[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

权利要求书

1.基于原型聚类域适应算法的跨被试EEG认知状态识别方法，其特征在于包括如下步骤：

步骤1：数据采集

设计沉浸诱导范式，以采集满足实验条件的多名临床网络游戏成瘾患者在诱发任务下的EEG数据，并设置正常对照组实验；为采集到的原始EEG数据打上成瘾或正常的认知状态标签；

步骤2：数据处理

针对采集到的原始EEG数据进行预处理操作，对采集得到的原始EEG数据进行伪迹去除操作；通过改进小波阈值降噪技术提取真实信号，然后利用功率谱密度提取EEG信号特征，为后续模型构建提供稳定的信号特征；

步骤3：数据定义

给定N个存在个体差异的EEG数据X＝{X₁,…,X_N}，每个被试个体作为一个源域并且已知其认知状态标签，该多源域表示为但N个源域间标签可能不一致，即源域间类别不平衡；其中，表示第n个源域的第i个样本，对应的标签为K为所有被试个体包含的全部认知状态标签的类别数；而无标签的新被试个体作为目标域将聚K类后的领域定义为类别域

步骤4：基于PTC算法的跨被试EEG认知状态识别方法。

2.根据权利要求1所述的基于原型聚类域适应算法的跨被试EEG认知状态识别方法，其特征在于步骤2中通过改进小波阈值降噪技术提取真实信号，具体实现如下：加入噪声强度约束系数完成对每层信号的自适应阈值降噪，最后利用计算出的小波估计系数进行小波重构，得到去噪后的EEG信号；

其中噪声强度约束系数σ_s表示为带噪信号小波分解后第s层小波细节信号中噪声标准方差估值，A_s为该层小波细节信号的幅值，充分考虑噪声对整体信号的影响程度，以便更高效的去除原始信号中的噪声。

3.根据权利要求1或2所述的基于原型聚类域适应算法的跨被试EEG认知状态识别方法，其特征在于步骤4具体实现如下：

输入：带有认知状态标签的多源域样本数据X_sn，类别数K，不带认知状态标签的目标域样本数据X_t(类别数未知)，和最大迭代次数T；

3-1.利用公共特征提取器F(·)提取多源域和目标域样本数据潜在的公共特征，将提取的公共特征映射到一个公共的特征空间；

3-2.以多源域样本数据X_sn特有的类别标签为约束优化分类器C(·)，目标函数为有监督的分类损失loss：

其中，目标函数J(·)为交叉熵损失函数；

3-3.采用聚类算法实现多源域样本数据X_sn的所有特征分布对齐，对多源域中类别不平衡的带标签数据进行聚类对齐，聚类过程中以同类特征相近、异类特征相疏为目标，其函数表示为：

其中，μ表示该类簇所有样本的均值，标准差σ表示离散程度，m值应尽可能大，也就是说异类特征分布尽可能远；

3-4.形成K个新的类别域每个类别域对应一个类别标签YS_k∈{1,…,K}，其中第k个类别域的第i个样本表示为对应的标签表示为

3-5.计算每个类别域的原型中心无需训练额外的参数，有效降低模型复杂度，提高计算效率；原型中心可以定义为：

3-6.将无标签目标域样本X_t输入到源域分类器C(·)，以获取目标域样本X_t被分为L个类簇的初始特征分布空间，每个类簇的初始原型中心表示为：

其中，CT_l表示源域分类器C(·)的输出；

3-7.遍历目标域第l个类簇的第i个样本和K个类别域原型的相似性γ，然后以相似性为约束给每个样本设置权重ω_i；

其中，表示余弦相似性函数；

3-8.结合步骤3-6和步骤3-7动态自适应更新目标域每个类簇的原型中心

3-9.基于原型中心对目标域样本进行聚类，实现目标域样本聚类对齐，从而有效避免不同类簇形状和数量上的不平衡带来的消极影响，形式上表示为：

3-10.从域间类别原型中心及样本两方面进行约束，通过缩小域间原型中心与类簇样本的距离，以实现语义对齐，在迭代过程中，域间对齐的目标函数可以表述为：

3-11.总的目标优化函数为：

其中，λ₁，λ₂，λ₃为模型的超参数；

3-12.重复步骤3-1至步骤3-11，直至迭代T次；

输出：目标域样本标签形式上可以定义为：