一种基于黎曼流形的脑电信号异构标签空间迁移学习方法技术

本发明专利技术提供一种基于黎曼流形的脑电信号异构标签空间迁移学习方法，包括，对被试A的脑电数据的单频段进行分段；将各子频带的脑电数据中标签1和标签2的脑电数据分别按照不同顺序拼接成新标签1和新标签2；将新标签1和新标签2作为源域，标签3和标签4作为目标域；分别计算标签1、标签2，标签3和标签4的脑电数据的平均协方差矩阵；分别将每个子频段的黎曼流形上的源域数据通过平均协方差矩阵构建的线性变换矩阵对齐到目标域；将各子频带对齐后的黎曼流形上的源域和目标域数据通过对数映射至切空间，再通过mRMR将高维的切空间特征降至低维；融合各子频段降维后的切空间特征，并输入LDA分类器中进行分类。本发明专利技术有助于扩大脑电数据的适用范围。数据的适用范围。数据的适用范围。

【技术实现步骤摘要】
一种基于黎曼流形的脑电信号异构标签空间迁移学习方法


[0001]本专利技术涉及信号处理
，尤其是一种基于黎曼流形的脑电信号异构标签空间迁移学习方法。

技术介绍

[0002]脑机接口是可将大脑活动转化为控制信号，以指挥外部设备的系统。在BCI系统的帮助下，大脑活动可转化为驱动设备的指令，而无需依赖周围的神经和肌肉。BCI系统的许多应用已被开发为患有交流障碍的人们的康复工具，它也被视为身体健康的人们的增强工具。脑电信号具有低成本、高时间分辨率的特点，广泛应用于脑电接口中。运动想象(MI)是一种自发产生的脑电信号，不需要外界刺激，特别适用于患者的康复训练和运动控制。此外，BCI系统在教育、军事和娱乐领域也有广泛的应用前景。
[0003]但现在有一个新问题。由于脑电信号对噪声或伪影敏感，且具有较高的非平滑性，这可能导致跨标签或跨被试的脑电数据具有较高的变异性。这也导致想象类型较多时，采集新标签的脑电数据会加重被试的负担，以及在构建相应分类器时，每个标签的校准时间相对较长。因此，探索针对不同任务提取和识别EEG特征的有效方法，减少被试负担以及校准时间是非常重要的，迁移学习被认为是解决这个问题的重要方法。迁移学习是指在源域上学习知识，然后将其应用于不同但相关的目标域，迁移学习主要是为了提高数据分布的相关性，减少EEG数据之间校准时间过长的问题。
[0004]然而现阶段在BCI领域适应方面，迁移学习方法多为同构迁移学习类型。同构迁移学习是在源域和目标域具有相同的特征空间和标签空间的情况下进行的。然而，在脑机接口领域中，存在着许多源域数据和目标域数据具有不同的特征空间或标签空间的情况。而现有的迁移学习技术只考虑了特征空间不同的情况，并且还是单一频带之间的迁移，也没有提出任何针对标签空间不同的迁移学习方法。当源域和目标域的标签空间不同时，源域的数据就无法利用，所以只能采集大量的新标签的脑电数据进行校准。但是在采集新标签的数据的时候，对于运动意象、语言想象等主动实验范式，当想象类型较多时，实验数据的采集过程会过长，使得被试产生疲劳感，造成被试的负担大大加重，从而进一步降低采集的信号质量，最终影响脑电信号的分类精度，也使得校准时间大大加长。

技术实现思路

[0005]针对现有技术的以上缺陷或改进要求，本专利技术提供了一种基于黎曼流形的脑电信号异构标签空间迁移学习方法，其目的在于解决，在脑电信号校准过程中，当源域数据和目标域数据的标签空间不同时，源域数据无法利用，采集大量新标签的脑电数据进行校准造成被试负担大大加重以及校准时间加长的技术问题。
[0006]有鉴于此，第一方面，本专利技术提供一种基于黎曼流形的脑电信号异构标签空间迁移学习方法，包括：
[0007]S1对被试A的脑电数据的单频段进行分段，得到各子频带的脑电数据；
[0008]S2将各子频带的脑电数据中标签1和标签2的脑电数据分别按照不同顺序拼接成新标签1和新标签2；将经过拼接的新标签1，2的脑电数据作为源域，标签为3，4的脑电数据作为目标域；其中标签1和标签2仅包含单一的语言想象或运动想象特征，标签3和标签4包含语言想象和运动想象特征；
[0009]S3对源域的脑电数据集S＝{X
s，i
，Y
s，i
}的所有脑电数据按标签类别进行分组；分别计算标签1和标签2的脑电数据的平均协方差矩阵；
[0010]S4对目标域的部分组脑电数据集T＝{X
t，i
}的所有脑电数据按标签类别进行分组；分别计算标签3和标签4的脑电数据的平均协方差矩阵；
[0011]S5对源域和目标域的平均协方差矩阵设定对应关系，根据该关系对源域S的脑电数据X
s，i
进行变换，并将目标域的标签按照所述对应关系赋给源域的脑电数据，得到变换后的源域脑电数据；
[0012]S6将变换后的源域的脑电数据以及步骤S4标注的目标域的脑电数据合并作为训练集，目标域未标注的脑电数据作为测试集，进行特征提取后，进一步进行mRMR特征降维。
[0013]S7在各个子频带训练集降维后的融合特征上构建用于目标域未标注样本预测的机器学习模型，再送入LDA分类器中进行分类。
[0014]具体地，本专利技术设计的四类想象分别包括：标签1：默念汉字“壹”，标签2：想象右手划水，标签3：先默念汉字“壹”再想象右手划水，标签4：先想象右手划水再默念汉字“壹”。
[0015]进一步地，默念汉字“壹”为单一的语言想象，想象右手划水为单一的运动想象，而先默念汉字“壹”再想象右手划水为先语言想象后运动想象的复合型想象、先想象右手划水再默念汉字“壹”为先运动想象后语言想象的复合型想象。其中标签1和标签2仅含有单一的想象特征，而标签3和4都含有语言想象和运动想象这两种想象内容。标签3和4的语言想象和运动想象出现的时序是不一样的，故标签3和4含有丰富的时序特征信息。
[0016]进一步地，将标签1和标签2，按照标签3这样的先语言想象后运动想象的含有时序特征的复合型脑电信号，拼接成新标签1，即新标签1也成为了先语言想象后运动想象的含有时序特征的复合型脑电信号；同理，将标签1和标签2，按照标签4这样的先运动想象后语言想象的含有时序特征的复合型脑电信号，拼接成新标签2，即新标签2也成为了先运动想象后语言想象的含有时序特征的复合型脑电信号。把经过拼接的新标签1和2这两类含有丰富的时序特征信息的复合型想象分别对应地迁移至标签3，4这两类同样含有丰富的时序特征信息的复合型想象，具有减轻被试负担以及减少被试训练时间的现实意义。
[0017]进一步地，步骤S1具体包括：
[0018]S11截取出被试A的想象期4S的脑电数据
[0019]S12对被试A的8
‑
32Hz的脑电数据进行分频段，得到8
‑
12Hz、12
‑
16Hz、16
‑
20Hz、20
‑
24Hz、24
‑
28Hz、28
‑
32Hz 6个子频带的脑电数据；
[0020]S13对被试A的6个子频带分别进行5阶巴特沃斯带通滤波。
[0021]进一步地，步骤S2具体包括：
[0022]S21分别挑选出标签为标签1、标签2、标签3、标签4这4个标签的脑电数据；
[0023]S22将标签1和标签2的脑电数据按照先标签1后标签2的顺序拼接成一个新标签，得到新标签1；
[0024]S23将将标签1和标签2的脑电数据按照先标签2后标签1的顺序拼接成一个新标
签，得到新标签2；
[0025]S24将新标签1和新标签2的脑电数据作为源域，标签3和标签4的脑电数据作为目标域。
[0026]进一步地，步骤S3包括：
[0027]对该被试A源域的脑电数据集S＝{X
s，i
，Y
s，i
}的所有脑电数据按标签类别进行分组，其中，所述被试A的源域共有2个标签本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于黎曼流形的脑电信号异构标签空间迁移学习方法，其特征在于，包括：S1对被试A的脑电数据的单频段进行分段，得到各子频带的脑电数据；S2将各子频带的脑电数据中标签1和标签2的脑电数据分别按照不同顺序拼接成新标签1和新标签2；将经过拼接的新标签1,2的脑电数据作为源域，标签为3,4的脑电数据作为目标域；其中标签1和标签2仅包含单一的语言想象或运动想象特征，标签3和标签4包含语言想象和运动想象特征；S3对源域的脑电数据集S＝{X
s,i
,Y
s,i
}的所有脑电数据按标签类别进行分组；分别计算标签1和标签2的脑电数据的平均协方差矩阵；S4对目标域的部分组脑电数据集T＝{X
t,i
}的所有脑电数据按标签类别进行分组；分别计算标签3和标签4的脑电数据的平均协方差矩阵；S5对源域和目标域的平均协方差矩阵设定对应关系，根据该关系对源域S的脑电数据X
s,i
进行变换，并将目标域的标签按照所述对应关系赋给源域的脑电数据，得到变换后的源域脑电数据；S6将变换后的源域的脑电数据以及步骤S4标注的目标域的脑电数据合并作为训练集，目标域未标注的脑电数据作为测试集，进行特征提取后，进一步进行mRMR特征降维。S7在各个子频带训练集降维后的融合特征上构建用于目标域未标注样本预测的机器学习模型，再送入LDA分类器中进行分类。2.根据权利要求1所述的一种基于黎曼流形的脑电信号异构标签空间迁移学习方法，其特征在于，步骤S1包括：S11截取出被试A的想象期4S的脑电数据S12对被试A的8
‑
32Hz的脑电数据进行分频段，得到8
‑
12Hz、12
‑
16Hz、16
‑
20Hz、20
‑
24Hz、24
‑
28Hz、28
‑
32Hz 6个子频带的脑电数据；S13对被试A的6个子频带分别进行5阶巴特沃斯带通滤波。3.根据权利要求1所述的一种基于黎曼流形的脑电信号异构标签空间迁移学习方法，其特征在于，步骤S2包括：S21分别挑选出标签为标签1、标签2、标签3、标签4这4个标签的脑电数据；S22将标签1和标签2的脑电数据按照先标签1后标签2的顺序拼接成一个新标签，得到新标签1；S23将将标签1和标签2的脑电数据按照先标签2后标签1的顺序拼接成一个新标签，得到新标签2；S24将新标签1和新标签2的脑电数据作为源域，标签3和标签4的脑电数据作为目标域。4.根据权利要求1所述的一种基于黎曼流形的脑电信号异构标签空间迁移学习方法，其特征在于，步骤S3包括：对该被试A源域的脑电数据集S＝{X
s,i
,Y
s,i
}的所有脑电数据按标签类别进行分组，其中，所述被试A的源域共有2个标签类别其中C＝2,c＝1,2分别表示标签1和标签2；分别计算标签为1和标签为2的平均协方差矩阵5.根据权利要求1所述的一种基于黎曼流形的脑电信号异构标签空间迁移学习方法，其特征在于，步骤S4包括：
被试A目标域的部分组脑电数据集T＝{X
t,i
}的所有脑电数据按标签类别进行分组；其中，所述被试A的目标域共有2个标签类别C＝4，c＝3,4分别表示标签3和标签4；分别计算标签为3和标签为4的脑电数据的平均协方差矩阵具体包括：S41计算目标域的部分脑电信号集T＝{X
t,i
}中每...

【专利技术属性】
技术研发人员：王力，詹倩倩，任玲玲，黄学文，刘彦俊，
申请(专利权)人：广州大学，
类型：发明
国别省市：