[发明专利]应用于运动想象脑机接口系统的隐私保护迁移学习方法

权利要求书

1.一种应用于运动想象脑机接口系统的隐私保护迁移学习方法，其特征在于，包括：

S1.将多个源模型封装为API；

S2.将目标域数据送入API，获得每个目标域样本在各源域模型上的类别预测概率，基于不同源域模型的类别预测概率量化多个源域模型在每个目标样本上预测结果的分歧，选择分歧小于设定阈值的样本及其标签构建虚拟中间域；

S3.在虚拟中间域上训练分类器，实现目标用户运动想象类别预测。

2.根据权利要求1所述的一种应用于运动想象脑机接口系统的隐私保护迁移学习方法，其特征在于，多个源模型包括采用多种分类器，在同一源域数据集训练得到的模型；或者采用同一分类器，在源域数据随机采样生成的不同数据集训练得到的模型。

3.根据权利要求2所述的一种应用于运动想象脑机接口系统的隐私保护迁移学习方法，其特征在于，用于训练模型的源域数据集构建过程为，

通过黎曼流形上的同余变换将不同用户的脑电数据协方差矩阵中心对齐到相同位置；

将对齐后的协方差矩阵进行切空间投影，提取运动想象相关特征；

分别合并所有源域用户的特征和标签，构建源域数据集。

4.根据权利要求1所述的一种应用于运动想象脑机接口系统的隐私保护迁移学习方法，其特征在于，利用源不一致性指标量化多个源域模型在每个目标样本上预测结果的分歧；其中，源不一致性指标计算表达式为：

其中C为类别总数，Z为源域模型数量，x_t,i为目标域样本，θ_z、θ_z′分别表示不同的源域模型，分别表示目标域样本x_t,i在不同源域模型上的概率输出。

5.根据权利要求4所述的一种应用于运动想象脑机接口系统的隐私保护迁移学习方法，其特征在于，虚拟中间域为{X_v,Y_v}；

X_v为从目标域无标注样本中选择的部分样本，X_v＝{x_t,i|SI(x_t,i)ε,i∈[1,n_t]}，ε为设定阈值，n_t为目标域样本数，Y_v为多个源域模型投票后的标签。

6.根据权利要求4所述的一种应用于运动想象脑机接口系统的隐私保护迁移学习方法，其特征在于，步骤S3具体为，

使用特征自适应算法，将虚拟中间域和目标域的原始高维特征投影到低维空间；

低维中间域上训练分类器，预测目标域运动想象类别。

7.根据权利要求6所述的一种应用于运动想象脑机接口系统的隐私保护迁移学习方法，其特征在于，在投影过程中最小化虚拟中间域和目标域的联合判别分布差异。

8.根据权利要求6或7所述的一种应用于运动想象脑机接口系统的隐私保护迁移学习方法，其特征在于，在投影过程中引入正则化项和主成分保留约束。