[发明专利]多源流形脑电特征迁移学习方法

说明书

本发明提出了一种多源流形脑电特征迁移学习方法；首先，在对称正定(SPD)流形中对齐源域和目标域协方差矩阵的分布均值，并提取切线空间特征，再通过格拉斯曼流形学习，提取Grassmann流行特征，将源域和目标域的边缘概率分布差异最小化。得到流行特征后，通过对源域和目标域的结构风险最小化和条件概率分布差异最小化作为目标函数，为每个源域进行分类模型训练，每个分类器分别对目标域进行预测，将不同源域的预测结果通过投票方式进行整合。最终进行迭代，得到多源迁移学习的分类结果。

技术领域

本发明属于神经系统运动控制机制研究领域，脑电信号预处理，脑电特征提取，流形特征对齐和提取，多源迁移框架设计，从而进行多源脑电迁移学习。

背景技术

大脑作为控制人类的思想、行为、情绪等活动的中枢，分析处理从外部环境获取的信息，通过神经肌肉通路完成与外界的交流。然而，脊髓损伤、肌萎缩性侧索硬化、脑卒中、帕金森等疾病和脑外伤往往会对神经中枢功能造成损伤或削弱，从而导致不同程度的知觉、感觉、言语、运动等障碍。一方面，脑机接口(Brain Computer Interface,BCI)技术的突破有望通过直接建立大脑与外部设备之间的高精度信息交互与控制，实现机能代偿与功能重建；另一方面，基于BCI技术的主动康复训练可以增强神经重塑，促进患者恢复肢体运动功能康复，提高患者的生活质量与幸福指数，对患者、家庭和社会都具有重要的意义。

BCI系统中，一个核心问题是传统的监督分类器的模型训练需要大量有标记的脑电数据，过长的训练时间给患者带来很大的心理和生理负担，阻碍了BCI系统的发展和应用。因此，如何设计和实现具有自适应能力强、识别率高、用户训练时间短的脑电信号解析模型，已成为BCI系统实用化过程中亟待解决的共性关键基础科学问题之一，尚待进一步研究和方法上的拓展。

针对脑电信号解码存在的训练时间和识别性能问题，本发明提出一种多源流形脑电特征迁移分类方法，增强迁移模型的泛化能力和分类器的鲁棒性，实现健康被试到健康被试或患者之间的迁移，提高脑机接口系统性能。

近年来，迁移学习在BCI中的研究应用层出不穷。其中，黎曼几何在BCI中的应用变得流行，协方差矩阵作为对称正定(Symmetric positive definite,SPD)矩阵，每个(Electroencephalogram,EEG)试验的协方差矩阵可以看作是SPD流形上的一个点。Zanini等人提出了黎曼对齐(Riemannian alignment,RA)框架，用于校准来自不同源域的EEG协方差矩阵。然而，这些基于黎曼空间的方法计算量大，并且与欧氏空间中的机器学习方法不兼容。传统的迁移学习方法旨在解决单到单(Single to Single,STS)迁移问题，在实验中，我们可以发现，即使使用最简单的迁移学习算法，一个好的源域也有助于获得非常高的分类精度，因此源域的质量非常重要。然而，实际上我们很可能有多个源域，就像BCI设备往往有很多以前使用过的标记数据一样。因此，当存在多个源域时，好的源域更有可能被包括在内。在多源迁移中，由于数据的扩展，好的源域可以减少坏源域引起的负迁移的影响，多源迁移学习通常可以获得比STS迁移学习更稳定、更高的分类精度。近年来，多源无监督域自适应迁移学习受到了越来越多的关注，如(Yao，Doretto，2010；Lin，An，Zhang，2013；Li等人，2019；Zhu，Zhung，Wang，2019；Zhang，Wu，2020)。

发明内容

本发明的目的在于提供一种多源流形脑电特征迁移学习方法(multi-sourcemanifold feature transfer learning,MMFT)。

为实现上述目的，多源流行脑电特征迁移学习方法，该方法包括以下步骤：

步骤(1)，脑电流形特征提取；

具体为：通过计算每个样本脑电信号的协方差矩阵，在SPD流形上对不同源域和目标域进行对齐，提取切空间特征；将所提取的切空间特征重构回Grassmann流形，提取Grassmann流形特征，达到最小化源域和目标域边缘概率分布的目的；