[发明专利]一种基于多模型学习集成的动态自适应脑机接口解码方法

权利要求书

1.一种基于多模型学习集成的动态自适应脑机接口解码方法，其特征在于，包括以下步骤：

(1)获取原始运动神经信号，进行预处理后按比例分成训练集、验证集和测试集；

(2)模型池初始设定，具体包括：

(2-1)设定模型池中模型的组数及每组内模型的个数；

(2-2)设定每个组别的模型类型；

(2-3)设定每个模型初始分配数据占全部数据的比例；

(2-4)根据设定分配数据的比例，对于每一个组别，从训练集中为组内的所有模型随机分配一批数据；

(3)根据分配的数据学习模型，对于每个组别每个模型，使用被分配到的训练样本，学习所设类型的模型；

(4)根据学习到的模型重分配数据，具体包括：

(4-1)计算每个模型对每个时刻训练样本的拟合误差；

(4-2)对于每个组别，计算得到各个时刻使训练样本误差最小的组内模型，并将该时刻数据分配给该模型；

(4-3)对于每个模型被分配到的数据，设置一个接受阈值γ，只接受误差小的一部分数据；

(5)对于每个组别，迭代上述步骤(3)至(4)，直到在所有训练样本上的预测误差之和小于一个预设值；使用最后一次迭代后学到的所有模型作为候选模型，构建模型池；

(6)使用动态贝叶斯多模型集成框架，根据每一个测试样本的神经信号，估计其对应的运动信号：

(6-1)使用上述构建的多个候选模型动态表征状态变量与观测变量之间的关系；其中，状态变量为运动信号，观测变量为神经信号；

(6-2)根据贝叶斯模型平均法则动态组合模型池中的候选模型，作为状态空间模型的观测函数；

(6-3)应用过程中，利用构建的状态空间模型对待解码的神经信号进行状态估计，估计不同候选模型对应的状态并进行集成，得到解码后的运动信号。

2.根据权利要求1所述的基于多模型学习集成的动态自适应脑机接口解码方法，其特征在于，步骤(2)中，模型池初始设定如下：

设定模型池中模型的组数为G，第g组的组内模型个数为M_g，则模型池内模型总数为M＝M₁+M₂+…M_G，任意一个模型表示为

设定每个模型初始分配数据占全部训练数据的比例为r_seg；对于每一个组别，从训练集中为组内的所有模型随机分配一批数据，数据长度为其中T_train为训练集样本数量；

每个模型所分配到的训练数据为其中，表示模型所分配到的运动数据，表示模型所分配到的神经数据，d_x和d_y分别表示运动数据和神经数据的特征维度。

3.根据权利要求2所述的基于多模型学习集成的动态自适应脑机接口解码方法，其特征在于，步骤(3)中，根据分配的数据学习模型的方式如下：

其中，表示独立同分布的观测噪声。