CN117892183A - 一种基于可靠迁移学习的脑电信号识别方法及*** - Google Patents
一种基于可靠迁移学习的脑电信号识别方法及*** Download PDFInfo
- Publication number
- CN117892183A CN117892183A CN202410289659.7A CN202410289659A CN117892183A CN 117892183 A CN117892183 A CN 117892183A CN 202410289659 A CN202410289659 A CN 202410289659A CN 117892183 A CN117892183 A CN 117892183A
- Authority
- CN
- China
- Prior art keywords
- data
- eeg data
- denotes
- eeg
- source domain
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013526 transfer learning Methods 0.000 title claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 65
- 210000004556 brain Anatomy 0.000 claims abstract description 26
- 230000003190 augmentative effect Effects 0.000 claims abstract description 11
- 238000012546 transfer Methods 0.000 claims abstract description 4
- 230000003416 augmentation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000013508 migration Methods 0.000 claims description 10
- 230000005012 migration Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013434 data augmentation Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及脑电信号识别方法技术领域,公开了一种基于可靠迁移学习的脑电信号识别方法及***,包括:采集EEG数据,并在划分源域和目标域后进行预处理。对源域和目标域数据进行增广。定义权重函数,自适应地学习每个源域数据对应的权重,确定出可迁移的源域数据。将监督学习损失、判别特征对齐正则化和选择性跨视图一致性学习正则化,一起集成到迁移学习框架中,建立目标函数。求解所述目标函数,实现对脑电信号的识别。本发明提供的基于可靠迁移学习的脑电信号识别方法及***缓解了不可靠的源域数据对目标模型造成的负迁移效应。增强EEG深度特征的可分性。构建的模型具有更好的泛化能力。提升了模型对目标EEG信号的识别性能。
Description
技术领域
本发明涉及脑电信号识别方法技术领域,具体为一种基于可靠迁移学习的脑电信号识别方法及***。
背景技术
脑电图(Electroencephalogram,EEG) 作为一种非侵入式的大脑电活动监测方法,被广泛用于脑-机接口(Brain Computer Interface, BCI)。基于EEG信号的BCI可以在大脑和外部设备之间建立直接的信息交互通道,在神经康复工程方面展现出巨大的前景。
目前,深度学习方法在EEG信号解码方面获得了显著进展,其性能在很大程度上依赖于充足的EEG训练数据。由于收集大量的EEG数据耗时又费力,用户使用并不友好。一种替代方法是收集历史受试者的EEG数据来构建一个较大的数据集,用于模型训练。然而,真实场景中用户生理/心理状态存在差异,EEG数据在不同受试者间存在领域偏移,使得现有的大多数方法难以在目标受试者的EEG数据上表现出良好性能。为了缓解上述问题,可以利用迁移学习方法挖掘源域和目标域受试者EEG数据的共享知识,构建目标受试者EEG分类模型。但是,当源域中存在不可靠EEG数据(比如,受试者执行特定任务时出现外界干扰),往往会导致负迁移问题,从而限制目前迁移学习模型的泛化能力。
发明内容
因此,本发明解决的技术问题是:迁移学习中源域数据不可靠;模型的精度较差;以及如何使模型在拥有较少目标域脑电数据的限制下,有较好的脑电信号识别能力的优化问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于可靠迁移学习的脑电信号识别方法,包括:采集EEG数据,并在划分源域和目标域后进行预处理。
对源域和目标域数据进行增广。
定义权重函数,自适应地学习每个源域数据对应的权重,确定出可迁移的源域数据。
将监督学习损失、判别特征对齐正则化和选择性跨视图一致性学习正则化,一起集成到迁移学习框架中,建立目标函数。
求解所述目标函数,实现对脑电信号的识别。
作为本发明所述的基于可靠迁移学习的脑电信号识别方法的一种优选方案,其中:所述划分源域和目标域包括,历史被试者EEG数据作为源域,由/>个数据和标签组成,表示为:
;
其中,表示第/>次输入的源域EEG数据,/>,表示第/>次输入的源域EEG数据对应的标签。S表示源域,C表示标签类别数量。
目标被试者脑电数据作为目标域,由少量的个数据和标签组成,表示为:
;
其中,表示第/>次输入的目标域EEG数据,/>,表示第/>次输入的目标域EEG数据对应的标签。t表示目标域。
作为本发明所述的基于可靠迁移学习的脑电信号识别方法的一种优选方案,其中:所述预处理包括,对数据截取特定时间段和带通滤波,得到经过预处理后的源域和目标域EEG数据,作为增广前的EEG数据视图。
作为本发明所述的基于可靠迁移学习的脑电信号识别方法的一种优选方案,其中:所述对源域和目标域数据进行增广包括,使用Mixup方法分别对源域和目标域EEG数据进行数据增广,得到增广后的EEG数据视图:
;
其中,表示增广后的EEG数据,/>表示输入数据集合,/>表示第/>次输入的EEG数据,/>表示第/>次输入的EEG数据,/>表示转换函数,/>,/>。
作为本发明所述的基于可靠迁移学习的脑电信号识别方法的一种优选方案,其中:所述定义权重函数包括,将源域EEG数据的概率预测映射到对应的权重,自适应地学习每个源域数据对应的权重,确定出可用于迁移的源域EEG数据。
权重函数表示为:
;
其中,表示权重函数,/>表示一个C维的实数向量空间,/>表示实数集合,C表示一个正整数。
将源域EEG数据的概率预测映射到相应的权重/>,表示为:
;
其中,表示权重函数,/>表示编码器,/>表示编码器的网络参数,/>,表示权重函数的参数集。/>表示索引。
作为本发明所述的基于可靠迁移学习的脑电信号识别方法的一种优选方案,其中:所述监督学习损失表示为:
;
其中,表示交叉熵损失,/>表示第/>次输入的目标域EEG数据,表示第/>次输入的目标域EEG数据对应的真实标签,/>表示第/>次输入的源域EEG数据,/>表示第/>次输入的源域EEG数据对应的真实标签,/>表示目标域EEG样本个数,/>表示源域EEG样本个数,/>表示源域EEG数据/>对应的权重,表示编码器,/>表示编码器的参数,/>表示可调参数。
设计判别特征对齐正则化,最小化EEG深度特征到各自类中心的距离,实现源域EEG数据和有限的目标域数据在共享隐空间中特征对齐。源域和目标域EEG数据的原型表示为:
;
其中,表示第/>个EEG数据/>,权重向量/>表示源域和目标域EEG数据权重和/>,/>表示目标域数据的权重向量,/>表示源域数据的权重向量。/>表示EEG数据/>对应的权重,/>表示第/>类中心点,/>表示源域和目标域EEG数据集合/>,/>表示指示函数。
使EEG深度特征趋近原型表示,实现在共享隐空间中源域和目标域EEG深度特征的对齐,判别特征对齐正则化公式表示为:
;
其中,表示EEG数据总的类别个数,/>表示源域和目标域被试中第/>类EEG数据的索引。
为提高EEG深度脑电特征的可判别性,使得每类中心点在学习过程中保持相互远离,第类中心点更新公式为:
;
其中,表示第/>次迭代时的全局中心点,/>表示在/>次迭代时的第/>类中心点,/>表示控制中心点的位移强度。
选择性跨视图一致性学习正则化表示为:
;
其中,表示两个预测之间的距离,/>表示编码器,/>表示辅助编码器,/>表示编码器的网络参数,/>表示辅助编码器的网络参数,/>表示采用Mixup方法对EEG数据进行增广。
将监督学习损失、判别特征对齐正则化和选择性跨视图一致性学习正则化集成到迁移学习框架中,构建目标函数:
;
其中,包含/>和/>,/>表示可调参数,/>表示可调参数。
作为本发明所述的基于可靠迁移学习的脑电信号识别方法的一种优选方案,其中:所述求解目标函数包括,采用双层优化方法迭代更新权重函数参数和网络参数,求解目标函数。
外层目标损失表示为,内层目标损失表示为/>,权重函数参数/>和网络参数/>迭代更新过程如下:
给定在次迭代中的权重函数参数/>,则在/>次迭代中的网络参数/>更新表示为:
;
其中,表示步长,/>表示内层目标损失关于/>的梯度。
给定在次迭代中的网络参数/>,则利用监督损失的梯度来更新在/>次迭代中的权重函数参数/>:
;
其中,表示步长,/>表示外层目标损失关于/>的梯度。
一种基于可靠迁移学习的脑电信号识别***,其特征在于:包括,
预处理模块,采集EEG数据,并在划分源域和目标域后进行预处理。
增广模块,对源域和目标域数据进行增广。
构建目标函数模块,定义权重函数,自适应地学习每个源域数据对应的权重,确定出可迁移的源域数据。
定义权重模块,将监督学习损失、判别特征对齐正则化和选择性跨视图一致性学习正则化,一起集成到迁移学习框架中,建立目标函数。
求解模块,求解所述目标函数,实现对脑电信号的识别。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果:引入权重函数,自适应地学习每个源域EEG数据的可靠性权重,确定出可迁移的源域EEG数据,防止不可靠的EEG数据引起模型性能下降,从而缓解了不可靠的源域EEG数据对目标模型造成的负迁移效应。
设计了可靠的判别特征对齐策略,在共享隐空间中构建可靠的源域数据和目标域数据的类中心,进而最小化EEG深度特征到各自可靠的类中心的距离。一方面,可以实现可靠的源域EEG数据和目标数据在共享隐空间中的特征对齐。另一方面,该策略通过约束EEG深度特征类内紧凑条件,可以增强EEG深度特征的可分性。
设计了选择性跨视图一致性学习策略,在筛选出的可靠EEG数据基础上,对齐来自编码器和辅助编码器的不同视角下的对应EEG数据概率预测,学习不同视角之间的可靠的不变特征表示,构建的模型具有更好的泛化能力。
本发明所提出的可靠的监督损失、可靠的判别特征对齐正则化和选择性跨视图一致性学习正则化被集成到统一的自集成迁移学习框架中,并采用双层优化方法优化该框架,最终提升了模型对目标EEG信号的识别性能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明第一个实施例提供的一种基于可靠迁移学习的脑电信号识别方法的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
实施例1
参照图1,为本发明的一个实施例,提供了一种基于可靠迁移学习的脑电信号识别方法,包括:
S1:采集EEG数据,划分源域和目标域,进行预处理。
应说明的是,EEG数据来源于实验以及公开数据集。
划分源域和目标域包括,历史被试者EEG数据作为源域,由/>个数据和标签组成,表示为:
;
其中,表示第/>次输入的源域EEG数据,/>,表示第/>次输入的源域EEG数据对应的标签。S表示源域,C表示标签类别数量。
目标被试者脑电数据作为目标域,由少量的个数据和标签组成,表示为:
;
其中,表示第/>次输入的目标域EEG数据,/>,表示第/>次输入的目标域EEG数据对应的标签。t表示目标域。
预处理包括,对数据截取特定时间段和带通滤波,得到经过预处理后的源域和目标域EEG数据,作为增广前的EEG数据视图。
应说明的是,选定相对于每次实验开始时的[0.5-4]s的时间段,使用5阶巴特沃斯带通滤波器对4-38hz频率范围内的脑电信号进行滤波,得到经过预处理后的源域和目标域EEG数据,作为增广前的EEG数据视图。
S2:对源域和目标域数据进行增广。
使用Mixup方法分别对源域和目标域EEG数据进行数据增广,得到增广后的EEG数据视图:
;
其中,表示增广后的EEG数据,/>表示输入数据集合,/>表示第/>次输入的EEG数据,/>表示第/>次输入的EEG数据,/>表示转换函数,/>,/>。
应说明的是,服从两个参数都为/>的/>分布,本发明/>取值为0.5。
S3:定义权重函数,自适应地学习每个源域数据对应的权重,确定出可迁移的源域数据。
将源域EEG数据的概率预测映射到对应的权重,自适应地学习每个源域数据对应的权重,确定出可用于迁移的源域EEG数据。
权重函数表示为:
;
其中,表示权重函数,/>表示一个C维的实数向量空间,/>表示实数集合,C表示一个正整数。
将源域EEG数据的概率预测映射到相应的权重/>,表示为:
;
其中,表示权重函数,/>表示编码器,/>表示编码器的网络参数,/>,表示权重函数的参数集。/>表示索引。
S4:设计可靠的监督学习损失、判别特征对齐正则化和选择性跨视图一致性学习正则化,集成到迁移学习框架中,构建目标函数。
应说明的是,利用S3中得到的可迁移源域EEG数据,结合有限的带标记目标域数据,建立可靠的监督损失函数,表示为:
;
其中,表示交叉熵损失,/>表示第/>次输入的目标域EEG数据,表示第/>次输入的目标域EEG数据对应的真实标签,/>表示第/>次输入的源域EEG数据,/>表示第/>次输入的源域EEG数据对应的真实标签,/>表示目标域EEG样本个数,/>表示源域EEG样本个数,/>表示源域EEG数据/>对应的权重,/>表示编码器,/>表示编码器的参数,/>表示可调参数。
设计可靠的判别特征对齐正则化,最小化EEG深度特征到各自可靠的类中心的距离,实现可靠的源域EEG数据和有限的目标域数据在共享隐空间中特征对齐。可靠的源域和目标域EEG数据的原型表示为:
;
其中,表示第/>个EEG数据/>,权重向量/>表示源域和目标域EEG数据权重和/>,/>表示EEG数据/>对应的权重,/>表示第/>类中心点,/>表示源域和目标域EEG数据集合/>,/>表示指示函数。
使可靠的EEG深度特征趋近可靠的原型表示,实现在共享隐空间中源域和目标域EEG深度特征的对齐,可靠的判别特征对齐正则化公式表示为:
;
其中,表示EEG数据总的类别个数,/>表示源域和目标域被试中第/>类EEG数据的索引。
为提高EEG深度脑电特征的可判别性,使得每类中心点在学习过程中保持相互远离,第类中心点更新公式为:
;
其中,表示第/>次迭代时的全局中心点,/>表示在/>次迭代时的第/>类中心点,/>表示控制中心点的位移强度。
应说明的是,利用S1中预处理后的数据和S2中增广后的数据,结合S3中学习到的样本权重,设计了一种选择性跨视图一致性学习正则化,对齐来自编码器和辅助编码器的不同视角下的对应EEG数据概率预测,模型能够从不同视图中学习可靠的EEG不变特征表示。
选择性跨视图一致性学习正则化表示为:
;
其中,表示两个预测之间的距离,/>表示编码器,/>表示辅助编码器,/>表示编码器的网络参数,/>表示辅助编码器的网络参数,/>表示采用Mixup方法对EEG数据进行增广。
将可靠的监督学习损失、判别特征对齐正则化和选择性跨视图一致性学习正则化集成到迁移学习框架中,构建目标函数:
;
其中,包含/>和/>,/>表示可调参数,/>表示可调参数。
S5:求解目标函数。
采用双层优化方法迭代更新权重函数参数和网络参数,求解目标函数。
外层目标损失表示为,内层目标损失表示为/>,权重函数参数和网络参数/>迭代更新过程如下:
给定在次迭代中的权重函数参数/>,则在/>次迭代中的网络参数/>更新表示为:
;
其中,表示步长,/>表示内层目标损失关于/>的梯度。
给定在次迭代中的网络参数/>,则利用监督损失的梯度来更新在次迭代中的权重函数参数/>:
;
其中,表示步长,/>表示外层目标损失关于/>的梯度。
以上实施例中,还包括一种基于可靠迁移学习的脑电信号识别***,具体为:
预处理模块,采集EEG数据,并在划分源域和目标域后进行预处理。
增广模块,对源域和目标域数据进行增广。
构建目标函数模块,定义权重函数,自适应地学习每个源域数据对应的权重,确定出可迁移的源域数据。
定义权重模块,将监督学习损失、判别特征对齐正则化和选择性跨视图一致性学习正则化,一起集成到迁移学习框架中,建立目标函数。
求解模块,求解目标函数,实现对脑电信号的识别。
计算机设备可以是服务器。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力监控***的数据集群数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(MagnetoresistiveRandomAccessMemory,MRAM)、铁电存储器(FerroelectricRandomAccessMemory,FRAM)、相变存储器(PhaseChangeMemory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(StaticRandomAccessMemory,SRAM)或动态随机存取存储器(DynamicRandomAccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
实施例2
本发明的一个实施例,提供了一种基于可靠迁移学习的脑电信号识别方法及***,为了验证本发明的有益效果,通过仿真实验进行科学论证。
在两个脑电公开数据集上进行评价:
数据集1:Dataset IIa in BCI Competition IV。
数据集2:Dataset IIIa in BCI Competition III。
采用5个分类评价指标准确率,卡帕值,精确率,召回率以及F1分数。本方法与基础网络(Shallow Net)迁移学***均分类结果对比如表1所示。
迁移学***均分类结果对比如表1所示。
表1 对比结果
由表1可知,对于数据集1,本方法在分类指标准确率,卡帕值,精确率,召回率以及F1分数方面优于未使用样本加权策略的方法,分别高出5.55%、7.37%、4.46%、5.51%和5.85%。对于数据集2,本方法在分类指标准确率,卡帕值,精确率,召回率以及F1分数方面相对于未使用样本加权策略的方法分别增加了6.79%、8.83%、3.09%、7.39%和7.59%。所有指标的明显改进验证了所提出框架的有效性。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于可靠迁移学习的脑电信号识别方法,其特征在于,包括:
采集EEG数据,并在划分源域和目标域后进行预处理;
对源域和目标域数据进行增广;
定义权重函数,自适应地学习每个源域数据对应的权重,确定出可迁移的源域数据;
将监督学习损失、判别特征对齐正则化和选择性跨视图一致性学习正则化,一起集成到迁移学习框架中,建立目标函数;
求解所述目标函数,实现对脑电信号的识别。
2.如权利要求1所述的基于可靠迁移学习的脑电信号识别方法,其特征在于:所述划分源域和目标域包括,历史被试者EEG数据作为源域,由/>个数据和标签组成,表示为:
;
其中,表示第/>次输入的源域EEG数据,/>,表示第/>次输入的源域EEG数据对应的标签;S表示源域,C表示标签类别数量;
目标被试者脑电数据作为目标域,由少量的个数据和标签组成,表示为:
;
其中,表示第/>次输入的目标域EEG数据,/>,表示第/>次输入的目标域EEG数据对应的标签;t表示目标域。
3.如权利要求2所述的基于可靠迁移学习的脑电信号识别方法,其特征在于:所述预处理包括,对数据截取特定时间段和带通滤波,得到经过预处理后的源域和目标域EEG数据,作为增广前的EEG数据视图。
4.如权利要求3所述的基于可靠迁移学习的脑电信号识别方法,其特征在于:所述对源域和目标域数据进行增广包括,使用Mixup方法分别对源域和目标域EEG数据进行数据增广,得到增广后的EEG数据视图:
;
其中,表示增广后的EEG数据,/>表示输入数据集合,/>表示第/>次输入的EEG数据,/>表示第/>次输入的EEG数据,/>表示转换函数,/>,/>。
5.如权利要求4所述的基于可靠迁移学习的脑电信号识别方法,其特征在于:所述定义权重函数包括,将源域EEG数据的概率预测映射到对应的权重,自适应地学习每个源域数据对应的权重,确定出可用于迁移的源域EEG数据;
权重函数表示为:
;
其中,表示权重函数,/>表示一个C维的实数向量空间,/>表示实数集合,C表示一个正整数;
将源域EEG数据的概率预测映射到相应的权重/>,表示为:
;
其中,表示权重函数,/>表示编码器,/>表示编码器的网络参数,/>,表示权重函数的参数集;/>表示索引。
6.如权利要求5所述的基于可靠迁移学习的脑电信号识别方法,其特征在于:所述监督学习损失表示为:
;
其中,表示交叉熵损失,/>表示第/>次输入的目标域EEG数据,/>表示第/>次输入的目标域EEG数据对应的真实标签,/>表示第/>次输入的源域EEG数据,表示第/>次输入的源域EEG数据对应的真实标签,/>表示目标域EEG样本个数,/>表示源域EEG样本个数,/>表示源域EEG数据/>对应的权重,/>表示编码器,表示编码器的参数,/>表示可调参数;
设计判别特征对齐正则化,最小化EEG深度特征到各自类中心的距离,实现源域EEG数据和有限的目标域数据在共享隐空间中特征对齐;源域和目标域EEG数据的原型表示为:
;
其中,表示第/>个EEG数据/>,权重向量/>表示源域和目标域EEG数据权重和/>,/>表示目标域数据的权重向量,/>表示源域数据的权重向量;/>表示EEG数据/>对应的权重,/>表示第/>类中心点,/>表示源域和目标域EEG数据集合/>,/>表示指示函数;
使EEG深度特征趋近原型表示,实现在共享隐空间中源域和目标域EEG深度特征的对齐,判别特征对齐正则化公式表示为:
;
其中,表示EEG数据总的类别个数,/>表示源域和目标域被试中第/>类EEG数据的索引;
为提高EEG深度脑电特征的可判别性,使得每类中心点在学习过程中保持相互远离,第类中心点更新公式为:
;
其中,表示第/>次迭代时的全局中心点,/>表示在/>次迭代时的第/>类中心点,/>表示控制中心点的位移强度;
选择性跨视图一致性学习正则化表示为:
;
其中,表示两个预测之间的距离,/>表示编码器,/>表示辅助编码器,/>表示编码器的网络参数,/>表示辅助编码器的网络参数,/>表示采用Mixup方法对EEG数据进行增广;
将监督学习损失、判别特征对齐正则化和选择性跨视图一致性学习正则化集成到迁移学习框架中,构建目标函数:
;
其中,包含/>和/>,/>表示可调参数,/>表示可调参数。
7.如权利要求6所述的基于可靠迁移学习的脑电信号识别方法,其特征在于:求解目标函数包括,采用双层优化方法迭代更新权重函数参数和网络参数,求解目标函数;
外层目标损失表示为,内层目标损失表示为/>,权重函数参数/>和网络参数/>迭代更新过程如下:
给定在次迭代中的权重函数参数/>,则在/>次迭代中的网络参数/>更新表示为:
;
其中,表示步长,/>表示内层目标损失关于/>的梯度;
给定在次迭代中的网络参数/>,则利用监督损失的梯度来更新在/>次迭代中的权重函数参数/>:
;
其中,表示步长,/>表示外层目标损失关于/>的梯度。
8.一种采用如权利要求1-7任一所述方法的一种基于可靠迁移学习的脑电信号识别***,其特征在于:
预处理模块,采集EEG数据,并在划分源域和目标域后进行预处理;
增广模块,对源域和目标域数据进行增广;
构建目标函数模块,定义权重函数,自适应地学习每个源域数据对应的权重,确定出可迁移的源域数据;
定义权重模块,将监督学习损失、判别特征对齐正则化和选择性跨视图一致性学习正则化,一起集成到迁移学习框架中,建立目标函数;
求解模块,求解所述目标函数,实现对脑电信号的识别。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7任一所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410289659.7A CN117892183B (zh) | 2024-03-14 | 2024-03-14 | 一种基于可靠迁移学习的脑电信号识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410289659.7A CN117892183B (zh) | 2024-03-14 | 2024-03-14 | 一种基于可靠迁移学习的脑电信号识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117892183A true CN117892183A (zh) | 2024-04-16 |
CN117892183B CN117892183B (zh) | 2024-06-04 |
Family
ID=90639766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410289659.7A Active CN117892183B (zh) | 2024-03-14 | 2024-03-14 | 一种基于可靠迁移学习的脑电信号识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117892183B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412003A (zh) * | 2013-08-21 | 2013-11-27 | 电子科技大学 | 基于半监督领域自适应的气体检测方法 |
CN111814871A (zh) * | 2020-06-13 | 2020-10-23 | 浙江大学 | 一种基于可靠权重最优传输的图像分类方法 |
CN111860677A (zh) * | 2020-07-29 | 2020-10-30 | 湖南科技大学 | 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
CN114330422A (zh) * | 2021-12-08 | 2022-04-12 | 杭州电子科技大学 | 一种实时估计脑电情感特征的跨被试迁移学习方法 |
CN114330559A (zh) * | 2021-12-28 | 2022-04-12 | 杭州电子科技大学 | 一种基于度量迁移学习的脑电信号识别方法 |
CN114358123A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 一种基于深度对抗迁移网络的广义开放集故障诊断方法 |
CN114612965A (zh) * | 2022-03-01 | 2022-06-10 | 中山大学 | 一种人脸活体检测方法、***及介质 |
CN114882531A (zh) * | 2022-05-19 | 2022-08-09 | 重庆大学 | 一种基于深度学习的跨域行人再识别方法 |
CN115456082A (zh) * | 2022-09-16 | 2022-12-09 | 沈阳嘉越电力科技有限公司 | 一种应用于风机故障检测的迁移学习框架 |
KR20230026216A (ko) * | 2021-08-17 | 2023-02-24 | 한국과학기술원 | 적대적 공격에 대한 견고성 달성을 위한 순환 일관성과 적응형 학습을 이용한 노이즈 제거 방법 및 장치 |
CN116502123A (zh) * | 2023-04-28 | 2023-07-28 | 大连理工大学 | 一种航空发动机剩余使用寿命无监督跨域预测方法 |
CN116975711A (zh) * | 2023-07-06 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 多视图数据分类方法以及相关设备 |
CN117520891A (zh) * | 2023-11-08 | 2024-02-06 | 山东大学 | 一种运动想象脑电信号分类方法及*** |
CN117523295A (zh) * | 2023-11-17 | 2024-02-06 | 电子科技大学 | 基于类引导元学习的无源域适应的图像分类方法 |
-
2024
- 2024-03-14 CN CN202410289659.7A patent/CN117892183B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412003A (zh) * | 2013-08-21 | 2013-11-27 | 电子科技大学 | 基于半监督领域自适应的气体检测方法 |
CN111814871A (zh) * | 2020-06-13 | 2020-10-23 | 浙江大学 | 一种基于可靠权重最优传输的图像分类方法 |
CN111860677A (zh) * | 2020-07-29 | 2020-10-30 | 湖南科技大学 | 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
KR20230026216A (ko) * | 2021-08-17 | 2023-02-24 | 한국과학기술원 | 적대적 공격에 대한 견고성 달성을 위한 순환 일관성과 적응형 학습을 이용한 노이즈 제거 방법 및 장치 |
CN114358123A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 一种基于深度对抗迁移网络的广义开放集故障诊断方法 |
CN114330422A (zh) * | 2021-12-08 | 2022-04-12 | 杭州电子科技大学 | 一种实时估计脑电情感特征的跨被试迁移学习方法 |
CN114330559A (zh) * | 2021-12-28 | 2022-04-12 | 杭州电子科技大学 | 一种基于度量迁移学习的脑电信号识别方法 |
CN114612965A (zh) * | 2022-03-01 | 2022-06-10 | 中山大学 | 一种人脸活体检测方法、***及介质 |
CN114882531A (zh) * | 2022-05-19 | 2022-08-09 | 重庆大学 | 一种基于深度学习的跨域行人再识别方法 |
CN115456082A (zh) * | 2022-09-16 | 2022-12-09 | 沈阳嘉越电力科技有限公司 | 一种应用于风机故障检测的迁移学习框架 |
CN116502123A (zh) * | 2023-04-28 | 2023-07-28 | 大连理工大学 | 一种航空发动机剩余使用寿命无监督跨域预测方法 |
CN116975711A (zh) * | 2023-07-06 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 多视图数据分类方法以及相关设备 |
CN117520891A (zh) * | 2023-11-08 | 2024-02-06 | 山东大学 | 一种运动想象脑电信号分类方法及*** |
CN117523295A (zh) * | 2023-11-17 | 2024-02-06 | 电子科技大学 | 基于类引导元学习的无源域适应的图像分类方法 |
Non-Patent Citations (5)
Title |
---|
JIAMEI LIU 等: "SIDE: SELF-SUPERVISED INTERMEDIATE DOMAIN EXPLORATION FOR SOURCE-FREE DOMAIN ADAPTATION", 《ARXIV》, 13 October 2023 (2023-10-13), pages 1 - 12 * |
SHUANG LIANG 等: "Domain-Generalized EEG Classification With Category-Oriented Feature Decorrelation and Cross-View Consistency Learning", 《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》, vol. 31, 1 August 2023 (2023-08-01), pages 3285 - 3296 * |
刘子一 等: "基于批归一化统计量的无源多领域自适应方法", 《山东大学学报(工学版)》, vol. 53, no. 2, 30 April 2023 (2023-04-30), pages 102 - 117 * |
姜昕: "基于图像级标注的弱监督海雾检测研究", 《中国优秀硕士学位论文全文数据库基础科学辑》, no. 01, 15 January 2024 (2024-01-15), pages 009 - 9 * |
梁爽 等: "基于分类误差一致性准则的自适应知识迁移", 《电子与信息学报》, vol. 41, no. 11, 30 November 2019 (2019-11-30), pages 2736 - 2743 * |
Also Published As
Publication number | Publication date |
---|---|
CN117892183B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huixian | The analysis of plants image recognition based on deep learning and artificial neural network | |
Elaraby et al. | Classification of citrus diseases using optimization deep learning approach | |
Nanga et al. | Review of dimension reduction methods | |
Ghadge et al. | Intelligent heart attack prediction system using big data | |
KR101955012B1 (ko) | 뇌졸중 예측과 분석 시스템 및 방법 | |
Yang | Medical multimedia big data analysis modeling based on DBN algorithm | |
Khan et al. | End‐to‐End Semantic Leaf Segmentation Framework for Plants Disease Classification | |
CN116502129B (zh) | 一种知识与数据协同驱动的不平衡临床数据分类*** | |
Lian et al. | Research on hierarchical data fusion of intelligent medical monitoring | |
CN116563707A (zh) | 一种基于图文多模态特征融合的枸杞虫害识别方法 | |
CN111326236A (zh) | 一种医疗图像自动处理*** | |
Yu et al. | A recognition method of soybean leaf diseases based on an improved deep learning model | |
Fang et al. | Electrocardiogram signal classification in the diagnosis of heart disease based on RBF neural network | |
Zhang et al. | [Retracted] Application of Transfer Learning and Feature Fusion Algorithms to Improve the Identification and Prediction Efficiency of Premature Ovarian Failure | |
CN117892183B (zh) | 一种基于可靠迁移学习的脑电信号识别方法及*** | |
Jiang et al. | A massive multi-modal perception data classification method using deep learning based on internet of things | |
Chen et al. | [Retracted] Storage Method for Medical and Health Big Data Based on Distributed Sensor Network | |
CN114494828A (zh) | 葡萄病害识别方法、装置、电子设备及存储介质 | |
CN116484067A (zh) | 目标对象匹配方法、装置及计算机设备 | |
Yu | Research progress of crop disease image recognition based on wireless network communication and deep learning | |
Kang et al. | Learning binary semantic embedding for breast histology image classification and retrieval | |
CN116310391B (zh) | 一种用于茶叶病害的识别方法 | |
Mu et al. | Embedded electronic medical record text data mining using neural network association classification algorithm | |
CN117874498B (zh) | 基于数据湖的智慧林业大数据***、方法、设备及介质 | |
Zhou et al. | A novel image retrieval method with improved dcnn and hash |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |