[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

说明书

本发明公开了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，属于脑机接口、机器学习领域。方法包括，将多个源模型封装为API；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；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。本发明通过生成多个源域模型的API接口，新用户仅可查询个人数据的预测，保护了源域用户的隐私；本发明通过构建虚拟中间域桥接新用户和老用户的数据分布，减轻了边际分布差异，简单易实现，提升了运动想象识别精度。

技术领域

本发明属于脑机接口、机器学习领域，更具体地，涉及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。

背景技术

随着云计算、大数据、机器学习等技术的快速发展，被誉为第四次工业革命的人工智能技术正在全面、深刻地推动着世界经济、社会的方方面面的变革。脑机接口是一种新的人机交互方式，通过传感器检测和分析通常用脑电图记录的大脑神经活动，实现用户大脑和外部设备之间的直接通信，可以实现辅助交互和康复训练等，也是未来元宇宙的重要支撑技术之一。

运动想象(motor imagery,MI)是脑机接口中一种流行的范式，即对手、脚、方向等运动的想象，来控制外部轮椅、无人机等。运动想象数据的采集往往通过视觉提示用户做出手、脚、舌头等部位的想象，同时脑电采集设备记录用户的脑电信号，用于识别用户运动意图。处理运动想象常见流程为预处理、特征提取、以及使用诸如支持向量机(supportvector machine,SVM)、线性判别器(linear discriminant analysis,LDA)、逻辑回归(logistic regression,LR)等机器学习模型进行分类。特征提取包括共空间模式(CommonSpatial Pattern,CSP)滤波后的能量特征、黎曼几何中的切空间投影技术提取的切空间特征等。脑机接口系统的主要挑战为脑电信号的非平稳性和受试者的高度差异性，需要对用户进行定期校准。迁移学习技术在无校准或者少校准的情况下缓解这些问题，它使用来自一个或多个辅助用户的数据/模型(称为源域)来促进新用户(称为目标域)的学习。近几年，迁移学习方法在脑机接口领域发展蓬勃，诸多方法已被提出，例如数据对齐、分布自适应、深度迁移学习等。然而，随着用户以及政策对隐私问题的关注，如何在不泄露源用户隐私的前提下进行迁移学习是亟待解决的问题。

无源迁移学习是一种可以平衡跨用户识别准确性和隐私保护的技术。例如，梁等人通过重用源网络分类层参数实现源域知识传输，然而该方法需要目标域有大量无标注数据，且需要传递辅助用户的模型参数，存在隐私泄露风险。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了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，其目的在于保护源用户隐私的同时提升运动想象识别精度。

为实现上述目的，本发明提供了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，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。

进一步地，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。

进一步地，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；