[发明专利]一种基于自监督学习的运动想象脑电信号分类方法

说明书

本发明公开一种基于自监督学习的运动想象脑电信号分类方法，包括辅助任务和目标任务学习；在辅助任务学习中，对每条运动想象脑电信号样本分割成多个块，并随机排列组合得到乱序的脑电信号样本，采用卷积神经网络对正序和乱序脑电信号样本分类，得到辅助任务最优模型；在目标任务学习中，将辅助任务最优模型迁移至目标任务网络初始化权重，并采用少量标记样本，更新目标任务网络，得到运动想象脑电信号分类模型；使用该模型对测试样本进行分类，得到分类结果。本发明提出的自监督学习方法，可有效提高目标任务网络的收敛效率，提升运动想象脑电信号分类的准确率。

技术领域

本发明属于机器学习技术领域，尤其涉及一种基于自监督学习的运动想象脑电信号分类方法。

背景技术

有监督学习方法已经在机器学习的各种领域中广泛应用，在支持向量机、卷积神经网络等模型上使用有监督学习方法，可以大大提高结果的准确率，获得一个性能优异的模型。但有监督学习方法具有样本的依赖性，需要依赖大量的标记数据才能得到很好地效果，在少量样本的情况下，有监督学习方法并不能有效学习特征，通过训练所得的模型性能较差且不稳定。而在实际任务中，获得大量的标记数据十分困难且要花费大量人力物力。因此，存在小样本如何训练一个有效模型的问题。

在脑电信号领域中，普遍存在如何使用小样本训练一个有效模型的问题。自监督学习方法是近年来一种新的解决方案。主要是利用辅助任务从数据自身的结构或特征中挖掘监督信息，再通过所挖掘的监督信息对模型进行监督训练，从而学习到对目标任务有价值的表征。因此，如何构造一个有效的辅助任务是自监督学习方法的主要问题。

发明内容

针对如何构造一个有效的辅助任务，本发明提供一种基于自监督学习的运动想象脑电信号分类方法，在有少量数据的情况下，实现分类性能相比于有监督学习方法更加优异。

为解决上述技术问题，本发明采用技术方案为一种基于自监督学习的运动想象脑电信号分类方法，包括以下步骤：

步骤1：引入运动想象脑电信号数据集，通过预处理方法得到预处理后运动想象脑电信号的数据集，其中运动脑电信号数据集中包含少量标记样本，由这些标记样本构成标签集；

步骤2：将经过预处理后每条运动想象脑电信号样本中每个通道的脑电信号分割成多个块得到运动想象脑电信号样本块，将预处理后每条运动想象脑电信号样本中每个通道的脑电信号对应的多个运动想象脑电信号样本块随机排列组合得到乱序的脑电信号样本，进一步构建扩充数据集和对应的标签集；

步骤3：以扩充数据集作为训练样本，输入EfficientNet网络进行训练得到运动想象脑电信号是否为正序的结果，进一步结合扩充数据集对应的标签集构建EfficientNet网络的损失函数，优化EfficientNet网络权重参数通过优化训练得到优化后的EfficientNet网络；

步骤4：将辅助任务优化后的EfficientNet网络模型迁移至目标任务的EfficientNet网络模型初始化权重。将预处理后运动想象脑电信号数据集中的少量标记样本输入目标任务的EfficientNet网络进行训练得到运动想象是向左还是向右的结果，进一步结合运动想象脑电信号数据集的标签集构建目标任务EfficientNet网络的损失函数，通过优化训练得到二次优化后的EfficientNet网络。使用二次优化后的EfficientNet网络对测试样本进行分类，得到分类结果；

作为优选，步骤1所述运动想象脑电信号数据集为：

X＝[x₁，...，x_l，...，x_n]

x_i＝{x_i，1，x_i，2，...，x_i，C}