[发明专利]一种基于迁移学习的跨被试脑机接口解码方法

说明书

本发明提供了一种基于迁移学习的跨被试脑机接口解码方法，用于脑机解码，包括以下步骤：获取多源域数据集；除去所述多源域数据集中负影响样本，得到目标多源域数据集；根据所述目标多源域数据集对分类器进行训练，获得分类模型；将目标域数据输入所述分类模型，得到分类结果完成解码。本发明降低了脑机接口校准所需时间；本发明所用的训练数据集全部来自不同的被试，因此在实际使用时，可以采用其他被试提前采集的数据进行训练，而不需要脑机接口当前使用者采集大量训练数据或采用少量数据。

技术领域

本发明属于脑机接口技术领域，尤其涉及一种基于迁移学习的跨被试脑机接口解码方法。

背景技术

现有技术中采用机器学习方法对脑电信号进行解码方法，通常需要采集一定数量的训练数据用于训练分类器，但是采集的历史脑电数据却不能用于训练。这是由于不同被试的脑电信号分布不一样，甚至同一个被试不同时间段的脑电信号分布不一样，这便是脑电信号的非稳态特性。而传统机器学习要求训练数据与测试数据来源于同一个分布，因此，在被试每次使用脑机接口时，需要重新采集训练数据用于训练分类器。这一过程既繁琐又耗费时间，还造成之前采集的脑电数据的浪费，更进一步还容易造成被试大脑疲劳，不利于脑机接口的使用。

基于此，本领域技术人员亟需提供一种全新的被试脑机接口解码方法，以改善训练分类器时存在的上述问题。

发明内容

有鉴于此，本发明的目的在于提供以下技术方案：

一种基于迁移学习的跨被试脑机接口解码方法，包括以下步骤：

获取多源域数据集；

除去所述多源域数据集中负影响样本，得到目标多源域数据集；

根据所述目标多源域数据集对分类器进行训练，获得分类模型；

将目标域数据输入所述分类模型，得到分类结果完成解码。

优选的，所述多源域数据集的获取包括以下步骤：

获取有标签被试数据集，构建源域；

获取被试数据，构成目标域；

计算n个所述源域分别与所述目标域的测地线距离；

将n个所述测地线距离按数值大小进行排序，并除去所述源域中与所述测地线距离最大值对应的源域；

将剩余n-1个源域构成所述多源域数据集。

优选的，获取所述目标多源域数据集的过程包括：

将原始脑电数据映射到黎曼流形空间，进行中心对齐，并投影成切平面中的切向量；

计算最小化源域与目标域的最大均值差异距离，求解得到所述源域的样本系数；

对所述样本系数按数值大小进行排序，去除前10％的大样本系数与后10％的小部分样本系数对应的样本组合，得到目标多源域数据集。

优选的，所述源域与所述目标域的测地线距离，表达式为：

其中，M₁和M₂分别为两个不同被试数据的黎曼中值，λ_i为的实特征值。

优选的，所述切平面中的切向量的获取步骤包括：

计算多通道脑电数据X_i的协方差矩阵P_i；

对每个被试的协方差矩阵P_i进行黎曼中心对齐；

将协方差矩阵P_i投影到切平面中；