[发明专利]一种基于普鲁克分析的运动想象迁移学习方法

说明书

一种基于普鲁克分析的运动想象迁移学习方法，包括以下步骤：1)对原始脑电信号做共平均参考和带通滤波预处理，提高信噪比；2)对源域和目标域的脑电数据分别做对齐变换，使其数据分布得到初步对齐；3)将源域的脑电数据向目标域方向做旋转变换，以进一步匹配其数据统计分布；4)以源域的脑电数据为训练集得到分类模型，对目标域未知标签的脑电数据进行分类。本发明能有效利用源域已有的数据，相比传统机器学习方法，能显著提高目标域仅有少量已知标签数据情况下的分类正确率。

技术领域

本发明涉及运动想象迁移学习领域，是一种基于普鲁克分析的运动想象跨域迁移学习方法。

背景技术

目前，基于运动想象的脑机接口技术主要依赖于机器学习技术，传统的机器学习模型一般是基于两个假设：(1)测试数据与训练数据服从独立同分布；(2)有足量的已标注数据。然而由于脑电信号微弱且变化大，每次实验的环境、电极位置等因素也无法保证完全一致，导致同一个受试者在不同时期的实验数据差异巨大，这违反了假设(1)，因此在传统机器学习框架下受试者过去采集的数据无法直接使用。为了收集足量可用的标注数据，需要上在每次实验之前都先进行约30分钟的校准实验，即使是经验丰富的受试者也是如此，这个过程耗时又枯燥，无论对科研实验还是应用推广都是不小的阻碍。

为了减少校准实验的耗时，迁移学习技术被引入到运动想象领域当中，主要包括跨时期和跨受试者两种形式。其基本思想是虽然不同时期/受试者的数据统计分布不同，但具有相似的模式，仍可以从中提取有用的信息。两者的不同之处在于，跨时期是从同一个受试者的历史数据中得到分类模型，而跨受试者是从不同受试者的数据中得到分类模型。在迁移学习中，将目标受试者过去的数据、其他受试者的数据所分布的领域称为源域，目标受试者当前数据所分布的领域称为目标域。迁移学习的理念是尽量减小目标域和源域数据的分布差异，使得跨域分类识别成为可能，从而降低对校准数据的需求量，减短甚至取消校准实验的耗时。

普鲁克分析是一种用来分析形状分布的统计方法，常用于人脸对齐。其工作原理是从两个不同的形状分布中各选取一些标记点，然后通过平移、缩放和旋转变换，使得两个标记点集尽可能靠近，从而达到让两个形状分布对齐的效果。参考普鲁克分析的思想，可对运动想象脑电数据做一定的变换处理，使得源域和目标域的数据统计分布尽量接近，进而实施跨域迁移学习。目前普鲁克分析在运动想象领域的应用较少，在Rodrigues等人提出的黎曼普鲁克分析算法中，脑电数据的处理和分类只能在黎曼空间中进行，而无法与欧式空间中表现优异的算法结合使用，应用局限性较大。

发明内容

为了克服现有技术的不足，为了将普鲁克分析的思想应用于欧式空间下脑电数据的处理中，扩展其应用范围，本发明提出一种基于普鲁克分析的运动想象迁移学习方法，相比传统机器学习方法，能显著提高小样本下运动想象脑电数据的分类正确率。

为了解决上述技术问题本发明提供如下技术方案：

一种基于普鲁克分析的运动想象迁移学习方法，包括以下步骤：

步骤1)：预处理

首先对原始脑电信号做共平均参考处理，再进行8～30Hz的带通滤波，以消除眼电、肌电伪迹和基线漂移，用以提高脑电数据的信噪比；

步骤2)：对源域和目标域的脑电数据分别做对齐变换

设x_i代表预处理后第i个脑电数据，它是一个n×l的矩阵，n代表脑电的导联数，l代表信号的采样点数，对它提取协方差矩阵：

那么所有样本协方差矩阵的黎曼均值为：

式中，δ(·)代表求黎曼距离运算，其定义为：

其中下标F代表Frobenius范数，λ_r(r＝1，2，…，n)是的实特征值；