态检测方法，其特征在于步骤(3)具体是：

所述源域数据和目标域数据双子空间模型表示如下：

其中α、θ、μ是平衡参数；

目标域特征方差采用公式(4)目标域数据的散度矩阵进行优化：

其中S_t表示目标域数据的散度矩阵，运算Tr()表示矩阵的迹；

源域类间方差采用公式(5)源域数据的最大化类间散度矩阵进行优化：

其中S_b是源域数据的类间散度矩阵；

源域类内方差采用公式(6)源域数据的最小化类内散度矩阵进行优化：

其中S_w是源域数据的类内散度矩阵；

上述A、B分别表示源域的投影子空间、目标域的投影子空间；是利用步骤(2)处理得到的源域和目标域共空间特征学习两个耦合的投影变换，即将源域和目标域的共空间特征投影到相应的两个低维投影子空间A、B内，利用matlab编程工具的计算特征值和特征向量的函数eigs()能够求解出子空间映射A和子空间映射B，其矩阵表示为：

其中，I是单位矩阵。