【技术实现步骤摘要】
本专利技术涉及脑机接口领域，特别涉及一种基于脑电张量迁移学习的跨任务脑力负荷评价方法。
技术介绍
1、人机交互系统中，操作者的脑力负荷状态直接影响其任务执行的效果，过高或过低的脑力负荷水平均会导致操作者任务绩效的下降，甚至威胁其生命安全。准确的脑力负荷评价对于保障任务的正确执行和操作者安全具有重要意义。目前，常用的脑力负荷评价方法包括主观评价法、任务绩效评价法以及生理评价法等。其中，生理评价法因具有客观、在线、实时等特点，吸引了大量研究者的关注。
2、在众多生理指标中，脑电信号可直接反映人脑认知加工过程，被认为是对脑力负荷最敏感的生理指标。大量研究证实了脑电信号的线性特征(如频带能量)、非线性特征(如样本熵)及功能网络等特征可有效区分特定任务下操作者的脑力负荷水平。然而相同的脑电特征用于不同任务的脑力负荷评价(即跨任务评价)时，其评价结果却不够理想。许多研究将脑力负荷评价的跨任务问题归因于操作者执行不同任务时大脑信息处理机制的差异。具体地，由于大脑处理不同信息时所涉及的脑区以及这些脑区的响应规律不同，导致不同任务下脑电指标随脑力负荷的变化规律也不相同。从特征的统计特性来看，不同任务下的脑电特征常表现为边缘和条件概率分布存在差异，因而在分类任务中无法实现较为理想的识别效果。
3、目前，基于脑电的跨任务脑力负荷评价研究主要分为两类，即共有特征选择法和特征迁移学习法。共有特征选择法通过筛选在不同任务中随脑力负荷的变化均显著变化的生理指标，以获得适用于多种任务的“共有”指标。这些常用的特征筛选方法则包括统计检验法
4、基于特征迁移学习的方法则以构建满足目标函数的特征变换函数/矩阵为目的，使得经变换后的不同任务下的信号特征具有相同的概率分布，采用变换后的特征进行跨任务脑力负荷识别，从而实现较高的识别准确率。
5、值得注意的是，共有特征选择法往往会丢失对特定任务下脑力负荷识别有效的特征，使得准确率下降。现有迁移学习方法仅考虑特征的边缘概率分布或条件概率分布对齐，而对于特征的判别性则未有考虑，因此识别准确率欠佳。
6、上述两类方法在脑电特征提取与构建时，均只考虑脑电单一维度的特征(如时间、频率等)，且在特征筛选或迁移学习时，均以一维向量形式进行处理。由于大脑进行信息加工时是一个动态的、多脑区协同的过程，这种特征处理方式忽略了不同时间、通道、频率等多个脑电特征维度间的结构化特性，因而造成了对判别脑力负荷有用信息的丢失。
7、为解决上述问题，这里提出一种基于脑电张量迁移学习的跨任务脑力负荷评价方法。
技术实现思路
1、本公开的实施例旨在至少解决现有技术中存在的技术问题之一，提供一种基于脑电张量迁移学习的跨任务脑力负荷评价方法，采用张量形式构建脑电特征，表示任务态大脑的动态响应特性，从而获得更有效的判别特征，继而根据特征分布特点对不同任务下的脑电张量进行迁移学习，可有效降低不同任务下脑电特征分布之间的距离，同时在特征分布对齐时同时引入对特征判别能力的考虑，从而提升跨任务脑力负荷评价的准确率。
2、本公开的第一方面，提供一种基于脑电张量迁移学习的跨任务脑力负荷评价方法，所述评价方法包括：
3、采集不同任务下多个脑电通道的脑电信号，每个所述通道对应大脑的不同区域；
4、计算所述脑电信号的时频特征；
5、构建包含所述脑电信号时频特征的目标域三维张量；
6、通过迁移学习方法将所述目标域三维张量与源域三维张量进行对齐，得到迁移学习后的三维张量；
7、对所述迁移学习后的三维张量进行特征筛选，得到筛选特征；
8、利用所述筛选特征训练识别模型；
9、根据所述识别模型，对脑力负荷进行识别。
10、进一步的，所述任务包括字符记忆任务、物体记忆任务、字符空间记忆任务及物体空间记忆任务，所述字符空间记忆任务包括记忆所述字符空间放置位置，所述物体空间记忆任务包括记忆所述物体空间放置位置。
11、进一步的，所述计算所述脑电信号的时频特征通过下列公式：
12、
13、其中，xk(c,f,t,k)表示时频分布，k为数据段，c为脑电通道，f为频率值，t为时间，n为数据段的个数。
14、进一步的，通过迁移学习方法将所述目标域三维张量与源域三维张量进行对齐，得到迁移后的三维张量，包括：
15、将所述目标域和源域三维张量代入损失函数l＝ldistribution+θldiscrimination；
16、其中，ldistribution为特征分布对齐的损失函数，ldiscrimination为类判别损失函数，θ为调谐因子。
17、进一步的，所述特征分布对齐的损失函数ldistribution由下列公式计算得到：
18、
19、其中μ为调谐因子，μ∈[0,1]，lmarginal为边缘分布对齐，lconditional为条件分布对齐；
20、xs和xt分别为源域和目标域的样本张量，ns和nt分别为样本数量，p为源域特征变换矩阵，u为子空间投影矩阵，c为类别数，和表示源域和目标域样本中属于类别c的样本数。
21、进一步的，所述方法还包括将所述特征分布对齐的损失函数ldistribution按照模式k展开得到优化特征分布对齐的损失函数ldistribution：
22、ldistribution＝(1-μ)tr(u(k)x(k(q0x(k)tu(k)t)+μtr(u(k)x(k)q1x(k)tu(k)t)
23、其中，tr(·)表示矩阵的迹，k为特征张量的阶，q0和q1分别对应边缘和条件概率对齐的mmd矩阵；
24、
25、进一步的，所述类判别损失函数ldiscrimination由下列公式计算得到：
26、
27、其中，lbetween和lwithin分别表示类间间隔和类内间隔，ms和mt分别为源域和目标域样本的均值，和分别为源域和目标域中属于类别c的样本均值，gs、gt为经投影映射后的特征张量，
28、进一步的，所述方法还包括将所述类判别损失函数ldiscrimination按照模式k展开得到优化类判别损失函数ldiscrimination：
29、ldiscrimination＝tr(u(k)(b(k)-ζw(k))u(k)t)
30、其中，b(k)和w(k)分别为k阶张量下的类间距离矩阵和类内距离矩阵，ζ为因子；
31、
32、mat(k)(·)为张量的模式k展开，因子ζ取(w(k))-1·b(k)的最大特征值。
33、进一步的，所述方法还包括将所述优化特征分布对齐的损失函数ldistribution及所述优化类判别损失函数ldiscrimination代入l＝ldistribution+θldiscrim本文档来自技高网...
【技术保护点】
1.一种基于脑电张量迁移学习的跨任务脑力负荷评价方法，其特征在于，所述评价方法包括：
2.根据权利要求1所述的方法，其特征在于，所述任务包括字符记忆任务、物体记忆任务、字符空间记忆任务及物体空间记忆任务，所述字符空间记忆任务包括记忆所述字符空间放置位置，所述物体空间记忆任务包括记忆所述物体空间放置位置。
3.根据权利要求1所述的方法，其特征在于，所述计算所述脑电信号的时频特征通过下列公式：
4.根据权利要求1所述的方法，其特征在于，通过迁移学习方法将所述目标域三维张量与源域三维张量进行对齐，得到迁移后的三维张量，包括：
5.根据权利要求4所述的方法，其特征在于，所述特征分布对齐的损失函数Ldistribution由下列公式计算得到：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括将所述特征分布对齐的损失函数Ldistribution按照模式k展开得到优化特征分布对齐的损失函数Ldistribution：
7.根据权利要求1所述的方法，其特征在于，所述类判别损失函数Ldiscrimination由下列
8.根据权利要求7所述的方法，其特征在于，所述方法还包括将所述类判别损失函数Ldiscrimination按照模式k展开得到优化类判别损失函数Ldiscrimination：
9.根据权利要求6或8所述的方法，其特征在于，所述方法还包括将所述优化特征分布对齐的损失函数Ldistribution及所述优化类判别损失函数Ldiscrimination代入L＝Ltribution+θLdiscrimination得到优化损失函数L：
10.根据权利要求9所述的方法，其特征在于，所述方法还包括固定所述源域特征变换矩阵P，得到所述子空间投影矩阵U或者固定所述子空间投影矩阵U，得到所述源域特征变换矩阵P。
11.根据权利要求1所述的方法，其特征在于，所述对所述迁移学习后的三维张量进行特征筛选，得到筛选特征，包括：
12.根据权利要求1所述的方法，其特征在于，所述根据所述识别模型，对脑力负荷进行识别包括：
...【技术特征摘要】
1.一种基于脑电张量迁移学习的跨任务脑力负荷评价方法，其特征在于，所述评价方法包括：
2.根据权利要求1所述的方法，其特征在于，所述任务包括字符记忆任务、物体记忆任务、字符空间记忆任务及物体空间记忆任务，所述字符空间记忆任务包括记忆所述字符空间放置位置，所述物体空间记忆任务包括记忆所述物体空间放置位置。
3.根据权利要求1所述的方法，其特征在于，所述计算所述脑电信号的时频特征通过下列公式：
4.根据权利要求1所述的方法，其特征在于，通过迁移学习方法将所述目标域三维张量与源域三维张量进行对齐，得到迁移后的三维张量，包括：
5.根据权利要求4所述的方法，其特征在于，所述特征分布对齐的损失函数ldistribution由下列公式计算得到：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括将所述特征分布对齐的损失函数ldistribution按照模式k展开得到优化特征分布对齐的损失函数ldistribution：
7.根据权利要求1所述的方法，其特征在...
【专利技术属性】
技术研发人员：关凯，
申请(专利权)人：中国电子科技集团公司信息科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。