[发明专利]一种基于改进自训练学习的脑电信号识别方法

权利要求书

1.一种基于改进自训练学习的脑电信号识别方法，其特征在于，该方法包含以下步骤：

步骤一：输入标记和未标记EEG信号；

设有两类想象任务，标记样本分别为X^A和X^B，标签为y_i∈{-1,1}，样本数量分别为n_A和n_B，未标记样本为X^u，样本数量为u，X_i∈R^N×T，X_i为单个的EEG信号，i＝{1,…,n_A,…,n_A+n_B,…,n_A+n_B+u}，其中N为通道数量，T为采样时间；

步骤二：对EEG信号进行预处理；

步骤三：利用半监督特征提取算法提取标记和未标记样本的特征向量；

步骤四：利用标记样本训练SVM分类器，对未标记样本进行预测；

步骤五：利用SVM的预测结果，选择高置信度的样本及其预测标签加入标记样本集中，并从对应的未标记样本集中删除；

步骤六：如果未标记样本全部已被标记，则可利用原标记样本和新增的标记样本训练SVM，对未知样本进行识别；如果未标记样本不为空，则返回步骤三；

步骤三中，利用半监督特征提取算法提取标记和未标记样本的特征向量；具体如下：

首先利用两类标记样本计算协方差矩阵：

然后，计算样本X_i的时域邻接矩阵W_i，其定义如下：

k、t为采样时刻，r为阈值；

依据邻接矩阵W_i计算样本X_i的Laplacian矩阵L_i＝D_i-W_i，其中D_i为对角阵，

计算未标记样本的正则项R

最终可得到最优空域滤波器由((1-α)C_B+αR)^-1C_A的前m个特征向量和((1-α)C_A+αR)^-1C_B的前m个特征向量组成；α∈[0,1]

利用该空域滤波器对标记和未标记样本进行映射，提取X_i对应的特征向量x_i。

2.根据权利要求1所述的一种基于改进自训练学习的脑电信号识别方法，其特征在于：步骤四中，利用标记样本训练SVM分类器，对未标记样本进行预测；具体如下：

SVM通过最小化如下目标函数获得最优判别面：

C为惩罚因子，ξ_i为松弛变量，(w,b)为判别面，其中w为变量系数，b为常量；

求取最优判别面(w,b)后，可通过判决函数f(x)＝sign(<w,x>+b)预测未标记样本的标签。

3.根据权利要求1所述的一种基于改进自训练学习的脑电信号识别方法，其特征在于：步骤五中，利用SVM的预测结果，选择高置信度的样本及其预测标签加入标记样本集中，并从对应的未标记样本集中删除；具体如下：

未标记样本属于某一类的置信度可由未标记样本到判别面的距离确定，距离公式如下：

距离d_i越大，未标记样本x_i属于某一类的可能性越高，置信度也就越高，所以未标记样本x_i的置信度输出为：

在得到未标记样本的置信度后，选择前s个置信度最高的样本及其预测标签加入标记样本集中，并从未标记样本集中删除。