[发明专利]一种基于一致性正则化的半监督脑电信号分类方法

权利要求书

1.一种基于一致性正则化的半监督脑电信号分类方法，其特征在于，包括以下步骤：

步骤1、获取脑电信号数据集，并利用随机函数选取部分数据进行标注，得到带标注的数据集；将其余的脑电信号数据集作为无标注的数据集；

步骤2、对所有数据统一进行切片分割、短时傅里叶变换、去噪的预处理；

步骤2.1、利用滑窗法分别将带标注的数据集和无标注的数据集切分为长度为l的片段，得到带标注的样本集和无标注的样本集；

步骤2.2、采用短时傅里叶变换分别将带标注的样本集和无标注的样本集转换为带标注的时频样本集和无标注的时频样本集；

步骤2.3、在频域上分别移除所述带标注的时频样本集和无标注的时频样本集的部分频率成分，以去除工频干扰和直流分量，从而得到带标注的去噪时频样本集L和无标注的去噪时频样本集U；其中，对于任意一个样本x，赋予一个标记标量I，当I＝0时，表示样本x属于无标注的去噪时频样本集U，即x∈U；当I＝1时，表示样本x属于带标注的去噪时频样本集L，即x∈L，当x∈L时，令样本x的标注y∈{0,...,C-1}，其中，C代表类别数；

步骤3、搭建人工神经网络f_θ，并作为特征处理器，其中，θ表示网络参数；

步骤4、将去噪时频样本集L和U合并，再构建随机增强函数ξ(x)对合并后的样本集中的每个样本x进行增强处理，得到增强后的合并样本集；

步骤5、将增强后的合并样本集分批次地输入到人工神经网络f_θ中进行训练，并对增强后的合并样本集中每一个增强样本记录每次迭代得到的输出概率；将当前第t次迭代的输出概率z_t与历史的输出概率进行指数滑动平均后再除以校正因子，从而得到目标集成输出概率

步骤6、设计损失函数，建立优化目标；

通过标记I＝1从增强后的合并样本集中找出带标注的样本，并利用交叉熵损失L_c来计算当前第t次迭代的输出概率z_t与真实标注y的偏差；

对增强后的合并样本集中所有样本，构建无监督的一致性正则项L_con来约束当前第t次迭代的输出概率z_t与目标集成输出概率间的偏差；

构建随迭代次数t逐步增加的加权函数ω(t)，从而得到组合后的损失函数L＝L_c+ω(t)L_con；

步骤7、基于组合后的损失函数L，使用优化器构建动态的学习率策略来更新人工神经网络f_θ的网络参数θ，从而获得最优分类模型；

利用最优分类模型对任一脑电信号样本进行分类，并得到对应类别的概率值，按照所设的阈值，对所得到的概率值进行二值化分类，从而得到最终的分类结果。