[发明专利]基于样本迁移的在线脑电分类方法

权利要求书

1.基于样本迁移的在线脑电分类方法，其特征在于：该方法包括以下主要步骤：

步骤(1)：脑电信号预处理；

使用[8，30]Hz带通滤波器进行滤波，以去除肌肉伪迹，噪音污染；

提取动作提示箭头出现后的[0.5，3.5]秒之间的EEG信号，作为数据集样本；

步骤(2)：对每个样本进行在线欧式空间对齐；将目标域单个样本对齐到源域空间，并在每次加入新样本时，都对其协方差矩阵进行更新，使其分布与源域空间更加相似；

具体是：假设目标域一共有K个样本，为{(x_k,y_k)|k＝1,...,K}；在第k轮，有样本(x_k,y_k)输入，目标域信号矩阵更新为：

X_k＝(x₁ x₂ … x_k)^T (1)

求取其协方差矩阵的算数平均值为：

其中，n_k为第k轮样本总数，X_k,i为第k轮第i次目标域信号矩阵，为第k轮目标域样本欧几里得均值，对目标域空间进行如下变换：

其中，X_k为第k轮的目标域信号矩阵，为第k轮对齐后的目标域信号矩阵；

每次样本的加入，会使协方差矩阵的算术平均值更新，通过每一轮样本进行变换，使测试数据的协方差矩阵的分布越来越相近；

步骤(3)：采用共空间模式算法对步骤(2)对齐后的目标域脑电信号进行滤波，并提取其特征向量；

步骤(4)：预测样本标签和更新分类权重；

在线分类器和离线分类器结合后，对样本进行预测分类，并与真实标签进行比较，不断更新分类器权重，之后通过不同的权重将两个分类器结合，来预测标签信息；

步骤(5)：计算损失函数并更新在线分类器，通过真实标签计算损失函数，利用损失函数变化不断更新在线分类器。

2.根据权利要求1所述的基于样本迁移的在线脑电分类方法，其特征在于：步骤(3)具体是：给定一条N通道的时空脑电信号X，其中X是一个N×T矩阵，T表示每个通道的样本数；EEG的归一化协方差矩阵如下所示：

每个类别的协方差矩阵C₁和C₂通过样本均值来计算；共空间模式的投影矩阵是：

W_csp＝U^TP (5)

其中U是正交矩阵，P是白化特征矩阵；

经过投影矩阵W_csp滤波后，可得特征矩阵：

Z₀＝W_csp^TX (6)

取特征矩阵的前m行和后m行构建矩阵Z＝(z₁ z₂ … z_2m)∈R^N×2m，进行归一化处理后可得到特征向量F＝(f₁ f₂ … f_2m)^T∈R^2m×1。

3.根据权利要求1所述的基于样本迁移的在线脑电分类方法，其特征在于：步骤(4)具体是：第k轮，给定一个样本x_k，在在线欧式空间对齐和特征提取后，得到特征通过以下预测函数预测其类标签：

其中w_k为第k轮的目标域分类器，v是源域分类器，a_1,k为第k轮目标域分类器加权参数，α_2,k为第k轮源域分类器加权参数；

在线迁移任务开始时，初始化为了后续样本进行有效的迁移，通过以下对冲算法更新权重：

其中，θ_1,k和θ_2,k为权重参数，初始化θ_1,1＝θ_2,1＝1；β∈(0,1)是一个折扣权重参数，用于惩罚在每个学习步骤执行错误预测的分类器，表示相应的分类器对样本特征的预测是否出错，Ⅱ是一个判断函数，如果括号内的条件成立，则等于1，否则为0。

4.根据权利要求1所述的基于样本迁移的在线脑电分类方法，其特征在于：步骤(5)具体是：通过真实标签y_k＝{-1,+1}来获得损失函数：

当l_k0时，第k+1轮目标域分类器为

其中为拉格朗日乘子，C为权衡参数。