[发明专利]一种面向癫痫脑电信号迁移环境的自适应识别方法

摘要

一种面向癫痫脑电信号迁移环境的自适应识别方法，本发明的优点是：本发明与现有技术相比，本发明方法选用具备邻域适应能力的迁移学习策略来克服训练域和测试域之间因数据分布差异所造成的智能模型分类性能急剧下降之难题。针对癫痫检测中的脑电信号分析，选用具有邻域适应能力的主成分特征迁移(子空间性度量)及大间隔直推式迁移学习方法来构成脑电信号识别系统，构建了具体的脑电信号自适应工作框架。该方法在缺少目标域信息的情况下，采用源域中与目标域中相似的有用特征来构建智能分类系统。由于本技术在特征提取阶段即融入了迁移学习策略，因此相较于单纯的迁移分类建模技术及传统智能识别方法，泛化能力更强，性能更好。

主权项

脑电信号的预处理一特征迁移，包含如下步骤：步骤一：将利用按标准化的电极布置方案测量采集的脑电信号(23.6秒长度)首先都校正到173.6Hz；步骤二：利用主成分分析技术对上述校正后的初始脑电信号进行特征提取：PCA算法将得到的各个主分量之间互不相关，按照能量从大到小排列，越是靠前的主分量，能量越大，越能代表原始数据；步骤三：本技术提出子空间相似性度量(subspace similarity measure，SSM)来在PCA算法计算得到的各个主分量之间完成特征提取工作，首先计算训练数据集和测试数据集的PCA子空间，PCAS和PCAT，如果两个数据集相似，那么它们在相应的PCA子空间之间也不会相距太远，基于这个策略SSM通过主分量之间的距离来考量源域和目标域中第d维主分量的相似性，其在PCA子空间中计算源域和目标域第d维主分量之间的主距离，具体如下：dis(d)＝||PCAS‑PCAT||    (1) 这里dis(d)代表第d维PCAS和PCAT之间的主距离，我们将||PCAS‑PCAT||定义为最小相关距离，上式中的dis(d)其值越小，表示PCAS和PCAT在第d维的主分量上就越靠近；基于SSM思想来找出源域和目标域在PCA子空间中相似的主分量，并将其基于冒泡算法重新排序，根据邻域适应的策略，源域中dis(d)越小的主分量，表示其越能指导目标域的学习，我们将主分量按dis(d)由小到大排列，这样排列出的主分量，既能满足PCA提取的特性(即越能表示原始数据的主分量越放置在前面)，又将源域和目标域之间相似(即能对邻域学习做出较大贡献)的主分量排列在前。