基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法和系统与流程

本发明属于基于运动想象的脑机接口领域，更具体地，涉及基于欧氏对齐和procrustes分析(普氏分析)的eeg(脑电信号)分类的迁移学习方法和系统。

背景技术：

迁移学习是在目标任务没有或仅有少量的标注数据的情况下，利用相关的其他任务的带标注的数据来提高学习性能。例如，在基于运动想象的脑机接口领域中，由于不同用户之间的差异较大，基于以往用户数据训练的系统很难正确判断新用户的意图。因此，新用户在使用前需要经历冗长的校准过程。然而，以往的用户数据对于新用户的数据分类还是有帮助的，所以迁移学习可以利用以往的用户数据来提升系统在新用户上的表现。

目前已经有一些研究将迁移学习应用到基于运动想象的脑机接口系统的脑电信号的分类中。i.hossain等人2016年提出一种迁移学习方法，挑选以往用户中与新用户最相关的数据，用于训练针对新用户的分类器。p.zanini等人2018年提出一种黎曼空间的中心化方法，通过将所有用户所对应的信号的协方差矩阵的黎曼矩阵进行对齐从而实现迁移。h.he等人2020年提出一种欧氏空间的中心化方法，通过计算不同用户的信号的协方差矩阵的欧氏均值来提高不同用户信号的相似程度。p.l.c.rodrigues等人2019年提出黎曼普氏分析方法，将普氏分析方法拓展到黎曼空间中，通过同时对齐以往用户和新用户的数据的边际和条件概率分布实现知识的迁移。

然而，黎曼普氏分析方法计算复杂度高，计算耗时长；而且黎曼普氏分析需要已知一定数目的目标域样本标签才可以工作。

技术实现要素：

针对现有技术的缺陷和改进需求，本发明提供了及基于欧氏对齐和procrustes分析的eeg分类的迁移学习方法和系统，其目的在于该迁移方法计算速度快，耗时少，且无需目标域样本的标签，从而提高脑机接口系统在新用户上判断的准确率。

为实现上述目的，按照本发明的第一方面，提供了一种基于欧氏对齐和procrustes分析的eeg分类的迁移学习方法，该方法包括以下步骤：

s1.对以往用户脑电信号特征数据矩阵和新用户脑电信号特征数据矩阵进行协方差对齐，得到协方差对齐的新用户的特征数据矩阵；

s2.对以往用户特征数据矩阵和协方差对齐的新用户的特征数据矩阵进行均值对齐；

s3.根据以往用户的标签和均值对齐后以往用户特征数据矩阵，计算以往用户的类别中心，根据新用户的伪标签和均值对齐后的新用户的特征数据矩阵，计算新用户的类别中心；

s4.构建以往用户类别中心矩阵和新用户类别中心矩阵，通过正交普氏分析方法，计算将新用户的类别中心与对应的以往用户的类别中心对齐的旋转矩阵；

s5.将均值对齐后的新用户的特征数据矩阵和旋转矩阵相乘，得到最终对齐的新用户数据。

优选地，步骤s1中所述协方差对齐具体如下：

其中，cov(·)表示计算矩阵的协方差矩阵，xs表示以往用户的特征数据矩阵，xt表示新用户的特征数据矩阵，i表示单位矩阵，as和at为中间变量，表示经过协方差对齐的新用户的特征数据矩阵。

优选地，步骤s2中所述均值对齐具体如下：

其中，ms表示以往用户特征数据矩阵均值向量，ns表示以往用户的实验次数，xs,i表示以往用户第i次实验的的特征向量，mt表示协方差对齐的新用户的特征数据矩阵均值向量，nt表示新用户的实验次数，表示经过协方差对齐后的新用户第i次实验的的特征向量，表示均值对齐后以往用户第i次实验的的特征向量，表示均值对齐后的新用户第i次实验的的特征向量。

优选地，步骤s3中用户的类别中心计算方式如下：

其中，表示以往用户第l类样本中心，表示以往用户第l类样本的个数，表示以往用户第l类第i次实验的特征向量，ysi表示以往用户第i次实验对应标签，表示新用户第l类样本中心，表示新用户第l类样本的个数，表示新用户第l类第i次实验的特征向量，表示新用户第i次实验对应伪标签，l是类别数。

优选地，步骤s4中，旋转矩阵的计算公式如下：

其中，u表示旋转矩阵，||||f表示矩阵的frobenius范数，表示以往用户类别中心矩阵，表示新用户类别中心矩阵，i表示单位矩阵，d表示空间滤波器的个数。

优选地，新用户的伪标签通过以下方式获取：利用以往用户的特征数据矩阵和标签训练线性判别分析分类器，并对新用户的特征数据矩阵进行分类，得到新用户数据的伪标签。

优选地，进行协方差对齐操作之前，通过以下方式获取以往用户脑电信号特征数据矩阵和新用户脑电信号特征数据矩阵：

(1)分别对以往用户和新用户的脑电信号进行滤波操作，以去除无关信号和工频干扰；

(2)将每次实验的脑电信号分割出来，与标签对应起来，得到以往用户的脑电数据集和新用户的脑电数据集；

(3)分别计算以往用户和新用户的脑电数据的协方差矩阵的欧氏均值；

(4)分别对以往用户和新用户的脑电数据的协方差矩阵欧氏均值进行对齐；

(5)使用欧氏对齐后的以往用户实验信号矩阵和对应标签训练共空间模式空间滤波器，将欧氏对齐后的以往用户实验信号矩阵和欧氏对齐后的新用户实验信号矩阵分别输入至训练出来的空间滤波器，得到以往用户和新用户的特征数据矩阵。

为实现上述目的，按照本发明的第二方面，提供了一种基于欧氏对齐和procrustes分析的eeg分类的迁移学习系统，包括：计算机可读存储介质和处理器；

所述计算机可读存储介质用于存储可执行指令；

所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的基于欧氏对齐和procrustes分析的eeg分类的迁移学习方法。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

本发明提出一种基于欧氏对齐和普氏分析的迁移学习方法，通过利用欧氏对齐和改进的普氏分析方法来同时对齐不同用户数据的边际和条件概率分布，并同时对齐不同用户数据的一阶和二阶统计量。同时这种方法无需已知新用户带标注的数据，从而可以在更多的情况下使用。

附图说明

图1为本发明提供的一种基于欧氏对齐和procrustes分析的eeg分类的迁移学习方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明提供一种基于欧氏对齐和procrustes分析的eeg分类的迁移学习方法，该方法包括以下步骤：

步骤s1.对以往用户脑电信号特征数据矩阵和新用户脑电信号特征数据矩阵进行协方差对齐，得到协方差对齐的新用户的特征数据矩阵。

进行协方差对齐操作之前，通过以下方式获取以往用户脑电信号特征数据矩阵和新用户脑电信号特征数据矩阵：

(1)分别对以往用户和新用户的脑电信号进行滤波操作，以去除无关信号和工频干扰。

(2)将每次实验的脑电信号分割出来，与标签对应起来，得到以往用户的脑电数据集和新用户的脑电数据集。

以往用户的脑电数据集为其中，zsi表示以往用户的第i次实验数据，ysi表示第i次实验的类别标签，ns表示以往用户的实验次数，c表示信号的通道数，t表示一次实验的采样时间点数。

新用户的脑电数据集为其中，zti表示新用户的第i次实验数据，nt表示新用户的实验次数,c表示信号的通道数，t表示一次实验的采样时间点数。

(3)分别计算以往用户和新用户的脑电数据的协方差矩阵欧氏均值。

其中，ms表示以往用户信号协方差矩阵的欧氏均值，mt表示新用户信号协方差矩阵的欧氏均值。

(4)分别对以往用户和新用户的脑电数据的协方差矩阵欧氏均值进行对齐，即

其中，z′si表示欧氏对齐后的以往用户第i次实验信号矩阵，z′ti表示欧氏对齐后的新用户第i次实验信号矩阵。

(5)使用欧氏对齐后的以往用户实验信号矩阵和对应标签训练共空间模式空间滤波器，将欧氏对齐后的以往用户实验信号矩阵和欧氏对齐后的新用户实验信号矩阵分别输入至训练出来的空间滤波器，得到以往用户和新用户的特征数据矩阵。

利用以往用户的脑电数据，训练共空间模式空间滤波器。共空间模式空间滤波器是一种有监督的特征提取方法，尝试找到一个特定的空间滤波器，使得不同类数据的方差比率最大，从而可以使在脑机接口系统中使用的特征更具可分性。新用户由于没有标签，所以共享以往用户训练出来的空间滤波器参数。

提取以往用户和新用户脑电数据的特征，得到以往用户和新用户的特征数据矩阵和其中，d是空间滤波器的个数。

协方差对齐

其中，cov(·)表示计算矩阵的协方差矩阵，i表示单位矩阵，as和at为中间变量，表示经过协方差对齐的新用户的特征数据矩阵。

本发明在进行普氏分析之前，进行了特征数据矩阵的协方差对齐，从而对以往用户和新用户的特征数据的二阶统计量进行对齐。

步骤s2.对以往用户特征数据矩阵和协方差对齐的新用户的特征数据矩阵进行均值对齐。

其中，ms表示以往用户特征数据矩阵均值，mt表示协方差对齐的新用户的特征数据矩阵均值，表示均值对齐后以往用户的特征数据矩阵，表示均值对齐后的新用户的特征数据矩阵。均值对齐处理使得均值平移到原点。

步骤s3.根据以往用户的标签和均值对齐后以往用户特征数据矩阵，计算以往用户的类别中心，根据新用户的伪标签和均值对齐后的新用户的特征数据矩阵，计算新用户的类别中心。

新用户的伪标签通过以下方式获取：利用以往用户的特征数据矩阵和标签训练线性判别分析分类器，并对新用户的特征数据矩阵进行分类，得到新用户数据的伪标签

用户的类别中心计算方式如下：

其中，表示以往用户第l类样本中心，表示以往用户第l类样本的个数，表示均值对齐后的以往用户第l类第i次实验的特征向量，表示新用户第l类样本中心，表示新用户第l类样本的个数，表示均值对齐后的新用户第l类第i次实验的特征向量。

步骤s4.构建以往用户类别中心矩阵和新用户类别中心矩阵，通过正交普氏分析方法，计算将新用户的类别中心与对应的以往用户的类别中心对齐的旋转矩阵。

构建以往用户类别中心矩阵和新用户类别中心矩阵

通过正交普氏分析方法，计算旋转矩阵将新用户的类别中心与对应的以往用户的类别中心对齐。

其中，u表示旋转矩阵，||||f表示矩阵的frobenius范数。

步骤s5.将均值对齐后协方差对齐的新用户的特征数据矩阵和旋转矩阵相乘，得到最终对齐的新用户数据。

本发明通过将正交普氏分析方法应用到脑机接口领域，且在欧氏空间中进行使用，效果提升且计算速度大幅提高。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。