CN114757273A - 一种基于协同对比正则化平均教师模型的脑电信号分类方法 - Google Patents

一种基于协同对比正则化平均教师模型的脑电信号分类方法 Download PDF

Info

Publication number
CN114757273A
CN114757273A CN202210362532.4A CN202210362532A CN114757273A CN 114757273 A CN114757273 A CN 114757273A CN 202210362532 A CN202210362532 A CN 202210362532A CN 114757273 A CN114757273 A CN 114757273A
Authority
CN
China
Prior art keywords
eeg
network
eeg data
collaborative
contrast
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210362532.4A
Other languages
English (en)
Inventor
杭文龙
李增光
殷明波
梁爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN202210362532.4A priority Critical patent/CN114757273A/zh
Publication of CN114757273A publication Critical patent/CN114757273A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供了一种基于协同对比正则化平均教师模型的脑电信号分类方法，包括以下步骤：首先对脑电信号(Electroencephalogram，EEG)进行预处理并利用两阶段EEG数据增广方法生成新的视角下的EEG数据，在时频域生成另一视角下的EEG数据；利用平均教师模型中的学生和教师网络分别学***均教师模型可以学习不同视角下的数据级信息和不同视角间数据结构的一致性信息，提升了模型的鲁棒性、判别性和泛化性。

Description

一种基于协同对比正则化平均教师模型的脑电信号分类方法
技术领域
本发明涉及一种基于协同对比正则化平均教师模型的脑电信号识别方法，属于脑电信号识别领域。
背景技术
脑机接口(Brain Computer Interface，BCI)，指在人或动物与外部设备之间创建直接连接，实现脑与设备之间的信息交换。目前，BCI***已经广泛用于帮助中风、脊髓损伤等患者控制外部设备提高其生活质量。脑电信号(Electroencephalogram，EEG)是一种由脑细胞群之间以电离子形式传递信息而产生的生物电现象，是神经元电生理活动在大脑皮层或头皮表面的总体反映。相比于其它类型的脑信号，EEG具有采集方便、时空分辨率高等优点，在BCI***中具有独特的应用价值。借助于大量的EEG训练数据，深度学***稳性和信噪比较低的问题，还存在由于数据采集耗时费力而导致获取大量训练数据较为困难的问题。EEG数据增广方法可以缓解上述训练数据不足的问题。EEG蕴含丰富的时间、频域、空间等信息，在多个域(如时域、时频域等)均可进行特征表示，然而现有EEG数据增广方法通常在单一域生成新的增广数据，忽略了EEG数据在多个域的变化因素，增广EEG数据的质量不高，给建立稳健的EEG识别模型带来挑战。此外，目前的深度学习方法大多只考虑不同视角下EEG数据层面的信息，忽略了不同视角之间不变的EEG数据结构层面的信息，难以突破EEG识别模型的性能瓶颈。
针对上述问题，本发明依托于现有深度学习方法，首先改进脑电数据增广机制，建立了一种新型的两阶段EEG数据增广机制，在多个域上实现EEG数据的增广表示，确保生成的EEG数据能够同时捕获多个域的变化因素，增强现有模型的泛化性能；随后，本发明构建了一种多视角EEG数据结构间的协同性约束方式，通过对比正则化来学习EEG数据结构层面的类内相似性与类间差异性信息，同时通过协同约束来鼓励不同视角间的EEG数据结构的一致性，进一步提升模型对EEG数据的分类性能。
发明内容
本发明提供了一种基于协同对比正则化平均教师模型的脑电信号识别方法，采用两阶段EEG数据增广方法，生成能够同时捕获多个域的变化因素的EEG数据，在此基础上引入包含学生、教师网络的平均教师网络模型学习不同视角下EEG深度特征，利用一致性损失函数鼓励学生、教师网络模型对不同视角下EEG数据预测的一致性，并利用协同对比损失函数来鼓励不同视角下EEG数据结构的一致性，最后对交叉熵损失函数、一致性损失函数以及协同对比损失函数加权求和构成最终的损失函数来优化网络参数。
本发明为解决上述问题采用以下技术方案：
一种基于协同对比正则化平均教师模型的脑电信号识别方法，包括以下步骤：
步骤1：采集EEG数据。
步骤2：对EEG数据进行预处理，包括带通滤波和伪影去除、选取特定时间段和频段，得到EEG数据
Figure BSA0000270493290000021
其中
Figure BSA0000270493290000022
表示第n个EEG数据，c，d分别表示EEG数据的电极通道数和时间采样点数，yn∈{0，1，2，3}是第n个EEG数据对应的标签。
步骤3：利用不同数据增广方式进行EEG数据的分割重组，得到增广后的不同视角下EEG数据
Figure BSA0000270493290000023
和
Figure BSA0000270493290000027
其中
Figure BSA0000270493290000024
是两阶段增广方式得到的EEG数据。
步骤4：以专用的EEG解码网络作为平均教师模型的主干网络，将增广后的EEG数据
Figure BSA0000270493290000025
和交换顺序后的EEG数据
Figure BSA0000270493290000026
分别输入平均教师模型中的学生网络和教师网络。
步骤5：利用步骤4中学生网络的输出经过softmax函数得到的概率输出与真实标签一起计算分类损失。
步骤6：利用步骤4中学生网络以及教师网络的输出分别经过softmax函数得到各自概率输出，计算两者之间的一致性损失。
步骤7：利用投影网络对步骤4中输出的不同视角EEG特征进行降维，随后计算各视角降维后特征之间的协同对比损失。
步骤8：分别对分类损失、一致性损失和协同对比损失加权求和形成最终损失函数，利用反向传播算法优化整个网络。
优选的，本发明提出的EEG数据增广方式包括两个阶段，首先在EEG时域上将线性插值技术引入分割重组方式中，其次将时域EEG增广数据进一步通过短时傅里叶变换转换为其频域表示，在时频域上对EEG信号进行分割重组后，利用逆短时傅里叶变换将其再次转换为时域EEG信号，作为增广EEG数据。
优选的，所述协同对比正则化平均教师模型将协同对比正则化机制作为核心模块，具体表示为：
Figure BSA0000270493290000031
其中，
Figure BSA0000270493290000032
其中，
Figure BSA0000270493290000033
和
Figure BSA0000270493290000034
分别表示不同增广方式下EEG数据通过学生(教师)网络学习的特征再经过投影网络以及归一化操作后得到的结果，
Figure BSA0000270493290000035
表示除第i个样本之外的所有样本，P(i)≡{p∈A(i)：yp＝yi}表示与标签yp相同的所有样本的集合，τ表示尺度参数。
有益效果：
1、本发明引入两阶段EEG数据增广方法，第一阶段在EEG信号的时域上，利用线性插值技术避免了传统分割重组方法为增广EEG数据带来高频噪声的问题，第二阶段在EEG信号的时频域上，将第一阶段得到的增广EEG数据通过分割重组方式进一步进行增广，最终生成的EEG数据能够同时捕获时域及时频域的变化因素，增强了模型的鲁棒性和泛化能力。
2、目前平均教师模型仅能学***均教师模型引入协同对比正则化损失，一方面通过对比正则化约束保证EEG数据的归一化嵌入具有更好的类内紧凑性和类间可分离性，从而学习EEG数据结构信息；另一方面，设计协同学习机制能够学习不同视角下EEG数据结构一致性信息，提升了模型的判别性学习能力。
附图说明
图1是本发明中基于协同对比正则化平均教师模型的脑电信号识别方法的网络框架图。
具体实施方式
请参阅图1所示：
下面结合实例对本发明做更进一步的解释。
本发明主要实施流程如下，相关网络框架见图1。
步骤1：采集EEG数据。
步骤2：对EEG数据进行预处理，包括带通滤波和伪影去除、选取特定时间段和频段，得到EEG数据
Figure BSA0000270493290000036
其中
Figure BSA0000270493290000037
表示第n个EEG数据，c，d分别表示EEG数据的电极通道数和时间采样点数，yn∈{0，1，2，3}是第n个EEG数据对应的标签。
步骤3：根据两种不同的数据增广方式对EEG数据进行分割重组，获得到增广后不同视角下的EEG数据
Figure BSA0000270493290000041
和
Figure BSA0000270493290000042
具体的EEG数据增广方式如下：
1)对预处理后的EEG数据使用短时傅里叶变换，将其由时域表示转换为时频域表示；采用分割重组方式，首先对时频域表示的EEG样本划分不重叠的若干个片段，随后根据当前EEG样本的标签，随机选择具有相同标签的其他EEG样本，通过随机组合不同样本相同位置的片段获得增广样本的时频域表示。利用逆短时傅里叶变换将新生成的EEG样本再转换到时域表示，即形成EEG数据对应的增广数据，这里记为
Figure BSA0000270493290000043
2)对预处理后的EEG数据划分不重叠的J个片段，从具有相同标签的EEG样本中随机选择两段进行插值拟合，具体方式如下：
Figure BSA0000270493290000044
其中，
Figure BSA0000270493290000045
表示当前EEG样本，
Figure BSA0000270493290000046
表示随机选取的具有相同标签的EEG样本，Rij表示从[1，N]随机选取的任意整数，α是插值拟合系数，其值取0.999。对于插值拟合后形成的新数据
Figure BSA0000270493290000047
再利用上述1)的方法，即得到两阶段增广EEG数据，这里记为
Figure BSA0000270493290000048
步骤4：利用EEG解码网络Shallow ConvNet作为平均教师模型的主干网络，将增广后的EEG数据
Figure BSA0000270493290000049
和改变顺序后的EEG数据
Figure BSA00002704932900000410
分别输入平均教师模型中的学生网络和教师网络。
步骤5：利用步骤4中学生网络的输出经过softmax函数得到的概率输出与真实标签一起计算分类损失，公式如下：
Figure BSA00002704932900000411
其中，
Figure BSA00002704932900000412
表示分类损失，
Figure BSA00002704932900000413
和
Figure BSA00002704932900000414
分别表示利用步骤3中的两种方法得到的增广EEG数据，yi表示样本的真实标签，
Figure BSA00002704932900000415
表示学生网络的预测结果。
步骤6：利用步骤4中学生网络以及教师网络的输出分别经过softmax函数得到的各自概率输出，计算两者之间的一致性损失，公式如下：
Figure BSA00002704932900000416
其中，
Figure BSA00002704932900000417
表示一致性损失，
Figure BSA00002704932900000418
和
Figure BSA00002704932900000419
分别表示利用步骤3中的两种方法得到的增广EEG数据，
Figure BSA00002704932900000420
和
Figure BSA00002704932900000421
分别表示学生网络和教师网络的预测结果。
步骤7：利用具有相同结构的投影网络对步骤4种学习到的不同视角EEG特征进行降维，提取更深层的EEG特征，利用两个投影网络的输出计算它们之间的协同对比损失，公式如下：
Figure BSA0000270493290000051
Figure BSA0000270493290000052
其中，
Figure BSA0000270493290000053
和
Figure BSA0000270493290000054
表示当前处理批次中的增广EEG数据
Figure BSA0000270493290000055
(含B个EEG样本)在利用学生网络和教师网络学习到的EEG特征经过投影网络并进行归一化操作后的结果，
Figure BSA0000270493290000056
表示当前处理批次样本中除第i个之外的所有样本，P(i)≡{p∈A(i)：yp＝yi}表示与标签yp相同的所有正类样本的集合，τ表示一个尺度参数，本发明取值0.07。
步骤8：分别对分类损失、一致性损失和协同对比损失加权求和形成最终损失函数，具体如下：
Figure BSA0000270493290000057
其中，λ1，λ2分别表示一致性损失函数和协同对比损失函数的系数，本发明取值1和0.001。利用反向传播算法优化学生网络得到第t次学生网络更新参数θs，而教师网络参数θt依赖于学生网络参数θs，通过指数移动平均方法进行更新，公式如下：
θt＝β·θt+(1-β)·θs (9)
其中，β表示更新参数，本发明取值0.999。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所做的等效结构或等流程变换，或直接或间接运用在相关技术领域，均同理包括在本发明的专利保护范围。

Claims (7)

1.一种基于协同对比正则化平均教师模型的脑电信号分类方法，其特征在于，步骤如下：
步骤1：采集EEG数据；
步骤2：对EEG数据进行预处理，包括带通滤波和伪影去除、选取特定时间段和频段，得到原始EEG数据
Figure FSA0000270493280000011
其中
Figure FSA0000270493280000012
表示第n个EEG数据，c，d分别表示脑电信号的电极通道数和时间采样点数，yn∈{0，1，2，3}是第n个EEG数据对应的标签；
步骤3：利用不同数据增广方式进行EEG数据的分割重组，得到增广后的不同视角下EEG数据
Figure FSA0000270493280000013
和
Figure FSA0000270493280000014
其中
Figure FSA0000270493280000015
是两阶段增广方式得到的EEG数据；
步骤4：以专用的EEG解码网络作为平均教师模型的主干网络，将增广后的EEG数据
Figure FSA0000270493280000016
和交换顺序后的EEG数据
Figure FSA0000270493280000017
分别输入平均教师模型中的学生网络和教师网络；
步骤5：利用步骤4中学生网络的输出经过softmax函数得到的概率输出与真实标签一起计算分类损失；
步骤6：利用步骤4中学生网络以及教师网络的输出分别经过softmax函数得到各自概率输出，计算两者之间的一致性损失；
步骤7：利用投影网络对步骤4中输出的不同视角EEG特征进行降维，随后计算各视角降维后特征之间的协同对比损失；
步骤8：分别对分类损失、一致性损失和协同对比损失加权求和形成最终损失函数，利用反向传播算法优化整个网络。
2.根据权利要求1所述的一种基于协同对比正则化平均教师模型的脑电信号分类方法，其特征在于，步骤3中，两种增广方式主要包括如下：
1)对经过预处理之后的EEG数据使用短时傅里叶变换，将其由时域表示转换为时频域表示；采用分割重组方式，首先对时频域表示的EEG样本划分不重叠的若干个片段，随后根据当前EEG样本的标签，随机选择具有相同标签的其他EEG样本，通过随机组合不同样本相同位置的片段获得增广样本的时频域表示；利用逆短时傅里叶变换将新生成的EEG样本再转换到时域表示，即形成EEG数据对应的增广数据，这里记为
Figure FSA0000270493280000018
2)对预处理后的EEG数据划分不重叠的J个片段，从具有相同标签的EEG样本中随机选择两段进行插值拟合，具体方式如下：
Figure FSA0000270493280000021
其中，
Figure FSA0000270493280000022
表示当前EEG样本，
Figure FSA0000270493280000023
表示随机选取的具有相同标签的EEG样本，Rij表示从[1，N]随机选取的任意整数，α是插值拟合系数，本发明取0.999，对于插值拟合后形成的新数据
Figure FSA0000270493280000024
再利用上述1)的方法，即得到两阶段增广数据，这里记为
Figure FSA0000270493280000025
3.根据权利要求1所述的一种基于协同对比正则化平均教师模型的脑电信号分类方法，其特征在于，步骤4中，利用EEG解码网络Shallow ConvNet作为平均教师模型的主干网络。
4.根据权利要求1所述的一种基于协同对比正则化平均教师模型的脑电信号分类方法，其特征在于，步骤5中，学生网络的输出经过softmax函数得到的概率输出与真实标签一起计算分类损失，具体的计算方式为：
Figure FSA0000270493280000026
其中，
Figure FSA0000270493280000027
表示分类损失，
Figure FSA0000270493280000028
和
Figure FSA0000270493280000029
分别表示利用步骤3中的两种方法得到的增广EEG数据，yi表示样本的真实标签，
Figure FSA00002704932800000210
表示学生网络的预测结果。
5.根据权利要求1所述的一种基于协同对比正则化平均教师模型的脑电信号分类方法，其特征在于，步骤6中，利用步骤4中学生网络以及教师网络的输出分别经过softmax函数得到的各自概率输出，计算两者之间的一致性损失，具体的计算方式为：
Figure FSA00002704932800000211
其中，
Figure FSA00002704932800000212
表示一致性损失，
Figure FSA00002704932800000213
和
Figure FSA00002704932800000214
分别表示利用步骤3中的两种方法得到的增广EEG数据，
Figure FSA00002704932800000215
和
Figure FSA00002704932800000216
分别表示学生网络和教师网络的预测结果。
6.根据权利要求1所述的一种基于协同对比正则化平均教师模型的脑电信号分类方法，其特征在于，步骤7中，利用两个投影网络的输出计算它们之间的协同对比损失，具体的计算方式为：
Figure FSA00002704932800000217
Figure FSA00002704932800000218
其中，
Figure FSA0000270493280000031
和
Figure FSA0000270493280000032
表示当前处理批次中的增广EEG数据
Figure FSA0000270493280000033
(含B个EEG样本)在利用学生网络和教师网络学习到的EEG特征经过投影网络并进行归一化操作后的结果，
Figure FSA0000270493280000034
表示当前处理批次样本中除第i个之外的所有样本，P(i)≡{p∈A(i)：yp＝yi}表示与标签yp相同的所有正类样本的集合，τ表示一个尺度参数，本发明取值0.07。
7.根据权利要求1所述的一种基于协同对比正则化平均教师模型的脑电信号分类方法，其特征在于，步骤8中，对分类损失、一致性损失和协同对比损失加权求和形成最终损失函数并利用反向传播算法优化整个网络，具体如下：
Figure FSA0000270493280000035
其中，λ1，λ2分别表示一致性损失函数和协同对比损失函数的系数，本发明取值1和0.001，利用反向传播算法优化学生网络得到第t次学生网络更新参数θs，而教师网络参数θt依赖于学生网络参数θs，通过指数移动平均方法进行更新，公式如下：
θt＝β·θt+(1-β)·θs (7)
其中，β表示更新参数，本发明取值0.999。
CN202210362532.4A 2022-04-07 2022-04-07 一种基于协同对比正则化平均教师模型的脑电信号分类方法 Pending CN114757273A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210362532.4A CN114757273A (zh) 2022-04-07 2022-04-07 一种基于协同对比正则化平均教师模型的脑电信号分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210362532.4A CN114757273A (zh) 2022-04-07 2022-04-07 一种基于协同对比正则化平均教师模型的脑电信号分类方法

Publications (1)

Publication Number Publication Date
CN114757273A true CN114757273A (zh) 2022-07-15

Family

ID=82329734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210362532.4A Pending CN114757273A (zh) 2022-04-07 2022-04-07 一种基于协同对比正则化平均教师模型的脑电信号分类方法

Country Status (1)

Country Link
CN (1) CN114757273A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258730A (zh) * 2023-05-16 2023-06-13 先进计算与关键软件(信创)海河实验室 一种基于一致性损失函数的半监督医学图像分割方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190113973A1 (en) * 2012-09-14 2019-04-18 Interaxon Inc Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data
CN113256646A (zh) * 2021-04-13 2021-08-13 浙江工业大学 一种基于半监督学习的脑血管图像分割方法
CN113378673A (zh) * 2021-05-31 2021-09-10 中国科学技术大学 一种基于一致性正则化的半监督脑电信号分类方法
CN114052735A (zh) * 2021-11-26 2022-02-18 山东大学 一种基于深度领域自适应的脑电情绪识别方法及***
WO2022041307A1 (zh) * 2020-08-31 2022-03-03 温州医科大学 一种构建半监督图像分割框架的方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190113973A1 (en) * 2012-09-14 2019-04-18 Interaxon Inc Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data
WO2022041307A1 (zh) * 2020-08-31 2022-03-03 温州医科大学 一种构建半监督图像分割框架的方法及***
CN113256646A (zh) * 2021-04-13 2021-08-13 浙江工业大学 一种基于半监督学习的脑血管图像分割方法
CN113378673A (zh) * 2021-05-31 2021-09-10 中国科学技术大学 一种基于一致性正则化的半监督脑电信号分类方法
CN114052735A (zh) * 2021-11-26 2022-02-18 山东大学 一种基于深度领域自适应的脑电情绪识别方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TONGGUANG NI, XIAOQING GU, YIZHANG JIANG: "Transfer discriminative dictionary learning with label consistency for classification of EEG signals of epilepsy", JOURNAL OF AMBIENT INTELLIGENCE AND HUMANIZED COMPUTING, vol. 14, 21 October 2020 (2020-10-21), pages 5529 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116258730A (zh) * 2023-05-16 2023-06-13 先进计算与关键软件(信创)海河实验室 一种基于一致性损失函数的半监督医学图像分割方法
CN116258730B (zh) * 2023-05-16 2023-08-11 先进计算与关键软件(信创)海河实验室 一种基于一致性损失函数的半监督医学图像分割方法

Similar Documents

Publication Publication Date Title
CN112307958B (zh) 基于时空外观运动注意力网络的微表情识别方法
CN112766355B (zh) 一种标签噪声下的脑电信号情绪识别方法
CN110288018A (zh) 一种融合深度学习模型的WiFi身份识别方法
CN111461201B (zh) 基于相空间重构的传感器数据分类方法
CN113749657B (zh) 一种基于多任务胶囊的脑电情绪识别方法
CN112381008A (zh) 一种基于并行序列通道映射网络的脑电情感识别方法
CN113673434B (zh) 一种基于高效卷积神经网络和对比学习的脑电情绪识别方法
CN115919330A (zh) 基于多层次se注意力和图卷积的eeg情绪状态分类方法
CN114757273A (zh) 一种基于协同对比正则化平均教师模型的脑电信号分类方法
CN117132849A (zh) 基于ct平扫影像与图神经网络的脑卒中出血转化预测方法
Satoto et al. An auto contrast custom convolutional neural network to identifying gram-negative bacteria
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN113128384B (zh) 一种基于深度学习的脑卒中康复***脑机接口软件关键技术方法
CN117150346A (zh) 基于eeg的运动想象脑电分类方法、装置、设备及介质
CN114398991B (zh) 基于Transformer结构搜索的脑电信号情绪识别方法
CN114638253B (zh) 基于情感脑电特征融合优化机制的身份识别***及方法
CN115017960B (zh) 一种基于时空联合mlp网络的脑电信号分类方法及应用
CN116821764A (zh) 一种基于知识蒸馏的多源域适应的eeg情绪状态分类方法
CN115969392A (zh) 基于张量化频空注意力域适应网络的跨时段脑纹识别方法
CN114841216B (zh) 一种基于模型不确定性学习的脑电信号分类方法
CN117503157A (zh) 一种基于sgcrnn模型的脑电信号情绪识别方法
CN113842151B (zh) 一种基于高效多源胶囊网络的跨被试eeg认知状态检测方法
CN113516101B (zh) 一种基于网络结构搜索的脑电信号情绪识别方法
CN114283301A (zh) 一种基于Transformer的自适应医学影像分类方法及***
CN115470863A (zh) 一种基于双重监督的领域泛化脑电信号分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination