[发明专利]零校准迁移学习分类模型的训练方法、设备和存储介质

权利要求书

1.一种零校准迁移学习分类模型的训练方法，其特征在于，包括：

获取标记域分类标签和任务分类标签的脑电数据，作为标记后的脑电数据；所述标记后的脑电数据为多个被试者执行不同运动想象任务时产生的静息态数据和任务态数据，所述域分类标签用于表示所述脑电数据对应的被试者属于目标域或源域；所述任务分类标签用于表示所述脑电数据中任务态数据对应的运动想象任务；

基于所述零校准迁移学习分类模型中特征提取层，对所述标记后的脑电数据进行特征提取；

分别利用所述零校准迁移学习分类模型中运动想象分类层和域鉴别层，根据所提取的特征对所述标记后的脑电数据进行分类，确定所述标记后的脑电数据对应的预测任务分类以及预测域分类；

基于所述标记后的脑电数据中标记为源域的被试者的任务态数据及其对应的预测任务分类，确定第一损失函数；

基于所述标记后的脑电数据中标记为源域的静息态数据及其对应的预测域分类，所述标记后的脑电数据中标记为目标域的静息态数据及其对应的预测域分类，确定第二损失函数；

确定总损失函数满足收敛或达到预设阈值的情况下，得到所述零校准迁移学习分类模型；所述总损失函数基于所述第一损失函数和所述第二损失函数确定。

2.根据权利要求1所述的零校准迁移学习分类模型的训练方法，其特征在于，所述获取标记域分类标签和任务分类标签的脑电数据之后，包括：

基于黎曼对齐，确定所述标记后的脑电数据中标记为目标域的被试者的静息态数据的对齐结果，作为第一对齐结果；

基于黎曼对齐，确定所述标记后的脑电数据中标记为源域的各被试者的静息态数据的对齐结果，作为第二对齐结果；

基于欧拉对齐，确定所述标记后的脑电数据中标记为源域的各被试者的任务态数据的对齐结果，作为第三对齐结果；

基于所述第一对齐结果、第二对齐结果和第三对齐结果，更新所述标记后的脑电数据。

3.根据权利要求2所述的零校准迁移学习分类模型的训练方法，其特征在于，所述基于所述零校准迁移学习分类模型中特征提取层，对所述标记后的脑电数据进行特征提取之前，包括：

基于多核最大均值差异算法，确定第一静息态数据和第二静息态数据的相似度，作为所述源域的各被试者和所述目标域的被试者间的相似度；所述第一静息态数据为更新后的所述标记后的脑电数据中标记为源域的各被试者的静息态数据；所述第二静息态数据为标记为目标域的被试者的静息态数据；

按所述相似度从大到小排序，筛除排序最后K个的标记为源域的被试者，更新所述标记后的脑电数据中标记为源域的被试者，所述K为正整数。

4.根据权利要求3所述的零校准迁移学习分类模型的训练方法，其特征在于，所述获取标记域分类标签和任务分类标签的脑电数据，包括：

获取所述多个被试者执行不同运动想象任务时产生的脑电数据；

提取所述运动想象任务刺激出现后0.5至3.5秒的脑电数据，对所述脑电数据标记与所述运动想象任务对应的任务分类标签，作为任务态数据；

提取所述运动想象任务刺激出现后4.25至5.25秒的脑电数据，作为静息态数据；

将所述任务态数据通过滑窗的形式，按照预设步长，得到执行同一运动想象任务对应的任务态数据的多次实验结果；

通过复制的方式，扩展所述静息态数据对应的时长，使其和所述任务态数据的单次实验结果对应的时长对齐。

5.根据权利要求4所述的零校准迁移学习分类模型的训练方法，其特征在于，所述获取所述多个被试者执行不同运动想象任务时产生的脑电数据之后，包括：

基于留一交叉验证法，确定所述多个被试者中任一被试者构成的目标域，以及剩余的被试者构成的源域，并对所述被试者的脑电数据标记对应的域分类标签；所述域分类标签包括目标域和源域。

6.根据权利要求1至5中任一所述的零校准迁移学习分类模型的训练方法，其特征在于，所述零校准迁移学习分类模型基于深度对抗神经网络建模。

7.根据权利要求1至5中任一所述的零校准迁移学习分类模型的训练方法，其特征在于，所述第一损失函数和所述第二损失函数均采用交叉熵损失函数确定。