一种针对跨用户运动想象分类的自适应算法制造技术

本发明专利技术公开了一种针对跨用户运动想象分类的自适应算法，涉及脑电数据分类领域，包括如下步骤：S1：构建基于电极距离的电极间损失权重函数；S2：构建基于电极距离的电极间的数据分布差异损失函数；S3：构建网络整体结构，通过训练使得所述电极间损失权重函数以及所述数据分布差异损失函数最小化。本发明专利技术方法在相同的脑电数据分类任务中可取得更高的准确率。同的脑电数据分类任务中可取得更高的准确率。同的脑电数据分类任务中可取得更高的准确率。

【技术实现步骤摘要】
一种针对跨用户运动想象分类的自适应算法


[0001]本专利技术涉及脑电数据分类领域，更具体地说，涉及一种针对跨用户运动想象分类的自适应算法。

技术介绍

[0002]人类大脑在工作时会源源不断地产生生物电，导致头皮表面电位随时间变化而变化。这种变化可以用脑机接口(BCI)加以记录，从而得到脑电图(EEG)。
[0003]脑电图记录了头皮表层电位的时空变化，可用来描述、分析各种不同的大脑活动，已被广泛用于脑科学、医学等领域。在各种脑电信号中，基于脑电图的运动想象(MI)信号，即运动想象脑电信号，可以用来控制轮椅、机械臂等许多外部设备，成了近年来研究的热点。
[0004]对于不同的用户来说，运动想象脑电信号数据往往存在较大差异。这是因为：其一，用户不同，头型(头围、头皮形状)也往往不同；其二，在进行相同运动想象任务时，不同用户的脑区激活与兴奋程度也不相同；其三，脑电数据的采集，很容易受到环境噪音、用户疲劳程度等不确定因素干扰。
[0005]运动想象脑电数据的采集费时费力。因而，越来越多的研究开始关注跨用户运动想象脑电数据的分类问题，以便利用不同用户的脑电数据完成分类，从而增加训练数据的样本量、提高所训练模型的泛化性。
[0006]然而，现有关于跨用户运动想象脑电数据分类的研究，往往只对脑电数据的整体特征、类相关特征进行全局域、类相关域的自适应对齐，尚没有探究不同电极间的数据分布差异，无论是用户内的，还是用户外的。

技术实现思路

[0007]本专利技术要解决的技术问题是提供一种基于电极间分布差异的跨用户运动想象分类深度电极自适应卷积网络,通过分别最小化源域和目标域用户内和用户间的电极通道差异、源域与目标域用户整体数据的分布差异来完成单源域用户到单目标域用户的跨用户运动想象脑电数据的分类，相比于同领域已有的其他研究，使得本专利技术提出的方法和网络在相同的分类任务取得更高的准确率。
[0008]为了达到上述目的，本专利技术采取以下技术方案：
[0009]一种针对跨用户运动想象分类的自适应算法，包括如下步骤：
[0010]S1：构建基于电极距离的电极间损失权重函数；
[0011]S2：构建基于电极距离的电极间的数据分布差异损失函数；
[0012]S3：构建网络整体结构，通过训练使得所述电极间损失权重函数以及所述数据分布差异损失函数最小化。
[0013]进一步，S1中：电极间损失权重函数表示为：
[0014][0015]其中：
[0016]X为数据集电极通道的横坐标数据；
[0017]Y为数据集电极通道的纵坐标数据；
[0018]l，h分别为数据集电极通道横纵坐标的最大值；
[0019]d为两电极之间的距离。
[0020]进一步，所述数据集为“BCI Competition IV IIa”数据集。
[0021]进一步，所述基于电极距离的电极间的数据分布差异损失函数包括如下两种：
[0022]基于电极距离的用户内部电极间的数据分布差异损失函数以及
[0023]基于电极距离的源域与目标域电极间的数据分布差异损失函数
[0024]进一步，
[0025]其中：
[0026]和均为电极间损失权重函数；
[0027]为基于电极距离的源域数据分布差异损失函数；
[0028]为基于电极距离的目标域用户内部电极数据间的数据分布差异损失函数；
[0029]分别由下式确定：
[0030][0031]其中：
[0032]为S1中电极间损失权重函数；
[0033]分别表示源域和电极相关的期望，以及目标域和电极相关的期望；
[0034]E
S
，E
T
分别表示源域数据与目标域数据的期望；
[0035]e
S
,e
T
分别表示源域数据与目标域数据的电极通道数；
[0036]φ[
·
]是非线性映射函数，可将特征映射至RKHS空间；
[0037]z
S
,z
T
分别表示由网络所提取的源域数据与目标域数据的深度特征；
[0038]n
S
,n
T
分别表示源域数据与目标域数据的样本数。
[0039]进一步，基于电极距离的源域与目标域用户间的电极数据分布差异损失函数由下式决定：
[0040][0041]进一步，S3中，使得所述电极间损失权重函数以及所述数据分布差异损失函数最小化的方法为卷积神经网络训练方法。
[0042]进一步，所述网络整体结构包括特征提取层、连接于所述特征提取层的第一全连接层以及连接于所述第一全连接层的第二全连接层。
[0043]进一步，S3中，与的最小化顺序为：先最小化再最小化
[0044]本专利技术相对于现有技术的优点在于：
[0045]1.探究了不同电极间的数据分布差异，无论是用户内还是用户外，通过分别最小化源域和目标域用户内和用户间的电极通道差异、源域与目标域用户整体数据的分布差异来完成单源域用户到单目标域用户的跨用户运动想象脑电数据的分类，提高了模型的泛化能力和跨用户分类的性能。
[0046]2.构造和电极有关的分布差异损失函数来自适应的缩小电极间的分布差异，从而使不同电极间的数据分布更加紧凑，降低了模型的分类难度。
[0047]3.利用3D全连接层连通所构造的不同的电极损失，在最小化源域、目标域用户整体数据的分布差异之前，尽可能最小化用户不同电极通道间的差异，且这种最小化电极差异的操作先从单个用户(源域用户内部、目标域用户内部)开始，随后再着手于用户间(源域用户与目标域用户之间)，从而使所定义的各个损失之间不发生冲突和矛盾，以更好地最小化所有自定义的损失函数。
附图说明
[0048]图1是本专利技术网络的整体结构示意图；
[0049]图2是本专利技术为数据集电极通道的位置示意图；
[0050]图3是本专利技术为简化的网络结构示意图。
具体实施方式
[0051]下面结合附图对本专利技术的具体实施方式作描述。
[0052]本专利技术所提出的基于电极间分布差异的跨用户运动想象分类深度电极自适应卷
积网络通过分别最小化源域和目标域用户内和用户间的电极通道差异、源域与目标域用户整体数据的分布差异来完成单源域用户到单目标域用户的跨用户运动想象脑电数据的分类，相比于同领域已有的其他研究，本专利技术提出的网络在相同的分类任务中取得了更高的准确率，网络的整体结构如图1和步骤1到3所述。
[0053]1、构建基于电极距离的电极间损失权重函数：
[0054]首先，需要构建不同电极间损失的权重函数，因为我们要将更多的空间信息融入电极损失中，权重的大小由两电极通道的相对位置决定。以“BCI Competition IV IIa”数据集为例，该数据集包含118个电极通道，且是研本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对跨用户运动想象分类的自适应算法，其特征在于，包括如下步骤：S1：构建基于电极距离的电极间损失权重函数；S2：构建基于电极距离的电极间的数据分布差异损失函数；S3：构建网络整体结构，通过训练使得所述电极间损失权重函数以及所述数据分布差异损失函数最小化。2.根据权利要求1所述针对跨用户运动想象分类的自适应算法，其特征在于，S1中：电极间损失权重函数表示为：其中：X为数据集电极通道的横坐标数据；Y为数据集电极通道的纵坐标数据；l，h分别为数据集电极通道横纵坐标的最大值；d为两电极之间的距离。3.根据权利要求2所述针对跨用户运动想象分类的自适应算法，其特征在于，所述数据集为“BCI Competition IV IIa”数据集。4.根据权利要求2所述针对跨用户运动想象分类的自适应算法，其特征在于：所述基于电极距离的电极间的数据分布差异损失函数包括如下两种：基于电极距离的用户内部电极间的数据分布差异损失函数以及基于电极距离的源域与目标域电极间的数据分布差异损失函数5.根据权利要求2所述针对跨用户运动想象分类的自适应算法，其特征在于：其中：和均为电极间损失权重函数；为基于电极距离的源域数据分布差异损失函数；为基于电极距离的目标域用户内部电极数据间的数据分布差异损失函数；分别由下式确定：
其中：为S1中电极间损失权重函数；分别表示源域和电极相关...

【专利技术属性】
技术研发人员：陈致格，黄梦婕，杨瑞，
申请(专利权)人：西交利物浦大学，
类型：发明
国别省市：