一种基于黎曼空间的手部自然动作脑电数据迁移方法技术

本发明专利技术公开了一种基于黎曼空间的手部自然动作脑电数据迁移方法，包括：分别提取新用户和历史用户手部自然动作脑电信号的空间协方差矩阵作为目标数据集和历史数据集；以不同类别之间黎曼中心的距离之和为依据在历史数据集中选出源数据集，并对源数据集和目标数据集的黎曼中心进行对齐；利用源数据集样本和目标数据集样本之间的距离关系筛选出源数据集样本加入训练集；将完成对齐后的目标数据集在黎曼空间中进行几何变换；最后将变换后带有标注的目标数据集样本与筛选出的源数据集样本合并成为训练集，用以新用户的模型的建立。本发明专利技术能够借助历史用户的手部自然动作脑电数据辅助新用户模型的建立，缩短模型校准的时间。间。间。

【技术实现步骤摘要】
一种基于黎曼空间的手部自然动作脑电数据迁移方法


[0001]本专利技术属于脑电信号处理领域，具体涉及一种基于黎曼空间的手部自然动作脑电数据迁移方法。

技术介绍

[0002]脑
‑
机接口技术可以通过采集和处理脑电信号对大脑活动进行解码,并产生控制指令直接控制神经假肢和机械臂等外部设备。当用户在执行抓握、指捏、旋拧等手部自然动作时，会在大脑中诱发运动相关皮质电位(MRCPs)，其中包含着丰富的运动行为信息，利用这些信息可以实现对神经假肢等外部设备更加精准的控制。然而由于用户个体之间的生理构造和动作习惯的差异，在历史用户身上采集到的手部自然动作脑电数据无法直接用于新用户模型的训练。因此，在建立新用户的模型时需要耗费较长的时间重新采集脑电数据并进行校准。
[0003]迁移学习方法可以利用已有数据辅助新用户模型的建立，其主要原理为减少用户数据集之间的分布差异，使历史用户的脑电数据能够用于新用户模型的训练，从而在不标注或少量标注新用户数据的情况下建立良好的模型，减少新分类器的校准时间。以往的迁移学习方法一般基于传统的欧式空间，而随着黎曼几何方法逐渐在脑电信号处理中展现出独特的优势，研究基于黎曼空间的手部自然动作脑电数据迁移方法具有重要的实际意义。

技术实现思路

[0004]为解决上述问题，本专利技术公开了一种基于黎曼空间的手部自然动作脑电数据迁移方法，以解决在新用户模型建立时，由于用户之间的脑电数据分布不同，历史数据难以加以利用而造成的模型校准时间较长的问题。
[0005]为达到上述目的，本专利技术的技术方案如下：
[0006]一种基于黎曼空间的手部自然动作脑电数据迁移方法，包括以下步骤：
[0007](1)假设有m个历史用户和一个新用户执行k个手部自然动作任务时的脑电数据，在完成对脑电数据的预处理后，提取用户脑电信号样本X∈R
N
×
T
的空间协方差矩阵作为统计特征，并结合与之对应的类别标签作为数据集。分别将来自第a个历史用户的数据集和新用户的数据集定义为历史数据集和目标数据集其中，目标数据集中已标注的样本集记为未标注的样本集记为
[0008](2)针对每个历史数据集，在黎曼空间中根据黎曼距离度量分别求出该历史数据集中各个类别的数据点对应的黎曼中心，并计算各个类别黎曼中心之间的两两黎曼距离之和。选择各类别黎曼中心之间两两黎曼距离之和最大的历史数据集作为源数据集辅助新模型的建立；
[0009](3)在黎曼流形中，依据黎曼距离度量分别求出源数据集的黎曼中心M以及目标数据集中的黎曼中心并利用M和作为参考矩阵对协方差矩阵C
i
和进行变换，得到新
的数据集和
[0010](4)记数据集中未标注样本的集合为首先计算数据集中所有样本与数据集中所有样本之间的黎曼距离，然后选择距离数据集中样本最近的若干个数据集中的样本加入训练集；
[0011](5)记数据集中带标注样本的集合为计算数据集和关于各自黎曼中心的分布d和将d和作为参数对数据集中的矩阵进行放缩变换，得到数据集
[0012](6)计算数据集和数据集中每种类别对应数据点的黎曼中心M
k
和在此基础上寻找一个正交矩阵U，对数据集中的矩阵进行旋转变换，得到数据集
[0013](7)记数据集中带有标注的子集为不带标注的子集为在训练新用户的模型时，将上述的数据集和合并作为训练集，将作为测试集。
[0014]进一步地，步骤(2)包括：
[0015](2.1)对每个历史数据集，计算每个类别的数据对应的黎曼中心，方法如下：
[0016]定义任意两个协方差矩阵C
i
，C
j
的黎曼距离为：
[0017][0018]其中λ
k
为矩阵的特征值。
[0019]进一步地，定义K个数据点的黎曼中心点为：
[0020][0021]其中为对称正定矩阵，其定义为到其它数据点的黎曼距离之和最小的点，该式没有解析解，而是需要使用梯度下降算法来迭代求解。
[0022](2.2)对每个历史数据集，计算各个黎曼中心之间的两两黎曼距离之和，选择该和最大的历史数据集作为源数据集计算方法如下：
[0023][0024]其中，分别表示第i类和第j类的黎曼中心。
[0025]进一步地，步骤(3)具体包括：
[0026](3.1)计算的黎曼中心M以及目标数据集中的黎曼中心方法同步骤(2)。
[0027](3.2)使用M和作为参考矩阵对协方差矩阵C
i
和进行如下变换：
[0028][0029]其中，为变换后的协方差矩阵。
[0030]进一步地，步骤(4)具体包括：
[0031](4.1)针对每一个未被标注的数据集样本，分别计算与数据集中所有样本之间的黎曼距离，并从中挑选出若干个黎曼距离最近的样本。
[0032](4.2)将所有被选择出的样本组合到一起，除去被重复选择的部分，得到新的数据集
[0033]进一步地，步骤(5)具体包括：
[0034](5.1)计算数据集和关于单位矩阵I
n
的分布d和
[0035][0036](5.2)计算放缩参数s：
[0037][0038]进一步地，对数据集中的协方差矩阵进行如下放缩变换：
[0039][0040]其中，表示经放缩变换后的协方差矩阵,构成数据集
[0041]进一步地，步骤(6)具体包括：
[0042](6.1)分别计算数据集和数据集中每种类别对应数据点的黎曼中心M
k
和方法如下：
[0043][0044][0045]其中，y
i
与代表类别标签，k表示类别。
[0046](6.2)通过求解计算得到变换矩阵U，
[0047]其中，L为类别的数量，ω
k
∈[0，1]是允许根据每个类的黎曼平均值来平衡优化的系数，
[0048]进一步地，G
k
与的定义如下：
[0049][0050]其中M和的意义与(3)中所述相同。
[0051](6.3)利用变换矩阵U对数据集中的矩阵进行如下旋转变换：
[0052]其中表示经旋转变换后的协方差矩阵,构成数据集
[0053]本专利技术的有益效果是：
[0054](1)从源数据集的选择上，本专利技术提出的方法能够从众多历史用户的数据集中选出最有利于新用户模型效果的数据集作为源数据集，更好地提升了新模型的分类性能。
[0055](2)本专利技术提出的基于黎曼空间的手部自然动作脑电数据迁移方法，能够将用户执行自然手部动作时采集的源数据集和目标数据集中的数据分布进行匹配，将已有的经验
迁移到新用户模型当中，减少了新用户模型建立所需要的时间。
[0056](3)本专利技术有效地利用了目标用户数据集中的包含的标签信息，相对于完全不依赖标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于黎曼空间的手部自然动作脑电数据迁移方法，其特征在于：包括以下步骤，(1)收集m个历史用户和一个新用户执行k个手部自然动作任务时的脑电数据，在完成对脑电数据的预处理后，提取用户脑电信号样本X∈R
N
×
T
的空间协方差矩阵作为统计特征，并结合与之对应的类别标签作为数据集；分别将来自第a个历史用户的数据集和新用户的数据集定义为历史数据集和目标数据集其中，目标数据集中已标注的样本集记为未标注的样本集记为(2)针对每个历史数据集，在黎曼空间中根据黎曼距离度量分别求出该历史数据集中各个类别的数据点对应的黎曼中心，并计算各个类别黎曼中心之间的两两黎曼距离之和；选择各类别黎曼中心之间两两黎曼距离之和最大的历史数据集作为源数据集辅助新模型的建立；(3)在黎曼流形中，依据黎曼距离度量分别求出源数据集的黎曼中心M以及目标数据集中的黎曼中心并利用M和作为参考矩阵对协方差矩阵和进行变换，得到新的数据集和(4)记数据集中未标注样本的集合为首先计算数据集中所有样本与数据集中所有样本之间的黎曼距离，然后选择距离数据集中样本最近的若干个数据集中的样本加入训练集；(5)记数据集中带标注样本的集合为计算数据集和关于各自黎曼中心的分布d和将d和作为参数对数据集中的矩阵进行放缩变换，得到数据集(6)计算数据集和数据集中每种类别对应数据点的黎曼中心M
k
和在此基础上寻找一个正交矩阵U，对数据集中的矩阵进行旋转变换，得到数据集(7)记数据集中带有标注的子集为不带标注的子集为在训练新用户的模型时，将上述的数据集和合并作为训练集，将作为测试集。2.根据权利要求1所述的一种基于黎曼空间的手部自然动作脑电数据迁移方法，其特征在于：步骤(2)包括：(2.1)对每个历史数据集，计算每个类别的数据对应的黎曼中心，方法如下：定义任意两个协方差矩阵的黎曼距离为：其中λ
k
为矩阵的特征值；定义K个数据点的黎曼中心点为：
其中为对称...

【专利技术属性】
技术研发人员：徐宝国，薛沐辉，平靖宇，邓乐莹，宋爱国，
申请(专利权)人：东南大学，
类型：发明
国别省市：