一种多源流形度量特征的脑电域自适应方法

本发明涉及一种面向脑电信号的多源流形度量特征的脑电域自适应方法，要涉及到脑电信号预处理、脑电信号流形特征提取、流形特征度量学习、多源域迁移框架设计，属于神经系统运动控制。

背景技术：

1、近年来，情感识别在情感计算(affective computing,ac)和情感脑机接口(affective brain-computer interface,abci)领域得到了深入研究。良好的情绪识别方法可以为人机交互提供便利，并在医学、教育、交通、军事等领域具有广阔的应用前景。情绪识别方法通常分为基于面部表情或语调的主观识别方法和基于生理信号的客观识别方法。其中，脑电图信号(electroencephalogram,eeg)可以直接记录外界刺激下中枢神经系统的电生理活动，且不能通过伪装表达出来。由于eeg信号的优势，成为了abci中应用最广泛的输入信号。一个典型的abci范式操作如下：首先，将诱发特定情感的情感刺激呈现给用户，并根据期望的情感记录脑电信号；然后，从记录的信号中提取eeg数据特征，并使用所选择的特征和情感标签来训练分类器；接下来，利用已经训练好的分类器来执行基于脑电信号的实时情感分类。许多研究人员已经报告了在该范例下所取得的令人满意的分类性能。

2、然而，abci的使用仍然受到一些因素的限制。具体地说，脑电信号具有很大的非平稳性和个体差异性，不同受试者的脑电数据分布存在很大差异。即使在同一受试者中，不同时段的脑电数据分布也往往不同。其次，eeg信号的解码是实现准确情绪识别的关键，而情绪特征提取是其中的技术难题。大多数研究都基于训练集和测试集中的数据是独立同分布的假设。显然，不同受试者之间的eeg数据分布是不同的。为了提高被试的适应性和准确性，同时缩短他们的训练时间，设计和实现一种具有强自适应能力和高情绪识别准确率的脑电信号解析模型，许多研究团队正在积极研究迁移学习理论和方法，试图找到一种适用于所有被试的通用算法模型，解决在实际应用脑机接口系统中普遍存在的关键科学问题。

3、迁移学习(transfer learning,tl)是一种机器学习技术，旨在从一个或多个源任务中提取共同知识，并将这些知识应用于相关的目标任务。具体地说，情绪识别中的迁移学习使用源域(来自其他用户的脑电数据)来帮助目标域(来自新用户的脑电数据)进行学习。它的主要任务之一是通过映射减少源域和目标域之间的数据分布差异。

4、在迁移学习中使用域适应技术来解决不同受试者之间eeg数据分布的差异是可行的，并且已经成为近年来研究者们的新研究方向。郑伟龙等人使用了基于域适应技术的差分熵特征，来寻找不同受试者之间的稳定eeg模式。他们的工作也是第一次将早期出现的迁移成分分析(transfer components analysis,tca)方法应用到eeg情绪识别中，其中tca被用来将源域和目标域的数据投影到一个新的子空间，以减少分布差异。实验结果证实了tl在跨受试者情绪识别任务中优于支持向量机(support vector machine,svm)。有学者提出了一个用于跨受试者情绪识别的风格转换映射(style transfer mapping,stm)框架。它通过学习一些映射参数，将目标域分布映射到源域。在基准seed数据集上，与非迁移方法相比，分类准确率提高了12.72％。

5、以前的研究已经有效地将tl技术应用到abci领域，并在跨受试者情绪识别方面取得了良好的效果。然而，这些策略仍然有一些具体的局限性。首先，tl的迁移能力很大程度上受到不同域之间相似性的影响。以前的tl模型通常将所有受试者整合到一个域中，忽略了那些与目标域关系较差的受试者，从而导致负迁移。因为在实际应用中，并不是所有的源数据都适合进行知识迁移。其次，以前的tl方法通常使用一个固定的距离来衡量两个域之间的分布距离，这非常粗糙，不能获得准确的相似性度量，而且导致特征映射矩阵经常受到影响。度量学习(metric learning,ml)可以为这个问题提供解决方案。度量学习将距离视为可学习的目标。每个数据集在分类和聚类方面都存在特定的问题，没有良好学习能力的距离度量无法构建良好的数据分类模型。因此，可以将度量学习和迁移学习结合相结合，并在多源迁移学习中，引入源域的选择方法，提高跨被试的脑电情绪识别效果。

技术实现思路

1、为了克服现有脑电迁移学习方法在负迁移、提取的脑电特征相似性度量不准确等方面存在的问题，提出了一种面向脑电信号的多源流形度量特征域自适应方法，能够学习脑电数据域之间准确的度量矩阵，提升特征映射矩阵的质量，减小源域和目标域的样本分布差异，进行多源脑电度量迁移学习。

2、一种多源流形度量特征的脑电域自适应方法，包括以下步骤：

3、步骤一：获取脑电信号并对其进行预处理；

4、步骤二：对多个源域数据进行相似度度量，选择高质量源域；

5、步骤三：将脑电信号特征变换到流形空间，提取流形特征，保持良好的几何特性；

6、步骤四：在流形特征空间，学习马氏度量，最小化类内距，最大化类间距，并在马氏度量下约束源域和目标域到相似的分布，最终得到特征矩阵以训练分类器并应用于分类；

7、步骤五：根据分类器结果，对目标域的多组识识别结果进行加权融合，得到最终分类结果。

8、所述步骤一中预处理的方法为：按频段提取脑电微分熵特征。

9、所述步骤二的核心是找到两个域之间可接受的相似性，如果两个域之间没有相似性或者相似性不显著，那么便去除该源域，所述步骤二中的选择步骤为：

10、步骤2.1：针对每一个目标域，分别利用公式(1)计算与源域之间的相似性；

11、

12、其中，样本对xi，xj分别来自于目标域和源域，dm是相似度度量距离，c是协方差矩阵；

13、步骤2.2：根据每个源域与目标域的相似度度量结果，得到相似度排序，对于更加相似的域之间，相似性度量值会更小，针对不同的数据集，根据相似性排序选择不同合适数量的源域。

14、所述步骤四具体包括：

15、步骤4.1：在度量学习中，距离度量不再局限于公式(1)中那种逆协方差矩阵，而是需要通过度量学习的过程来获得，其定义为：

16、

17、其中，m＝ata，是一个半正定矩阵；

18、步骤4.2：根据公式(2)，分别约束源域和目标域的条件概率分布distm(qs(ys|xs),qt(yt|xt))和边缘概率分布distm(p(xs),p(xt))，其分别定义为：

19、

20、

21、其中，是f范数，x(c)表示域中属于第c类的样本；l0和lc分别为条件概率分布和边缘概率分布的度量自适应矩阵；

22、其中：

23、

24、

25、步骤4.3：根据公式(3)和公式(4)，源域和目标域在度量学习下的分布约束可以写为：

26、distm(ds,dt)＝(1-λ)·distm(p(xs),p(xt))+λ·distm(qs(ys|xs),qt(yt|xt))  (7)

27、其中，λ是动态因子，衡量两个分布的重要性；

28、

29、其中，d0是度量矩阵m下的边缘分布距离，dc是度量矩阵m下的条件分布距离；

30、公式(7)可以改写为：

31、distm(ds,dt)＝tr(x((1-λ)l0+λlc)xtm)  (9)

32、步骤4.4：通过引入拉普拉斯正则化项，利用格拉斯曼流形中最近点的相似几何性质，目标函数可以写成：

33、

34、其中，γ是超参数，ρ是拉普拉斯正则化参数，g为流形特征变换矩阵。

35、与现有技术相比，本发明的有益效果在于：

36、迁移学习的迁移能力很大程度上受到不同域之间相似性的影响。以前的迁移学习模型通常将所有受试者整合到一个域中，忽略了那些与目标域相似性关系较差的受试者，从而导致负迁移。因为在实际应用中，并不是所有的源数据都适合进行知识迁移。

37、以前的迁移学习方法通常使用一个固定的距离来衡量两个域之间的分布距离，这非常粗糙，不能获得准确的相似性度量，而且导致特征映射矩阵经常受到影响，导致分类器性能下降。

38、针对这些问题，本发明提出了一种新型的基于多源流形度量特征的脑电域自适应方法。本方法简单直观，相较于普通的无监督选择方法更加快速有效，能够学习到特征之间的可靠度量，在提升了源域质量的同时，进一步提升了脑电特征映射的质量，是一个有效的多源度量迁移学习框架。