[发明专利]基于多源流形嵌入迁移的脑电信号分类方法

说明书

本发明公开了一种基于多源流形嵌入迁移的脑电信号分类方法。本发明首先进行多通道脑电信号采集并预处理。然后提取信号的协方差特征，利用线性变换矩阵最小化源域和目标域的KL距离对齐两者的边缘概率分布。随后提取迁移后源域样本和目标域样本的切线空间特征以获得样本的向量表示，接着利用联合分布对齐JDA适配源域和目标域的联合概率分布，最后利用最小化风险准则SRM对适配后的源域样本训练域不变的分类器，对目标域样本进行分类得到测试结果。本发明利用其他多个源域受试者的有标签样本的知识迁移到目标域受试者无标签样本，解决了BCI系统中个体差异性以及校准时间长的问题，为BCI的便捷应用提供了理论依据。

技术领域

本发明属于模式识别领域，是一种针对运动想象脑电信号利用其它对象的有标签脑电数据对目标对象的无标签脑电数据进行迁移分类的方法。

背景技术

脑机接口技术(BCI)是一种不依赖于人体神经和肌肉组织的正常传输通路，而直接进行人脑与外界之间信息交流的人机交互系统，对于活动能力缺失患者的能力恢复和功能训练具有重要意义，可以为意识障碍和中风患者的康复提供很大的帮助。患者可以通过该技术实现机械设备的控制，完成所需的动作。脑电信号(EEG)由于无需手术、使用方便的优点是BCI系统中使用最为广泛的信号。

基于EEG的BCI系统已经取得了相当多的进展并应用于各个领域，但是考虑到EEG信号的特点：不平稳性、个体差异性问题，基于MI-EEG的应用仍需要在使用前进行一定时间的校准阶段，为的是获取足够的标记数据，来训练特定于受试者的算法模型。然而就算是同一受试者，不同时间如上午和下午的EEG信号仍存在相当大的差异，如果在每次使用前都需要枯燥费时的校验阶段无疑为BCI的交互增加了负担，利用迁移学习来克服现有研究的不足，在减少校准时间的同时，将模型的精度保持在一定的范围内，这无论是对BCI系统的使用者还是研究者都具有重要的意义。

在BCI系统中的迁移学习是将同一对象不同阶段的EEG信号进行迁移，或是不同对象的EEG信号进行迁移，迁移学习在BCI领域的研究正在受到越来越多的关注，因为它能够解决应用中的痛点。迁移学习的概念分为源域和目标域，源域是指从某一个区域获取知识，而目标域是使用源域获取的知识来解决目标域中的任务。

现在大多数应用于BCI系统的迁移方法都是基于特征迁移的，这是因为EEG信号中的特征提取是尤为关键的一步，已有的效果较好特征提取方法都是有监督的，而且需要较多的训练数据，与特征结合的迁移方法能够在迁移的同时提取信号的特征，能够有效提高迁移的效果。原始的EEG样本信号是通道乘采样点数的二维矩阵，协方差矩阵可以看作是初步的特征，而且协方差矩阵具有许多优点：协方差矩阵是对称正定矩阵并且位于黎曼空间上，而不是欧氏空间中，随着黎曼空间的方法在基于EEG的脑-机接口中变得流行，最近也提出了许多基于特征的迁移方法。Li考虑协方差的迁移，其中来自其它受试者的数据根据重要性抽样交叉验证进行加权，然后使用权重较高的部分来估计最终的预测函数。Zanini等人提出了一种黎曼对齐RA方法。该方法利用其它受试者的参考协方差矩阵，对齐特定受试者的EEG协方差矩，RA首先计算源域中一些休息状态下试验的协方差矩阵，该状态下受试者不执行任何任务，然后计算其黎曼均值，下一步将用作参考矩阵，以减少对象/阶段间的变化，在运动想象中，休息状态时对象不执行任何任务的时间窗口。Zanini改进的黎曼均值最小距离MDRM分类器，并证明了RA和改进的MDRM在分类中的有效性。