[发明专利]基于多源流形嵌入迁移的脑电信号分类方法

权利要求书

1.基于多源流形嵌入迁移的脑电信号分类方法，其特征在于：该方法包括以下主要步骤：

步骤(1)：多通道脑电信号采集并进行预处理，具体为：

采集源域受试者有标签和目标域受试者的无标签多通道脑电信号；接着利用带通滤波器对脑电信号进行8～35Hz的低通滤波，用于脑电信号特征迁移；

步骤(2)：提取协方差特征，对源域样本特征和目标域样本特征进行边缘分布对齐，具体为：

对源域每个样本的协方差进行线性变换，通过KL距离最小化变换后的源域平均协方差和目标域的平均协方差来对齐两者的边缘概率分布；令N_s(0,C_s)为源域特征的平均分布，C_s为整个源域样本的平均协方差，N(0,A^TC_sA)为目标域特征的平均分布，其中A为线性变换矩阵；C_t为整个目标域样本的平均协方差，需要求解的线性变换矩阵A使得C_s与C_t间的KL距离尽可能的小，则相应的最优化函数为：

对其微分并等于零可得：

求得线性变换矩阵A的解为：

步骤(3)：将对齐后的源域协方差矩阵和目标协方差矩阵提取切线特征，具体为：

x_i＝upper(P^-1/2Log_P(P_i)P^-1/2) (5)

其中，upper(·)是拉直对称矩阵的上三角操作，P为切空间中任意一点，P_i为对称正定矩阵；则映射后的源域向量和目标域向量分别为：

通过切线空间映射，获得新的特征矩阵以及

步骤(4)：对源域样本和目标域样本进行联合分布对齐；具体为：

其中D_f(P_s,P_t)表示源域特征P_s和目标域特征P_t间的边缘分布对齐，表示第c类的源域特征Q_s和目标域特征Q_t的条件分布对齐；

步骤(5)：利用最小化风险准则对迁移后的源域样本训练域不变分类器，具体为：

其中f表示分类器，l(·)表示分类器与标签的损失项，G(·)为Gmap流形映射项，||f||²为正则项分类器的范数平方，D_f(D_s,D_t)为联合分布对齐项，α和γ分别表示正则化参数；Y表示标签矩阵，K为核函数，tr(·)表示迹，H为对角指示矩阵，M₀和M_c为MMD矩阵,β即为所求的系数矩阵；

对分类器f微分并等于零，可得最终解为：

β＝((H+γM₀+γM_c)K+αI)^-1AY^T (9)

得到了最终的系数矩阵即可用分类器对目标域样本进行分类。

2.根据权利要求1所述的多源流形嵌入迁移的脑电信号分类方法，其特征在于：步骤(2)中的线性变换对齐的源域和目标域的边缘概率分布，步骤(4)中对的是源域和目标域的联合概率分布。