[发明专利]一种适用于跨被试脑电数据的解码方法

说明书

本发明公开了一种适用于跨被试脑电数据的解码方法，涉及脑电信号解码技术领域，包括：获取源域数据和目标域数据；构建跨被试脑电数据解码模型；将所述源域数据和目标域数据输入至跨被试脑电数据解码模型中进行训练，根据分类损失函数和自适应损失函数，更新跨被试脑电数据解码模型的网络参数，直至达到预设的迭代停止条件，输出最优网络模型；将脑机接口使用者的在线脑电样本输入至最优网络模型中，输出目标域标签。本发明构建一个端到端的神经网络，无需繁琐的手工特征处理，同时该网络能够处理多种脑电范式，减少了网络的重复性设计，有效提升网络的运行效率，该网络有效提升了跨被试脑机接口的分类精度。

技术领域

本发明涉及脑电信号解码技术领域，更具体的说是涉及一种适用于跨被试脑电数据的解码方法。

背景技术

近年来随着脑电信号处理技术的快速发展，脑电信号采集系统已经广泛应用于虚拟现实技术BCI系统、生物反馈治疗仪等领域的研究。脑电采集系统通常需要记录大量脑电信号数据，对脑电信号的编码和解码方法的研究已经变得越来越重要。

现有的一些脑电信号的深度学习解码方法对于跨被试的脑电数据解码性能较差，而且这些网络都是对于一些特定脑电范式专门定制的，比如FBCNet网络只能用于处理运动想象的脑电数据，OCLNN网络专门用于检测P300脑电信号。在面对多种脑电范式的时候，需要为这些范式专门设计不同的神经网络结构，增加了脑机接口解码的复杂性。EEGNet虽然能够处理多种范式，但是该网络没有集成专门的迁移学习模块，因此泛化性能较差，不利于跨被试脑机接口的实际应用。

因此，提出一种适用于跨被试脑电数据的解码方法，在不改变网络的结构的情况下处理多种不同脑电范式数据是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种适用于跨被试脑电数据的解码方法，本发明构建一种能够处理多种脑电范式的深度神经网络结构，不仅能够在不改变网络结构的情况下处理多种不同脑电范式数据，包括运动想象数据、P300数据或错误相关电位数据。同时该网络还具备跨被试的迁移学习能力，提高跨被试脑机接口的解码精度，促进了脑机接口的实际应用。为了实现上述目的，本发明采用如下技术方案：

一种适用于跨被试脑电数据的解码方法，包括：

获取源域数据和目标域数据；

构建跨被试脑电数据解码模型；

将所述源域数据和目标域数据输入至跨被试脑电数据解码模型中进行训练，根据分类损失函数和自适应损失函数，更新跨被试脑电数据解码模型的网络参数，直至达到预设的迭代停止条件，输出最优网络模型；

将脑机接口使用者的在线脑电样本输入至最优网络模型中，输出目标域标签。

可选的，所述源域数据为包含脑电样本和样本标签的脑电数据，所述目标域数据为包含脑电样本的脑电数据。

可选的，所述跨被试脑电数据解码模型包括：依次连接的特征对齐模块、领域特征自适应模块和全连接网络模块，所述特征对齐模块用于将从源域和目标域数据提取的特征进行映射、中心对齐，输出特征对齐后的数据特征；所述领域特征自适应模块用于将源域和目标域数据投影到公共特征子空间，使源域和目标域在该空间中的分布尽可能的相似，所述全连接网络模块用于对领域特征自适应模块的输出进行分类。

可选的，所述特征对齐模块包括并列的卷积层模块和卷积层输出模块，所述卷积层模块和卷积层输出模块连接，所述卷积层模块之间进行参数共享，所述卷积层输出模块之间进行特征对齐。

可选的，所述领域特征自适应模块包括并列的特征提取模块和特征输出模块，所述特征提取模块和特征输出模块连接，所述特征提取模块之间进行参数共享，所述特征输出模块之间通过特征自适应模块进行特征自适应。

可选的，所述全连接网络模块包括全连接层，所述全连接层之间参数共享，网络上下两层在训练和测试的过程中，参数保持一致。