[发明专利]用于运动想象解码的方法、装置、设备、介质及程序产品

说明书

公开了一种用于运动想象解码的方法、装置、设备、介质及程序产品，其中的方法包括：获取目标被试的目标脑电数据、多个已有被试各自的历史脑电数据以及与多个已有被试一一对应的多个基分类模型，每个基分类模型基于对应的已有被试的历史脑电数据训练得到；分别确定目标脑电数据和多个已有被试的历史脑电数据的特征矩阵，得到目标被试的目标特征矩阵和多个已有被试的源域特征矩阵；将目标特征矩阵作为目标域，分别与多个源域特征矩阵进行一对一的单源域迁移学习，得到与多个已有被试一一对应的多个目标特征变换矩阵；分别将多个目标特征变换矩阵输入对应的基分类模型，得到多个基分类结果；基于多个基分类结果，确定目标被试的运动想象解码信息。

技术领域

本公开涉及脑机接口领域、运动想象领域，尤其涉及一种用于运动想象解码的方法、装置、电子设备、存储介质以及计算机程序产品。

背景技术

运动想象(Motor imagery,MI)作为一种典型的脑机接口(Brain ComputerInterface,BCI)范式，因其无需外部设备刺激、可以主动控制等优势，一直备受脑科学、康复医学、人机交互等领域的广泛关注，为运动障碍者提供了一种与外界进行交互的新方式，特别是脑卒中患者的康复治疗。在多种脑信号中，脑电(Electroencephalogram，EEG)因其具有高时间分辨率、无创性和低成本等优点，被广泛应用于运动想象解码的研究。基于脑电信号的运动想象解码是对个体想象的运动任务进行特征提取和任务识别。在后续的应用中可以通过运动想象解码得到的信息将个体的运动意图转换为输出指令，建立运动意念与接口设备间的有机信息联系。

随着人工智能尤其是机器学习技术的飞速发展，机器学习模型被广泛应用至运动想象解码的任务中，例如可以利用机器学习中的分类模型对目标被试(即被测试对象)脑电数据进行分类，以预测脑电数据对应的任务类型。但由于脑电的非平稳特性及个体脑信号差异较大带来的数据分布差异问题，会降低MI解码效率，影响BCI的使用。迁移学习(transfer learning,TL)是一种有效解决数据分布差异的方法，可以利用已有被试的脑电数据，找到其与目标被试脑电数据之间的相似性，将从源域中获得的知识来帮助提升目标被试运动想象解码任务性能。

相关技术中，在利用迁移学习提升运动想象解码任务的性能时，通常是将多个已有被试的脑电数据融合为单一源域后，再与目标被试脑电数据进行单源域迁移学习。在这个过程中，由于忽略了不同已有被试之间的个体差异，目标被试与融合后的已有被试脑电数据差异仍然较大，脑电数据分布的一致性较差，导致脑电数据迁移效果有限，无法获得理想的运动想象解码结果。

发明内容

为了解决上述问题，提出了本公开。本公开的实施例提供了一种用于运动想象解码的方法、装置、电子设备、存储介质以及计算机程序产品。

根据本公开实施例的一个方面，提供一种用于运动想象解码的方法，包括：获取目标被试的目标脑电数据、多个已有被试各自的历史脑电数据以及与多个已有被试一一对应的多个基分类模型，其中，每个基分类模型基于对应的已有被试的历史脑电数据训练得到；通过协方差矩阵质心对齐以及提取切空间特征，分别确定目标脑电数据和多个已有被试各自的历史脑电数据的特征矩阵，得到目标被试的目标特征矩阵和多个已有被试各自的源域特征矩阵；将目标特征矩阵作为目标域，分别与多个已有被试各自的源域特征矩阵进行一对一的单源域迁移学习，得到与多个已有被试一一对应的多个目标特征变换矩阵；基于多个已有被试各自对应的基分类模型和目标特征变换矩阵，分别将多个目标特征变换矩阵输入对应的基分类模型，由多个基分类模型分别预测目标被试想象的运动任务的任务类型，得到目标被试的多个基分类结果；基于多个基分类结果，确定目标被试的运动想象解码信息。

在一些实施例中，基于多个基分类结果，确定目标被试的运动想象解码信息，包括：基于多个基分类模型各自对应的融合权重，利用加权投票对多个基分类结果进行融合，得到运动想象解码信息；或，利用多数投票算法对多个基分类结果进行处理，确定运动想象解码信息。