基于被试迁移的c-VEP识别方法技术

本发明专利技术公开了一种基于被试迁移的c‑VEP识别方法，涉及脑电信号中的c‑VEP识别问题。识别c‑VEP是实现脑机接口的一种方式，本方法采用迁移学习的思想，从已有的大规模数据集合中挑选被试模型为新被试建构识别模型，从而大幅降低为新被试收集训练数据的时间，提高建构c‑VEP识别模型的效率。具体做法为：采集少量的新被试任务态脑电信号，在大规模数据集合中检索与新被试任务态脑电特征相似的源被试，把挑选出的源被试所对应的识别模型按相似程度加权融合为针对新被试的识别模型。

C-VEP Recognition Method Based on Subject Migration

【技术实现步骤摘要】
基于被试迁移的c-VEP识别方法
本专利技术涉及与视觉诱发电位相关的脑机接口
，与机器学习领域中的迁移学习的关系特别密切。
技术介绍
基于视觉诱发电位的脑机接口是一种性能较可靠的脑机接口技术，常见的实现范式包括基于稳态视觉诱发电位(SSVEP)的范式和基于编码视觉诱发电位(c-VEP)的范式。本专利技术针对c-VEP范式的脑机接口提出了基于迁移学习的识别方法，可以大幅减少采集训练数据的时间，减轻被试负担，提高此类脑机接口技术的实现效率。
技术实现思路
有鉴于此，本专利技术的目的是提出一种基于被试迁移的c-VEP识别方法，能够大幅降低为新被试收集训练数据的时间，提高建构c-VEP识别模型的效率。本专利技术采用以下方案实现：构建一个大规模c-VEP任务脑电数据集合，每当遇到新被试时仅采集少量的c-VEP任务脑电信号，再比较数据集合中源被试与新被试关于c-VEP任务脑电信号的相似性，依据相似性确定各个源被试的权重，用权重把相关源被试的识别模型融合为一个针对新被试的识别模型。进一步地，所述构建一个大规模c-VEP任务脑电数据集合具体为：所有源被试都执行相同的c-VEP任务，采集源被试执行任务期间的脑电信号，对脑电信号进行任务标识和规范化处理后形成与每个源被试对应的脑电数据子集，在每个子集上训练一个识别模型，大规模c-VEP任务脑电数据集合由所有的源被试所对应的脑电数据子集和识别模型共同组成。进一步地，所述所述的每当遇到新被试时仅采集少量的c-VEP任务脑电信号，其含义是：每当遇到新被试时，要求新被试执行与源被试一样的c-VEP任务，采集新被试执行任务期间的脑电信号；但是为了节省时间，仅采集少量的脑电信号，不足以训练新被试的c-VEP识别模型。进一步地，所述再比较数据集合中源被试与新被试关于c-VEP任务脑电信号的相似性，其中的计算相似性的具体方法为：令矩阵Xi＝[x1,x2,…,xN],i＝1,…,C代表一个源被试的脑电信号，从大规模c-VEP任务脑电数据集合取出该被试对应的脑电数据子集，将第i类c-VEP任务对应的脑电信号叠加平均得到，x1,x2,…,xN分别对应N个导联；将Xi转化为向量形式xi＝[x′1,x′2,…,x′N]′,i＝1,…,C，再把对应C个类的向量拼接为一个向量x＝[x′1,x′2,…,x′C]′；同样地，令矩阵Yi＝[y1,y2,…,yN],i＝1,…,C代表新被试的脑电信号，将新被试执行第i类c-VEP任务对应的脑电信号叠加平均得到，y1,y2,…,yN分别对应N个导联；将Yi转化为向量形式yi＝[y′1,y′2,…,y′N]′,i＝1,…,C，再把对应C个类的向量拼接为一个向量y＝[y′1,y′2,…,y′C]′；计算向量x和y的相关系数作为该源被试与新被试的相似性度量。进一步地，所述依据相似性确定各个源被试的权重，具体方法为：依据相似性，从大到小排序源被试，取前M个被试，为每个被试分配权重λi,i＝1,…,M，其中M,k,l为参数，可在实施过程中设定。进一步地，所述用权重把相关源被试的识别模型融合为一个针对新被试的识别模型，具体方法为：令f1(·),…,fM(·)代表依相似性度量挑选出的与新被试最相似的M个源被试的识别模型，针对新被试的识别模型为与现有技术相比，本专利技术有以下有益效果：本专利技术应用于与视觉诱发电位相关的脑机接口的实验中，能够大幅降低为新被试收集训练数据的时间，提高建构c-VEP识别模型的效率。附图说明图1为本专利技术实施例的原理示意图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。如图1所示，本实施例提供了基于被试迁移的c-VEP识别方法，构建一个大规模c-VEP任务脑电数据集合，每当遇到新被试时仅采集少量的c-VEP任务脑电信号，再比较数据集合中源被试与新被试关于c-VEP任务脑电信号的相似性，依据相似性确定各个源被试的权重，用权重把相关源被试的识别模型融合为一个针对新被试的识别模型。在本实施例中，所述构建一个大规模c-VEP任务脑电数据集合具体为：所有源被试都执行相同的c-VEP任务，采集源被试执行任务期间的脑电信号，对脑电信号进行任务标识和规范化处理后形成与每个源被试对应的脑电数据子集，在每个子集上训练一个识别模型，大规模c-VEP任务脑电数据集合由所有的源被试所对应的脑电数据子集和识别模型共同组成。在本实施例中，所述所述的每当遇到新被试时仅采集少量的c-VEP任务脑电信号，其含义是：每当遇到新被试时，要求新被试执行与源被试一样的c-VEP任务，采集新被试执行任务期间的脑电信号；但是为了节省时间，仅采集少量的脑电信号，不足以训练新被试的c-VEP识别模型。在本实施例中，所述再比较数据集合中源被试与新被试关于c-VEP任务脑电信号的相似性，其中的计算相似性的具体方法为：令矩阵Xi＝[x1,x2,…,xN],i＝1,…,C代表一个源被试的脑电信号，从大规模c-VEP任务脑电数据集合取出该被试对应的脑电数据子集，将第i类c-VEP任务对应的脑电信号叠加平均得到，x1,x2,…,xN分别对应N个导联；将Xi转化为向量形式xi＝[x′1,x′2,…,x′N]′,i＝1,…,C，再把对应C个类的向量拼接为一个向量x＝[x′1,x′2,…,x′C]′；同样地，令矩阵Yi＝[y1,y2,…,yN],i＝1,…,C代表新被试的脑电信号，将新被试执行第i类c-VEP任务对应的脑电信号叠加平均得到，y1,y2,…,yN分别对应N个导联；将Yi转化为向量形式yi＝[y′1,y′2,…,y′N]′,i＝1,…,C，再把对应C个类的向量拼接为一个向量y＝[y′1,y′2,…,y′C]′；计算向量x和y的相关系数作为该源被试与新被试的相似性度量。在本实施例中，所述依据相似性确定各个源被试的权重，具体方法为：依据相似性，从大到小排序源被试，取前M个被试，为每个被试分配权重λi,i＝1,…,M，其中M,k,l为参数，可在实施过程中设定。在本实施例中，所述用权重把相关源被试的识别模型融合为一个针对新被试的识别模型，具体方法为：令f1(·),…,fM(·)代表依相似性度量挑选出的与新被试最相似的M个源被试的识别模型，针对新被试的识别模型为如图1所示，本实施例通过采集少量的新被试训练数据集，在大规模数据集合中检索与新被试任务态脑电特征相似的源被试，然后把挑选出的源被试所对应的识别模型按相似程度加权融合为针对新被试的识别模型。在线实验前，直接将针对新被试的识别模型加载到在线实验系统中。在线实验时，用此模型实时处理新被试的任务态脑电信号，得到识别结果。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完本文档来自技高网...

【技术保护点】
1.基于被试迁移的c‑VEP识别方法，其特征在于：构建一个大规模c‑VEP任务脑电数据集合，每当遇到新被试时仅采集少量的c‑VEP任务脑电信号，再比较数据集合中源被试与新被试关于c‑VEP任务脑电信号的相似性，依据相似性确定各个源被试的权重，用权重把相关源被试的识别模型融合为一个针对新被试的识别模型。

【技术特征摘要】
1.基于被试迁移的c-VEP识别方法，其特征在于：构建一个大规模c-VEP任务脑电数据集合，每当遇到新被试时仅采集少量的c-VEP任务脑电信号，再比较数据集合中源被试与新被试关于c-VEP任务脑电信号的相似性，依据相似性确定各个源被试的权重，用权重把相关源被试的识别模型融合为一个针对新被试的识别模型。2.根据权利要求1所述的基于被试迁移的c-VEP识别方法，其特征在于，所述构建一个大规模c-VEP任务脑电数据集合具体为：所有源被试都执行相同的c-VEP任务，采集源被试执行任务期间的脑电信号，对脑电信号进行任务标识和规范化处理后形成与每个源被试对应的脑电数据子集，在每个子集上训练一个识别模型，大规模c-VEP任务脑电数据集合由所有的源被试所对应的脑电数据子集和识别模型共同组成。3.根据权利要求1所述的基于被试迁移的c-VEP识别方法，其特征在于，所述的每当遇到新被试时仅采集少量的c-VEP任务脑电信号，具体为：每当遇到新被试时，仅要求新被试执行少量的与源被试一样的c-VEP任务，采集新被试执行任务期间的脑电信号。4.根据权利要求1所述的基于被试迁移的c-VEP识别方法，其特征在于，所述的再比较数据集合中源被试与新被试关于c-VEP任务脑电信号的相似性，其中的计算相似性的具体方法为：令矩阵Xi＝[x1,x2,…,xN],i＝1,…,C代表一个源被试的脑电信号...

【专利技术属性】
技术研发人员：黄志华，王益文，彭发强，杨雪，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35