[发明专利]基于DDADSM跨被试迁移学习脑电精神状态检测方法

说明书

本发明公开基于DDADSM跨被试迁移学习脑电精神状态检测方法。本发明采用先进行双子空间特征空间映射再动态分布对齐的迁移学习方法对脑电数据进行分类检测的方法。是脑电迁移学习检测方法的重大创新与尝试，能够减少传统单一子空间迁移学习方法的空间漂移问题以及忽略条件分布和边缘分布重要性定量计算造成的精确性不足、迁移能力有限等问题。该方法在疲劳驾驶脑电数据的分类问题上能够取得很好的效果，能够为复杂脑电数据的处理提高新的研究手段。

技术领域

本发明属于生物特征识别领域中的脑电信号识别领域，具体用到了一种基于双子空间映射的动态分布对齐(DDADSM，Dynamic Distribution Alignment with Dual-SpaceMapping)跨被试迁移学习脑电精神状态检测方法。

背景技术

疲劳驾驶是指驾驶人连续行车时间过长，产生的生理机能和心理机能的失调现象，由于疲劳驾驶所引起的交通事故越来越频繁给世界经济与社会发展带来严重损失，而有效的疲劳检测分类方法的提出将对这一严重的社会问题的缓解十分有利。

脑电波是一种自发的有节律的神经电活动，脑电信号是人脑活动的直接体现，可以快速的反映人的生理及心理变化过程，当前被认为是最便捷和有效的疲劳分析方法。随着脑电采集设备的不断更新，脑电作为生物信号特征用于疲劳检测的尝试被越来越多的研究学者采用。

当前基于脑电信号的疲劳检测方法主要有传统机器学习方法和基于深度学习的方法。传统的机器学习方法主要是通过提取不同频率范围内的脑电特征再使用分类器进行分类。由于脑电信号的独特性，跨被试差异即个体间的脑电信号的差异性总是存在，手工的提取特征与浅层的机器学习方法难以避免地存在特征提取依赖专家知识，操作繁杂，跨被试识别率不足等问题。深度学习方法通过采用大量的数据在已有的模型下训练自动提取信号的特征，从而实现对于脑电信号的分类工作，近几年已有很多学者将深度学习的技术应用到基于脑电的疲劳检测中去，并取得了较好的效果。但是基于深度神经网络的学习过程比较复杂，需要大量的标注数据、脑电信号的获取有时序性的特点，与图像、文本的获取相比大量数据的获取更加困难。

显然，采用少样本的脑电数据并且能够克服传统的机器学习方法的局限性将是脑电信号疲劳检测的重要突破。迁移学习技术可以通过相对少量样本，利用个体数据分布的相似性，将已经学习过的知识应用在新的领域上，目前已经被很多学者应用在脑电处理中。领域自适应学习是迁移学习的代表方法，能够利用信息丰富的源域样本来提升目标域模型的性能，目前主要的方法有:概率分布适配法、特征选择法和子空间学习法。领域自适应学习的方法已被很多学者引用，对于解决源域和目标域属于同一类任务但分布不同的情况效果显著。本发明所采用的基于双子空间映射动态分布对齐迁移学习的脑电疲劳检测方法，在迁移学习中属于领域自适应的方法。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：1、单一生物信号的脑电疲劳检测中识别率低并且依赖大量标签数据，跨被试检测效果差；2、传统的迁移学习的子空间投影方法将数据投影到一个公共的子空间或流形空间中，不能克服投影空间偏移带来的损失；3、由于脑电信号是非稳定的高维信号并且自身具有特殊性和复杂性的特点，源域和目标域数据并不服从相同分布，因此无论采取直接利用数据分布相同的计算方法还是将数据的条件分布和边缘分布采用相同权重的计算方法，均不能反映数据分布的真实状态。本发明所采用的基于双子空间映射动态分布对齐迁移学习的脑电疲劳检测方法能够较好的解决以上问题。通过实验发现，该方法在疲劳驾驶脑电数据的分类问题上能够取得很好的效果，能够为复杂脑电数据的处理提高新的研究手段。

(二)技术方案

为了解决上述技术问题，本发明提出了一种基于DDADSM的跨被试迁移学习脑电疲劳检测方法。