[发明专利]基于域对抗网络的跨用户EEG信号融合识别方法

说明书

本发明公开了基于域对抗网络的跨用户EEG信号融合识别方法，具体步骤为：对多被试多分类的EEG数据集进行预处理；每个被试的数据都会轮流作为目标域数据，同时其他被试的数据作为不同的源域数据，每组源域数据都会与目标域训练数据训练生成一个域对抗网络模型，用于识别测试数据；利用每个域对抗网络模型计算出的特征信息和类别信息分别对测试数据的实际类别进行分析，得到多个域对抗网络模型对测试数据的辅助决策信息；构建信息融合模型，对多个对抗网络模型识别结果进行融合优化，使得多个对抗网络模型决策一致性最大化，用于返回优化的目标域数据识别的结果；对比测试数据的实际结果与相应的预测结果来评价所提算法的性能。

技术领域

本发明涉及计算机网络技术领域，其中涉及基于域对抗网络的跨用户EEG信号融合识别方法。

背景技术

随着科技的成熟，脑科学成为人类探索生命奥秘的重要研究领域。脑科学主要研究大脑的结构和机制，为了分析大脑的电活动，脑电信号被广泛地应用于脑科学的各个领域。脑电信号主要在人机交互和神经系统疾病诊断两个方面提供辅助，可帮助人机交互系统实现语音识别、情感检测、用户体验评价和康复。它还为医生和研究人员诊断与脑功能障碍相关的疾病，如阿尔茨海默病、癫痫、精神分裂症、脑性瘫痪和轻度认知障碍提供了有用的工具。

脑电信号的识别需要大量的带标签脑电数据用作训练。由于大脑的复杂性导致脑电信号具有非平稳、非线性的特性，且脑电信号的特征受年龄、心理等个体差异的影响较大，同一事件不同个体以及同一个体在不同时间的脑电信号可能存在差异。同时，脑电信号具有较高的噪声，容易受到人为干扰而产生失真。为单一用户采集大量且有效的带标签脑电信号耗时费力。故而，该方法希望通过迁移学习来利用现有的带标签脑电数据对新数据进行学习，以此避开脑电数据采集困难的问题。

域适应是迁移学习中一个重要的分支，目的是把具有不同分布的源域和目标域中的数据，映射到同一个特征空间，寻找某一种度量准则，使其在这个空间上的″距离″尽可能近。然后，在源域上训练好的分类器，就可以直接用于目标域数据的分类。域对抗网络将域适应引入到对抗网络中，通过同时优化一个特征提取器、标签预测器以及一个域判别器来实现迁移学习的目的。

传统的迁移学习方法将所有源域数据叠加成一个源域，这种方法会降低预测能力较强的源域的贡献，提高预测能力较弱的源域的贡献。考虑到不同的源域对于预测的贡献程度具有差异性，不同源域之间相互关联，构建信息融合模型用以分析测试数据的类别。

发明内容

鉴于现有技术中，脑电数据采集困难，非平稳的特性，本发明旨在于提供一种基于域对抗网络的跨用户EEG信号融合识别方法。

为了实现上述目的，本发明采用的技术方案如下：

基于域对抗网络的跨用户EEG信号融合识别方法，具体步骤为：

S1对多被试多分类的EEG数据集进行预处理；

S2每个被试的数据都会轮流作为目标域数据，同时其他被试的数据作为不同的源域数据，每组源域数据都会与目标域训练数据训练生成一个域对抗网络模型，用于识别测试数据；

S3利用每个域对抗网络模型计算出的特征信息和类别信息分别对测试数据的实际类别进行分析，得到多个域对抗网络模型对测试数据的辅助决策信息；

S4构建信息融合模型，对多个对抗网络模型识别结果进行融合优化，使得多个对抗网络模型决策一致性最大化，用于返回优化的目标域数据识别的结果；

S5对比测试数据的实际结果与相应的预测结果来评价所提算法的性能。

需要说明的是，所述步骤S1具体包括：