[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

说明书

本发明提供一种零校准迁移学习分类模型的训练方法、设备和存储介质，该方法包括：获取标记域分类标签和任务分类标签的脑电数据；基于模型中特征提取层，对标记后的脑电数据进行特征提取；分别利用模型中运动想象分类层和域鉴别层，预测对应的预测任务分类以及预测域分类；基于标记后的脑电数据中源域的任务态数据及其对应的预测任务分类，以及目标域和源域的静息态数据及其对应的预测域分类，确定分类模型的总损失函数；在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。通过本发明提供的训练方法，该零校准迁移学习分类模型无需进行提前校准，是兼顾分类准确率与用户专属的模型，提高对脑电数据分类的准确度。

技术领域

本发明涉及人工智能技术领域，具体涉及一种零校准迁移学习分类模型的训练方法、设备和存储介质。

背景技术

脑机接口能够直接把大脑意图转换为控制信号，通过分析大脑活动建立通信。相关技术中已尝试采用脑机接口技术运用于运动障碍患者的康复治疗中，并取得了较好的临床效果。研究表明，虽然运动障碍患者当前不能自主运动，但仍能通过同一部位的运动皮层区域，采集到该患者的运动想象脑电信号，从而激活脑功能，并对神经网络进行重塑。因此，可以利用脑机接口技术结合物理设备，通过采集患者的运动想象脑电信号，分析患者运动意图，利用物理设备辅助患者进行相应运动，从而触发神经可塑性，通过不断训练从而最终实现患者的自主运动。

由于个体生理结构和心理状态的差异，相同运动想象任务下不同被试的脑电信号差异往往相差较大，且脑电信号本身具有高度非线性、非平稳性，易产生伪影等特点，给分类任务带来了很大的困难。为了保证分类精度，研究者为被试建立个性化模型，需要对目标被试者进行许多次试验来构建模型，没有考虑对于瘫痪患者而言，长时间的脑电实验会带来极大负担。个性化模型虽然精度高，但是忽略了跨被试之间的共同特征，造成了数据的浪费，实用性较差。跨被试模型能够充分利用数据，但是直接采用未校准的数据时，分类效果不佳，需要若干校准会话收集新被试者的带标签数据来校准模型，现有的模型均十分耗时且对用户不友好，因此，如何提取不同被试者之间脑电信号的共同特征来缩小不同被试者之间的差异，以及在大规模应用当中，让用户不需要再做额外的脑电任务实验的同时保证构建模型的精度已成为业内亟待解决的技术问题。

发明内容

针对现有技术存在的问题，本发明提供一种零校准迁移学习分类模型的训练方法、设备和存储介质。

第一方面，本发明提供一种零校准迁移学习分类模型的训练方法，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。

可选地，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；