1.基于运动想象分类的结合类内距和类间距的迁移学习方法,其特征在于,包括以下步骤:
1)利用除当前受试者以外的其它受试者的跨session数据作为训练集,当前受试者的跨session数据作为测试集;其中,每个受试者具有两个会话session的数据,分别采集于不同的时间,需要把同一个受试者的两个session的数据合并,这样得到的就是一个受试者的跨session数据;
2)利用巴特沃斯带通滤波器提取目标信号,去除噪声信号对结果的干扰;
3)对训练集和测试集使用共同空间模式csp提取特征,csp的公式如下:
式中,fi表示第i个受试者的特征,wi表示对第i个受试者所使用的空域滤波器,
4)对经过csp提取得到的特征,使用分布自适应、类内距和类间距做特征迁移;
5)使用集成学习方法对已做特征迁移的训练集上的特征训练出一个分类器,然后把该分类器用于已做特征迁移的测试集上的特征进行分类,得到分类准确率。
2.根据权利要求1所述的基于运动想象分类的结合类内距和类间距的迁移学习方法,其特征在于:在步骤4)中,所谓分布自适应就是虽然源域和目标域的数据概率分布不同,但是通过变换,能够把不同的数据分布的距离拉近,其中,采用的变换方法有条件概率分布和联合分布;
条件概率分布是指对于两个已知的相关随机变量a和y,随机变量y在条件{a=a}下的概率分布,即当已知a的取值为某个特定值a时,y的概率分布;
联合分布是指同时对于两个随机变量a和y的概率分布;
如果采用的变换是条件概率分布称为条件分布自适应,如果采用的变换是联合分布称为联合分布自适应;条件分布自适应的目标是减小源域与目标域之间的条件分布的距离,从而完成迁移学习;联合分布自适应的目标是减小源域与目标域之间的联合分布的距离,从而完成迁移学习;
另外,使用类内距和类间距做特征迁移就是在损失函数中加入类内距和类间距的比值,在最小化类内距的同时最大化类间距,其中损失函数是一个用来评估模型预测值与真实值之间不一致程度的函数。
3.根据权利要求1所述的基于运动想象分类的结合类内距和类间距的迁移学习方法,其特征在于:在步骤5)中,集成学习是使用一个或多个学习器进行学习,并使用规则把各个学习结果进行整合,从而获得比单个学习器更好的学习效果的一种机器学习方法;在这里使用集成的规则是bagging算法,bagging算法对于一个给定大小为n的训练集d,从中均匀、有放回地选出m个大小为q的子集作为新的训练集,在这m个训练集上使用分类、回归算法,则能够得到m个模型,再通过取平均值或者取多数票的方法,即可得到bagging的结果。