[发明专利]一种用于运动想象脑机接口的隐私保护迁移学习方法

说明书

本发明属于基于运动想象的脑机接口领域，具体涉及一种用于运行想象脑机接口的隐私保护迁移学习方法，分为两个部分：1)以往用户模型训练，提出一种数据增强的手段，对每个样本的源域脑电信号进行随机弱化，得到增强后的源域脑电信号，提升模型的泛化性能；2)定义目标域模型，将源域模型的特征提取器和分类器均传递给目标域模型，得到初始目标域模型，固定分类器参数，并随机初始化M个辅助分类器，同时考虑不确定性降低和一致性正则化进行新用户模型训练，无需已知新用户的带标注数据，从而可以在更多的情况下使用。本发明解决的是运动想象脑机接口中的隐私保护迁移学习问题。本发明考虑了用户间差异并同时考虑保护以往用户的隐私不被泄露。

技术领域

本发明属于基于运动想象的脑机接口领域，更具体地，涉及一种用于运行想象脑机接口的隐私保护迁移学习方法。

背景技术

目前已有一些研究考虑运动想象脑机接口中的迁移学习问题。Zanini等人提出一种黎曼对齐的方法，通过计算用户参考状态下的信号协方差矩阵的均值，并将其变换到单位矩阵实现对齐。He和Wu提出一种欧式对齐方法，在欧式空间计算信号的协方差矩阵的均值并变换到单位矩阵完成对齐。Rodrigues等人提出将普氏分析与黎曼空间结合，进一步对齐不同用户的条件概率分布实现知识的迁移。Zhang和Wu提出了联合概率分布差异度量，结合源域判别性损失、目标域局部保持损失和参数正则化损失实现对齐。

然而现有方法均需要源域数据，这会对以往用户造成隐私威胁，亟待解决。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种用于运行想象脑机接口的隐私保护迁移学习方法，其目的在于在不泄露以往用户的隐私的前提下提出一种迁移学习效果好的算法提升脑机接口系统在新用户上的表现。

为实现上述目的，按照本发明的一个方面，提供了一种用于运动想象脑机接口的隐私保护迁移学习方法，包括：

S1、随机初始化源域模型，源域代表以往用户；采集若干源域样本，每个样本包括源域脑电信号及其对应的标签信息；

S2、对每个样本的源域脑电信号进行随机弱化，得到增强后的源域脑电信号，计算所有增强后的源域脑电信号对应的第一切空间特征，采用第一切空间特征以及各个源域样本对应的所述标签信息，更新源域模型参数；

S3、重复S2，直至达到训练迭代终止条件，得到训练好的源域模型

S4、将源域模型的特征提取器和分类器均传递给目标域模型，得到初始的目标域模型，并随机初始化M个辅助分类器；同时采集若干个目标域脑电信号样本，计算所有目标域脑电信号样本对应的第二切空间特征；

S5、将第二切空间特征输入目标域模型的特征提取器，得到每个目标域脑电信号样本的特征向量，并对该特征向量进行M次随机扰动得到M个扰动后特征向量；将每个样本对应的扰动前的特征向量输入目标域模型的分类器以及将M个扰动后特征向量对应输入M个辅助分类器，得到对应的输出，以计算目标域模型的不确定损失和一致性损失，用于更新目标域模型的特征提取器以及M个辅助分类器的参数，目标域模型分类器参数固定；

S6、重复S5，直至达到训练迭代终止条件，得到训练好的目标域模型，完成用于运动想象脑机接口的隐私保护迁移学习，其中，目标域为新用户。

进一步，所述S1还包括：确定通道弱化概率和弱化系数；并计算所有源域样本的源域脑电信号协方差矩阵之间的黎曼均值；

则计算第一切空间特征的实现方式为：

采用所述通道弱化概率选择每个源域脑电信号的待弱化通道；根据所述弱化系数为该源域脑电信号的每个待弱化通道随机生成弱化强度；将该通道的信号与其对应的该弱化强度相乘得到该通道的增强信号，最终得到增强后的源域脑电信号；

根据所述黎曼均值和所有增强后的源域脑电信号，计算源域脑电信号的第一切空间特征。