一种具备迁移学习能力的脑电信号识别模糊系统方法
【技术领域】
[0001] 本发明属于信号识别及应用领域，具体是一种具备迀移学习能力的模糊系统脑电 f目号识别方法。
【背景技术】
[0002] 癫痫是由大脑神经元突发性异常引起的短暂性大脑功能障碍。80%左右的癫痫病 人都具有一定的脑电图异常。在目前的主要智能识别方法中，模糊系统由于其良好的可解 释性和强大的学习能力，较之其他主要智能识别方法显示出了独特的优势。例如，针对癫痫 病构建得模糊系统专家知识规则库能为医师今后的诊断提供经验知识。
[0003] 尽管模糊系统在脑电信号识别方面显示出了一定的有效性，但该技术假设模型的 训练集和测试集服从相同的数据分布，因而仅在训练域和测试域数据服从相同分布时方可 获取良好的分类性能。癫痫脑电信号存在多种不同的数据分布特征，大致可分为如下三类： (1).健康者正常状态下的脑电信号；(2).癫痫病人发病期状态下的脑电信号；（3).癫痫病 人发病间歇期的脑电信号。这三种信号均含各自独立的数据分布特征，相互之间存在一定 的差异性，若使用基于（1)及（2)类信号训练的分类器直接对（3)类信号数据进行分类识 另IJ，该分类器的性能将急剧下降，这使得传统的模糊系统等智能建模技术将不再适用。
[0004] 迀移学习被认为是一种能够解决数据分布不一致所造成模型性能下降的有效学 习策略。其借助相关场景的数据或知识以提高当前系统的泛化能力。利用迀移学习策略来 帮助迀移学习环境下的癫痫脑电信号识别。基于模糊系统构建具备直推式迀移学习能力的 0阶TSK型模糊系统建模技术用于癫痫脑电信号识别。此技术因具备了迀移学习能力而不 再局限于训练域和测试域数据分布一致的假设，允许两者之间存在一定的差异性，不仅在 训练域与测试域数据分布相同的场景下保持良好的性能，也大大提高了最终所获模型在迀 移场景时的识别效果。
【发明内容】
[0005] 本发明的目的在于允许训练域和测试域数据两者之间存在一定的差异性，基于迀 移模糊系统，充分利用源域中与目标域相似的知识来指导迀移场景下的脑电信号识别任 务。从而大大提高了最终所获模型的识别效果。
[0006] 按照本发明提供的技术方案，所述具备迀移学习能力的模糊系统脑电信号识别方 法，包含如下步骤：
[0007] 1、脑电信号的预处理一特征提取，包含如下步骤：
[0008] 步骤一：将利用按标准化的电极布置方案测量采集的脑电信号（23. 6秒长度）首 先都校正到173. 6Hz ;
[0009] 步骤二：利用小波包分解技术对上述校正后的初始脑电信号进行特征提取：信号 f(t)的连续小波变换定义为：
[0010]
[0011] 式中：Wx(a，b)为小波变换系数，a为伸缩因子或尺度因子，b为平移因子，W(t)为 小波函数，t为时间。其对应的离散小波变换如下：
[0012]
【主权项】
1. 脑电信号的预处理一特征提取，包含如下步骤： 步骤一：将利用按标准化的电极布置方案测量采集的脑电信号（23. 6秒长度）首先都 校正到173. 6Hz ; 步骤二：利用小波包分解技术对上述校正后的初始脑电信号进行特征提取：信号f(t) 的连续小波变换定义为：
上式中，Wx (a，b)为小波变换系数，a为伸缩因子或尺度因子，b为平移因子，Ψα)为 小波函数，t为时间，其对应的离散小波变换如下：
对于脑电信号，小波包变换对上层的低频部分和高频部分，都进行了再分解，提高了时 频分辨率，信息量保存相对完整，损失很少； 步骤三：小波包能量可以通过小波包系数求得，单一尺度下小波包能量为该尺度下小 波包系数的平方和，本发明中，癫痫脑电信号经J层小波包分解后，小波包系数为d(J，0)， d(J，1). ..，Cl(Jd-I)则总的小波包能量为：
(3) 上式中，j为分解层数，i为第j层上的第i个子带，定义小波包能量熵为：
(4) 根据上式中求得的脑电信号的总的小波包能量，进而求各个频段小波包系数占总能量 的百分比，最后用各个频段的能量熵作为脑电信号新的特征。
2. 如权利要求1所述具备迀移学习能力的脑电信号识别模糊系统方法，其特征是： 步骤一：利用模糊C均值聚类法求得模糊系统模型的前件参数。作为应用最为广泛且 简洁的模糊系统模型，〇阶TSK型模糊系统的实值输出如下：
如果引高斯函数作为隶属度函数，则式（5)中可具体表示为：
(7) 其中，参数d以及次通过经典的模糊C均值聚类算法计算得到，这里令：
(9) 步骤二：构建具备迀移学习能力的脑电信号识别模糊系统方法，在处理迀移学习环境 下的脑电信号识别任务时，本发明在经典的〇阶TSK型模糊系统算法的基础上融合迀移学 习策略：
其中，式（10-1)即O阶TSK型模糊系统的目标函数，为经典TSK型模糊系统项，其本质 是类似于L2-SVR的学习机理，通过引入L2范式的惩罚项<，f以及结构风险项来求得目 标函数的最优解，（10-2)多出的一项为迀移项，该项通过有效地缩小源域和目标域之间的 投影距离，来减少源域和目标域的数据分布差异，而后利用拉格朗日条件极值的优化理论 可求得目标函数（10-2)后件参数的最优解；
上式求得的解即为具备迀移学习能力的脑电信号识别模糊系统方法的后件部分参数 最优解，那么最终具备迀移学习能力的脑电信号识别模糊系统的分类决策函数可表示如 下：
3.如权利要求2所述的具备迀移学习能力的脑电信号识别模糊系统方法迀移项的求 解步骤包括： (1)对于来自不同分布的数据集Ds= {x ^，· · ·，xN}和Dt= {z P · · ·，zM}，两个分布之 间的距离度量可表示为如下的最大均值距离（MMD):
这里Φ UP是一个映射函数，进一步地，给定投影向量Pg，则？8映射下的投影最大均值 距离（PMMD)可表示为：
在迀移学习算法中上述度量通常用来估计两个不同分布的差异，例如，在经典的最大 化间隔投影迀移学习方法中，投影最大化均值度量用于实现核方法的迀移学习； 根据TSK模糊系统的特点，本文定义如下的投影均值距离来度量不同分布的差异，根 据式（5)-(9)，训练域X和测试域Z的输入数据Ds= {x P，...，xN}和Dt= {zl，. ..，Z M}可 映射到如下的特征空间； Φ (Xi) = Xgi (14b) Φ (Zi) = zgi 这里Xgi，Zgi分别由式（5)-(9)获得，其表示原始空间数据在模糊规则应射后的空间对 应的数据，进一步地，模糊系统对应的不同分布的差异可以表示为：
【专利摘要】本发明公开了一种具备迁移学习能力的脑电信号识别模糊系统方法。传统智能识别方法都假设模型的训练集和测试集服从相同的数据分布，因而仅在训练域和测试域数据服从相同分布时方可获取良好的分类性能。本发明所提方法利用迁移学习策略来帮助迁移学习环境下的癫痫脑电信号识别。基于模糊系统构建具备直推式迁移学习能力的0阶TSK型模糊系统建模技术。此技术因具备了迁移学习能力而不再局限于训练域和测试域数据分布一致的假设，允许两者之间存在一定的差异性，不仅在训练域与测试域数据分布相同的场景下保持良好的性能，也大大提高了最终所获模型在多样化的脑电信号识别问题下的识别效果。
【IPC分类】A61B5-0476
【公开号】CN104523268
【申请号】CN201510024018
【发明人】邓赵红, 杨昌健, 蒋亦樟, 王士同
【申请人】江南大学
【公开日】2015年4月22日
【申请日】2015年1月15日