[发明专利]一种基于Wasserstein距离的运动想象脑电迁移学习方法

说明书

本发明公开了一种基于Wasserstein距离的运动想象脑电迁移学习方法，包括步骤：1)采用运动想象脑电信号作数据集；2)所采集到的数据集经过预处理操作，根据不同的受试者和带标签与否数据分为源域和目标域，迁移学习目的为使用带标签的源域数据提升无标签目标域数据的分类准确率；3)设计深度迁移学习模型，使用深度迁移学习模型在源域数据上进行预训练，训练得出的深度迁移学习模型用于迁移学习的下一阶段；4)对特定的源域和目标域，使用Wasserstein距离进行对抗训练，得到可以用于目标域分类的深度迁移学习模型；5)计算深度迁移学习模型在目标域上的分类准确率和kappa系数。本发明方法有效运用现有数据，泛化能力强，并具有良好的迁移效果。

技术领域

本发明涉及脑电信号检测的技术领域，尤其是指一种基于Wasserstein距离的运动想象脑电迁移学习方法。

背景技术

脑机接口(brain-computer interface，简称BCI)，指在人或动物大脑与外部设备或计算机之间创建的直接连接，实现脑与设备的信息交换。对脑机接口的研究已持续了超过40年了。20世纪90年代中期以来，面向运动的脑机接口经历了迅速的发展。目前，脑机接口作为一种新型的人机交互方式正在逐渐成为脑科学研究的热门课题，在康复训练、高危作业、心理认知等领域具有很大的应用前途。

脑机接口利用源自脑部的神经生理信号来控制外部设备或计算机，而无需任何实际动作。简而言之，脑机接口能够提取用户的脑电信号，经过特定信号处理，模式识别等技术把脑电信号转换成输出控制信号使得特定的计算机系统执行相应操作。根据检测信号传感器的安置方式，脑机接口分为有创植入电极的侵入式脑机接口和无创头皮电极的非侵入式脑机接口。在非侵入式脑机接口中，EEG(electroencephalogram)脑电信号能够比较容易被记录，并且使用设备相对便宜。因此基于EEG脑电信号的研究得到广泛关注。

受试者进行运动想象任务所产生的EEG信号属于自发式EEG信号，主要与感觉运动皮层的mu节律和beta节律密切相关。受试者肢体的真实运动或者假想运动过程，伴随着大脑皮层中mu节律和beta节律的ERD/ERS现象所引发的脑电能量变化。具体表现为对单侧肢体进行运动想象或者真实运动时，对侧脑半球的感觉运动皮层会被激活，该区域的α波的波幅及频率会降低，能量明显减少，即mu节律受到抑制。与之对应的，ERS现象具体表现为：同侧脑半球的感觉运动皮层未被激活，该区域的α波变得活跃，能量明显增加，即mu节律得到增强。从理论上讲，基于mu和beta节律的ERD/ERS能量变化可作为脑电特征，以区分不同的运动想象任务。

然而，由于受试者在生理结构和生理条件上的差异，脑电信号的特征分布会有明显的差异。不同受试者采集到的EEG数据可视为来源不同分布的数据集，在两个不同受试者之间的EEG数据的迁移学习是一个具有挑战性的问题。再者，由于现实情况中大量EEG数据标签的获取是有一定难度的，使用现有的大量带标签的EEG数据提升新受试者的无标签EEG数据的分类准确度，具有很高的研究价值。用一个受试者的带标签数据提升另一个受试者的无标签数据的分类准确率的问题，即无监督迁移学习，其中带标签的受试者数据集为源域数据集，无标签的受试者数据集为目标域数据集。

对抗迁移学习是无监督深度迁移学习的一种形式，对抗迁移学习受到对抗生成网络的影响，使用特征提取器，分类器和域判别器三部分组成对抗迁移学习网络模型，其中特征提取器和分类器组成分类检测部分，特征提取器和域判别器组成域判别部分。特征提取器和域判别器的优化目标相反，域判别器试图判断出实例来自于源域或目标域，特征提取器试图使域判别器判断不出实例的来源，对抗体现在两者的优化目标，通过对抗使得最终源域和目标域通过特征提取器的输出中间层特征分布相近，使得分类器能够同时对源域和目标域特征进行准确的分类。