[发明专利]一种基于流形嵌入分布对齐的脑机接口迁移学习方法

说明书

本发明公开了一种基于流形嵌入分布对齐的脑机接口迁移学习方法，包含以下步骤：分别获取源受试者的EEG数据和目标受试者的EEG数据；对EEG数据进行预处理和特征提取；构建基于流形嵌入分布对齐的迁移学习模型，利用数据对迁移学习模型进行训练，得到训练模型；利用训练得到的分类器对目标受试者的无标签的EEG数据进行分类。本发明在黎曼切平面映射和流形特征变换的基础上，把特征分布对齐集成到分类器的训练当中，训练得到一个有效的分类器。本发明能够有效提高目标用户使用的脑机接口系统的性能，并减轻用户的训练负担。

技术领域

本发明涉及视频监控中图像超分辨率研究领域，特别涉及一种基于流形嵌入分布对齐的脑机接口迁移学习方法。

背景技术

脑机接口(BCI，Brain Computer Interface)是通过计算机或其他电子设备在人脑与外界环境之间建立一条不依赖于外周神经和肌肉组织的对外信息交流和控制通路。它通过采集脑电信号，经过信号处理将其转化为控制命令传送到外部设备，从而实现人脑的对外控制。该技术形成于20世纪70年代，是一种涉及神经学、医学、信号检测、信号处理、模式识别等多个领域的交叉技术。脑机接口目前主要用于医疗康复领域，为那些丧失运动功能而大脑功能相对完善的患者带来方便。

由于脑电信号存在平稳性较差、信噪比较低的特点，因此脑机接口在实际应用中需要耗费用户较长的训练时间来产生带标签的训练样本，以训练生成可靠的分类模型，然后才能投入正常使用。无论对于健康用户还是医疗患者，该枯燥的训练阶段都无疑加重了他们使用脑机接口产品的负担。迁移学习描述了使用一项任务中记录的数据来提高另一项相关任务的性能的过程。迁移学习可以应用于在脑机接口中，利用其它用户的脑电图(EEG)数据来提高当前用户脑机接口中模型的初始性能，减少所需当前用户的训练样本。因此，需要针对脑机接口系统设计一种有效的迁移学习方法。然而，目前应用于脑机接口的迁移学习技术存在各种限制条件，最终的效果还不太理想。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于流形嵌入分布对齐的脑机接口迁移学习方法，其应用时，可以有效减少脑机接口用户所需的带标签训练样本。该技术利用其他用户的带标签数据和当前用户的未标签数据，在流形切平面映射和子空间学习的基础上，把特征分布对齐集成到分类器的训练当中，学习到一个有效的分类器，可有效提高用于当前用户的脑机接口系统的性能。

本发明的目的通过以下的技术方案实现：

一种基于流形嵌入分布对齐的脑机接口迁移学习方法，包括以下步骤：

S1、分别获取源受试者的EEG数据D_s和目标受试者的EEG数据D_t；

S2、对EEG数据进行预处理和特征提取；

S3、构建基于流形嵌入分布对齐的迁移学习模型，利用数据对迁移学习模型进行训练，求解模型中的模型参数，从而得到训练后的分类器；

S4、利用分类器对目标受试者的无标签的EEG数据进行分类。

在步骤S1中，所述源受试者的EEG数据D_s含有n个试验数据，且该n个试验数据均带有标签；所述目标受试者的EEG数据D_t含有m个试验数据，且该m个试验数据均不带标签；n≥1，m≥1。

所述步骤S2，具体为：

S21、使用频率带为8-30Hz的五阶巴特沃斯滤波器对EEG信号进行带通滤波；

S22、截取用户执行心理任务后的0.5-2.5s产生的EEG信号样本X_i表示第i次试验的样本，其中n_e表示记录的通道数，表示实数集，T_s表示采样时间点的数量；

S23、对于第i次试验，使用样本协方差矩阵估算空间协方差矩阵：