[发明专利]基于样本迁移的在线脑电分类方法

说明书

本发明公开了一种基于样本迁移的在线脑电分类方法。本发明首先将脑电信号逐个进行在线欧式对齐，然后采用CSP算法提取特征，接着通过在线分类器与离线分类器加权结合来进行标签预测，最后利用真实标签来更新分类器和权重。本发明提出的在线欧式对齐方法，更适合脑电信号在线预对齐，获得的分类精度更优，并且占用内存和运行时间更少，基于此本发明将可以有效提高在线脑电信号分类的性能。

技术领域

本发明属于模式识别领域，涉及一种基于样本迁移的在线脑电分类方法。

背景技术

脑机接口(BCI)是在人与计算机或其他电子设备之间建立的不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的一种通讯和控制技术，被广泛用于辅具控制、医疗康复、车辆驾驶，日常生活娱乐等领域。目前脑皮层电图(ECoG)、脑电图(EEG)、脑磁图(MEG)、功能性磁共振成像(fMRI)等均被用于BCI中。其中，EEG信号是BCI系统中最常用的输入信号，具有高时间分辨率、低成本、高便携性等优势，但EEG信号具有空间分辨率差、信噪比低、平稳性差的特点，在面对不同的受试者时，很难建立一个最优的通用机器学习模型，对于新受试者，模型通常都需要较长时间训练，这个过程既耗时又费力。因此研究有效的方法来识别不同受试者的脑电特征变得非常有意义。

大多数机器学习方法通常是在离线环境下以批量式学习的方式进行的，所有的训练和测试样本都是预先给定的。但这种方式在实际应用中可能不合适，一次性收集到足够的训练样本花费的成本可能很高。另外，在某些情况下，需要按顺序接收测试样本。而在线学习保留了历史信息，从而避免了从头开始重复的批量重新训练，显着减少了计算工作量；在线学习还能通过适应数据动态产生最新模型，使其能够处理非平稳问题。在线学习已被广泛研究多年，在线支持向量机(SVM)、被动攻击(PA)算法等在线算法在BCI中已经得到应用，例如可穿戴导航系统和基于头戴式设备的增强现实(AR)系统等。然而，现有的在线学习算法也存在一些不足，如PA只保持固定的权重，无法准确的应用在其他应用场景或领域；还有一些在线算法通常将所有错误分类的样本存储为支持向量(SV)，这可能会导致高计算和内存成本，尽管可以通过一些算法将存储的SV数目小于设定阈值，但大多数在线学习算法仅利用一阶信息并为所有特征分配相同的学习率，这可能会导致收敛速度缓慢。

最近，在线迁移学习(OTL)将在线学习动态更新分类模型与迁移学习能够有效利用源域知识的优点相结合，提前收集有标记的源域数据，并以在线方式分多轮接收目标域数据，每轮只接收一个目标样本。现有的在线迁移学习方法侧重于利用源领域的知识在目标领域进行在线学习。Zhao等采用基于集成学习的策略，利用源域数据训练分类器，通过不断调整组合权值使分类器适应新的数据。Kang等提出多类分类在线迁移学习算法(OTLAMC)，设计了新的损失函数和更新方法，将二分类的在线迁移学习拓展至多类当中。Wu等提出了一种多源在线迁移学习算法(OTLMS)，通过自适应源域选择方法，在OTL过程中迁移多个源域知识。Du等提出了一种具有在线分布差异最小化的同构在线迁移学习(HomOTL-ODDM)算法，用于减少多个域之间的边缘分布和条件分布差异。

发明内容

由于BCI在线应用需要同时满足实时性和准确性，减少算法的计算复杂度和单次识别时处理数据的大小，本发明提出了一种基于欧式空间在线领域对齐方法，称作在线欧式空间对齐算法(OEA)，并基于该方法设计了一种基于样本迁移的在线脑电分类方法。

本发明包括以下步骤：

步骤(1)：脑电信号预处理。首先使用[8，30]Hz带通滤波器进行滤波，以去除肌肉伪迹，噪音污染等，然后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)：对每个样本在线欧式空间对齐。将目标域(测试)单个样本对齐到源域(训练)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。

步骤(3)：采用共空间模式(CSP)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。