一种基于脑机接口中的少样本识别方法技术

本发明专利技术公开了一种基于脑机接口中的少样本识别方法，包括：获取1位目标受试和m位辅助受试执行N类运动想象任务的EEG数据；在预训练阶段，利用辅助受试数据学习EEG的特征编码器，并将其作为后续元学习阶段的初始模型参数；元学习阶段在预训练的基础上以任务为尺度进行优化，使模型能更好的适应以目标受试数据构建的少样本任务。本发明专利技术在预训练模型的基础上使用元学习来进一步提高性能，可以通过简单地改变特征编码模块来应用于不同BCI场景下的少样本分类问题；在面对以目标受试数据构造的新任务时，本发明专利技术能够表现出更好的泛化性能。本发明专利技术能够表现出更好的泛化性能。本发明专利技术能够表现出更好的泛化性能。

【技术实现步骤摘要】
一种基于脑机接口中的少样本识别方法


[0001]本专利技术涉及脑电信号分类与识别的
，尤其涉及一种基于脑机接口中的少样本识别方法。

技术介绍

[0002]脑机接口(Brain
‑
Computer Interface，BCI)能够通过识别一系列脑电(Electroencephalogram，EEG)信号将人类的思维活动或意图转化为相应的计算机指令，从而实现大脑对外部设备的直接交流或控制。运动想象(Motor Imagery，MI)作为一种主动式的控制范式，被广泛运用于医疗康复等领域，已成为当前BCI领域的研究热点。
[0003]尽管这种可以完全自主控制的BCI系统受到了众多学者的青睐并得到了广泛的研究，但它的发展仍然面临着诸多挑战，其中最主要的是目前基于运动想象的BCI系统初始校准时间较长，即由于该种系统自主控制的特性，用户往往需要经历长时间的校准阶段，才能学会如何控制其大脑以产生易于区分的脑电信号，然而，由于脑电数据采集流程复杂，该阶段耗费时间较长，对于健康被试而言，整个过程枯燥无味，对于偏瘫患者而言，更可能导致身心俱疲甚至难以承受。因此，一种减少目标受试所需的训练样本数量、同时保证稳定可靠BCI性能的少样本识别算法亟待提出。
[0004]目前大部分方法采用迁移学习的方法来解决此问题，并且其中的大部分算法仍然需要目标受试每类至少10个以上的样本来帮助迁移训练，很少有研究关注目标受试标注样本极少(如每类1个或5个训练样本)情况下的MI任务分类问题，尤其是在深度学习模型的背景下。尽管深度迁移技术(如fine
‑
tune)可以利用其它受试的数据，但当目标受试训练数据很少时，其适应能力有限。随着元学习逐渐成为少样本分类问题中一个极具潜力的学习范式，目前已有相关研究将其运用于脑机接口领域，但最近一些结合迁移学习和元学习两者优势的工作在视觉领域建立了新的最先进的结果，然而该类方法目前在脑机接口领域探索仍较少。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述现有存在的问题，提出了本专利技术。
[0007]因此，本专利技术解决的技术问题是：现有技术中目标受试训练样本较少情况下系统性能不佳。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：获取1位目标受试和m位辅助受试执行N类运动想象任务的EEG数据；在预训练阶段，利用辅助受试数据学习EEG的特征编码器f
θ
，并将其作为后续元学习阶段的初始模型参数；元学习阶段在预训练的基础上以任务为尺度进行优化，使模型能更好的适应以目标受试数据构建的少样本任务。
[0009]作为本专利技术所述的基于脑机接口中的少样本识别方法的一种优选方案，其中：所述目标受试每类仅具有K个已标注样本，其中，K≤5，所述辅助受试每类任务下具有相对大量的标注数据；
[0010]利用来自所述辅助受试的数据为目标受试构建性能更好的模型，其整体流程包括预训练和元学习两个阶段。
[0011]作为本专利技术所述的基于脑机接口中的少样本识别方法的一种优选方案，其中：所述预训练阶段包括：将辅助受试的原始EEG信号作为深度网络的输入，并在前面两层执行时间方向上和空间方向上的卷积；应用批归一化层将空间滤波卷积层的输出减去平均值并除以标准差进行规范化，减少网络的内部协变量偏移；使用平方非线性函数、均值池化以及对数激活函数对数据进行变换；添加一个Dropout层以预设的概率随机将部分输入置零，防止不同神经单元的过度协同适应；采用一层卷积将不同类别的多个特征图转化为整体的特征向量，并将其输入到全连接层进行最后的分类。
[0012]作为本专利技术所述的基于脑机接口中的少样本识别方法的一种优选方案，其中：所述原始EEG信号为二维数据，记录不同电极通道下的随时间变化的电压值。
[0013]作为本专利技术所述的基于脑机接口中的少样本识别方法的一种优选方案，其中：将不同受试相同MI任务的数据定义不同的类别，即对于所述m位辅助受试执行N类运动想象任务，即共有m
×
N个类别。
[0014]作为本专利技术所述的基于脑机接口中的少样本识别方法的一种优选方案，其中：所述元学习阶段包括：从所述m位辅助受试中随机挑选一位，再从其每类训练数据中随机选择K个样本作为任务内的训练样本和Q个样本作为任务内的测试样本构建一个少样本任务；在每次任务中，将N
×
K个支持集样本利用特征编码器映射得到相应的特征向量，计算每类平均特征向量作为该类的质心；对于训练任务中的某一查询样本x，根据其特征向量与类i质心之间的余弦相似度计算该样本x属于类别i的概率。
[0015]作为本专利技术所述的基于脑机接口中的少样本识别方法的一种优选方案，其中：所述质心的计算公式包括：定义S
i
为类别i(i＝1,
…
,N)下K个支持样本所构成的子集，则每类的质心w
i
表示为如下形式：
[0016][0017]其中，f
θ
(x)表示支持样本x经过特征编码器f
θ
后所得的特征向量。
[0018]作为本专利技术所述的基于脑机接口中的少样本识别方法的一种优选方案，其中：所述样本x属于类别i的概率的计算公式包括：
[0019][0020]其中，cos<
·
,
·
>表示两个向量的余弦相似度，w
j
表示类j的质心，y表示预测标签，N表示类别数量。
[0021]作为本专利技术所述的基于脑机接口中的少样本识别方法的一种优选方案，其中：所述预训练阶段采用标准的交叉熵损失函数对网络的参数进行迭代更新。
[0022]本专利技术的有益效果：本专利技术在预训练模型的基础上使用元学习来进一步提高性
能，可以通过简单地改变特征编码模块来应用于不同BCI场景下的少样本分类问题；在预训练阶段，本专利技术首次将不同受试相同想象任务下的数据视为不同的分类类别，这种特征提取模式能够隐式地学习个体之间的差异，再加上元学习是从以不同个体为尺度构造的任务中学习可供迁移的知识，因此，在面对以目标受试数据构造的新任务时，本专利技术能够表现出更好的泛化性能。
附图说明
[0023]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0024]图1为本专利技术一个实施例提供的一种基于脑机接口中的少样本识别方法的基本流程示意图；
[0025]图2为本专利技术一个实施例提供的一种基于脑机接口中的少本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脑机接口中的少样本识别方法，其特征在于，包括：获取1位目标受试和m位辅助受试执行N类运动想象任务的EEG数据；在预训练阶段，利用辅助受试数据学习EEG的特征编码器f
θ
，并将其作为后续元学习阶段的初始模型参数；元学习阶段在预训练的基础上以任务为尺度进行优化，使模型能更好的适应以目标受试数据构建的少样本任务。2.如权利要求1所述的基于脑机接口中的少样本识别方法，其特征在于，所述目标受试每类仅具有K个已标注样本，其中，K≤5，所述辅助受试每类任务下具有相对大量的标注数据；利用来自所述辅助受试的数据为目标受试构建性能更好的模型，其整体流程包括预训练和元学习两个阶段。3.如权利要求2所述的基于脑机接口中的少样本识别方法，其特征在于，所述预训练阶段包括：将辅助受试的原始EEG信号作为深度网络的输入，并在前面两层执行时间方向上和空间方向上的卷积；应用批归一化层将空间滤波卷积层的输出减去平均值并除以标准差进行规范化，减少网络的内部协变量偏移；使用平方非线性函数、均值池化以及对数激活函数对数据进行变换；添加一个Dropout层以预设的概率随机将部分输入置零，防止不同神经单元的过度协同适应；采用一层卷积将不同类别的多个特征图转化为整体的特征向量，并将其输入到全连接层进行最后的分类。4.如权利要求1所述的基于脑机接口中的少样本识别方法，其特征在于，所述原始EEG信号为二维数据，记录不同电极通道下的随时间变化的电压值。5.如权利要求4所述的基于脑机接口中的少样本识别方法，其特征在于，还包括：将不同受试相同MI任务的数据定义不同的类别，即对于所述m位辅助受试执行N类运...

【专利技术属性】
技术研发人员：季洪飞，李洁，段丽丽，
申请(专利权)人：同济大学，
类型：发明
国别省市：