[发明专利]基于黎曼特征迁移的脑磁图信号分类方法、装置及介质

权利要求书

1.一种基于黎曼特征迁移的脑磁图信号分类方法，其特征在于，包括以下步骤：

获取脑磁图信号，采用带通滤波器和空间滤波器对所述脑磁图信号进行滤波处理，得到滤波信号；

根据所述滤波信号的样本协方差矩阵构建黎曼特征；

根据已有受试者的标签信息引入判别子空间对齐方法，对已有受试者和目标受试者的黎曼特征进行对齐；

根据特征对齐后的已有受试者特征和标签训练分类器，并采用训练后的分类器预测目标受试者脑磁图信号的类别；

所示根据所述滤波信号的样本协方差矩阵构建黎曼特征，包括：

根据所述滤波信号的样本的协方差矩阵计算黎曼均值；

对样本协方差矩阵映射到以黎曼均值为切点的切平面，得到切向量；

将切向量进行半角向量化提取所有受试者的黎曼特征；

所述根据已有受试者的标签信息引入判别子空间对齐方法，对已有受试者和目标受试者的黎曼特征进行对齐，包括：

首先利用PCA方法分别对源域、目标域数据进行降维，在矩阵特征分解过程中按照特征值大小选取前d(dD)个最大的特征向量，这些特征向量组成了源域和目标域子空间的基底，分别用G_S和表示；由于两组基底都是标准正交的，得到以下结论：其中I_d为d×d大小的单位阵；通过矩阵对样本数据的映射X_SG_S和X_TG_T，源域和目标域均映射到了各自的d维子空间中；

经过PCA降维后的源域和目标域之间的数据分布差异仍然存在，使用布雷格曼散度作为度量，需要将源域数据和目标域数据投射到一个公共子空间，寻求最佳的特征表示；假设存在转换矩阵M，使得源域子空间G_SM经过变换后与目标域子空间G_T的布雷格曼矩阵散度最小化：

‖·‖_F表示矩阵的Frobeniu范数，式(1-17)不需要在损失函数中添加正则化表达式，因为在PCA生成特征向量的过程本质上是正则化的；

最终优化目标如式子(1-18)所示，由于F范数对标准征缴操作具有不变形，因此可将(1-17)式重写进行，得到的简单封闭解如式(1-20)所示，上标T表示矩阵转置，下标T代表目标域Target；

源域子空间经过与目标域子空间对齐之后，新的坐标系基底将表示为

根据Fisher判别原理，对类内散度矩阵∑_ω和类间散度矩阵∑_b做如下定义：

定义为源域子空间映射后的数据，Z_i表示Z的第i类数据，Z_j表示Z_i在投影空间的第i个模，而m和m_i分别是Z和Z_i的均值；子空间对齐算法的目标函数只有Bregman散度一项，将这Fisher评价标准中的两项加入到目标函数当中：

超参数λ控制Fisher判别标准在整个目标函数中所占比重，对变换矩阵M施加约束；通过对损失函数L(M)求导求出M的最优解，首先将函数左边一项转换为求矩阵(G_SM-G_T)^T(G_SM-G_T)的迹，接着让两边的迹同时对M求导，使求导后的式子等于零，最后对等式两边变形，得到最终变换矩阵M如式(1-25)所示；

计算出变换矩阵M后定义与目标域对齐后的源域坐标系G_A＝G_SM；对齐后的源域坐标系下数据变为而目标域数据变为最终对齐后的源域数据用来构建模型来很好地预测目标域的数据；

所述分类器采择弹性网回归模型构建获得，所述弹性网回归模型包括惩罚项；

所述惩罚项的表达式为：

其中，m为样本个数，(θ^Tx⁽⁾-y⁽⁾)代表模型的目标函数，‖θ‖为系数向量的L1范数，为系数向量的L2范数，参数α用于调节两个正则项所占比重，当α＝1时，弹性网络成为岭回归模型；当α＝0时，弹性网络成为Lasso回归模型。