脑电图信号的选择性迁移学习方法、装置及存储介质与流程

本申请涉及医学图像处理，具体涉及一种脑电图信号的选择性迁移学习方法、装置及存储介质。

背景技术：

1、基于运动意图（motor imagery，mi）的脑机接口（brain-computer interface，bci）可以帮助受试者使用想象诱发的大脑活动直接操纵电子设备，在中风患者的神经康复训练中具有潜在应用价值。脑电图（electroencephalogram，eeg）由于其无创操作和实时传输的特点，是记录mi信号的一种有效方式，对于实时控制bci至关重要。然而，由于eeg信号弱且不稳定的特性，非常容易受到噪音干扰，使得基于mi的eeg信号分析具有相当大的挑战性。此外，与其他传统eeg（如事件相关电位和稳态视觉诱发电位）相比，基于mi的eeg信号特征更加不明显，因为它们是由没有外部刺激的自发运动想象诱发的。因此，基于mi的eeg信号具有更高的变异性，这就需要在执行实时bci任务之前，每个受试者都需要一段冗长的分类器校准时间，这使得bci的推广应用受到了很大的限制。

技术实现思路

1、本申请实施例的目的在于提供一种脑电图信号的选择性迁移学习方法、装置及存储介质，用以解决现有技术中由于基于mi的eeg信号具有更高的变异性，在收集特异于受试者的模型的大量标记样本时，需要花费大量时间进行校准的问题。

2、为实现上述目的，本申请实施例提供一种脑电图信号的选择性迁移学习方法，包括：通过共同平均参考对获取的所有源域和目标域的脑电图信号进行预处理，保留所述源域和目标域中选定通道的脑电图信号；

3、使用每个预处理后的所述源域和目标域的协方差矩阵的黎曼均值作为参考矩阵，对所述协方差矩阵进行仿射变换，得到每个预处理后的所述源域和目标域的对齐协方差矩阵；

4、使用所述协方差矩阵的黎曼均值作为参考矩阵，分别将对应的所述对齐协方差矩阵转换成相应的切线空间向量；

5、使用前向顺序浮动搜索方法，最大化所选切线空间向量集的可迁移性，得到最终选定的切线空间向量集，以将对应的所选良好源域用于分类器训练。

6、可选地，所述通过共同平均参考对获取的所有源域和目标域的脑电图信号进行预处理包括：

7、对获取的所有源域和目标域的脑电图信号，通过三阶巴特沃斯滤波器进行频谱滤波，并在指令开始后进行时间分段，从而得到所述选定通道。

8、可选地，所述使用每个预处理后的所述源域和目标域的协方差矩阵的黎曼均值作为参考矩阵包括：

9、使所述协方差矩阵对应的对称正定矩阵形成黎曼流形，然后计算得到黎曼均值，以作为参考矩阵。

10、可选地，使用黎曼距离计算得到黎曼均值：，

11、其中，表示黎曼流形上所有对称正定矩阵的数目，表示黎曼均值。

12、可选地，所述对所述协方差矩阵进行仿射变换包括：

13、利用公式：，进行仿射变换，

14、其中，表示黎曼均值。

15、可选地，所述使用前向顺序浮动搜索方法，最大化所选切线空间向量集的可迁移性包括：

16、定义所述所选切线空间向量集的可迁移性，以预测其对来自所述目标域的切线空间向量集合的有用性，即：，

17、其中，是的类间散布矩阵，是和之间的散布矩阵，用于评估之间的类间可辨别性，用于评估所选的所述源域和目标域之间的差异。

18、可选地，所述使用前向顺序浮动搜索方法，最大化所选切线空间向量集的可迁移性还包括：

19、使用前向顺序浮动搜索方法迭代地选择来自从所述源域中选出的良好源域的标记切线空间向量集，以添加到所述所选切线空间向量集中或从中移除，以最大化所述所选切线空间向量集的可迁移性。

20、可选地，所述用于分类器训练包括：

21、使用有监督的收缩线性鉴别分析分类器，在得到所述最终选定的切线空间向量集对应的所述所选良好源域之后，将来自所述所选良好源域和目标域的所述标记切线空间向量集反馈到分类器中进行训练。

22、为实现上述目的，本申请还提供一种脑电图信号的选择性迁移学习装置，包括：存储器；以及

23、与所述存储器连接的处理器，所述处理器被配置成：

24、通过共同平均参考对获取的所有源域和目标域的脑电图信号进行预处理，保留所述源域和目标域中选定通道的脑电图信号；

25、使用每个预处理后的所述源域和目标域的协方差矩阵的黎曼均值作为参考矩阵，对所述协方差矩阵进行仿射变换，得到每个预处理后的所述源域和目标域的对齐协方差矩阵；

26、使用所述协方差矩阵的黎曼均值作为参考矩阵，分别将对应的所述对齐协方差矩阵转换成相应的切线空间向量；

27、使用前向顺序浮动搜索方法，最大化所选切线空间向量集的可迁移性，得到最终选定的切线空间向量集，以将对应的所选良好源域用于分类器训练。

28、为实现上述目的，本申请还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。

29、本申请实施例具有如下优点：

30、本申请实施例提供一种脑电图信号的选择性迁移学习方法，包括：通过共同平均参考对获取的所有源域和目标域的脑电图信号进行预处理，保留所述源域和目标域中选定通道的脑电图信号；使用每个预处理后的所述源域和目标域的协方差矩阵的黎曼均值作为参考矩阵，对所述协方差矩阵进行仿射变换，得到每个预处理后的所述源域和目标域的对齐协方差矩阵；使用所述协方差矩阵的黎曼均值作为参考矩阵，分别将对应的所述对齐协方差矩阵转换成相应的切线空间向量；使用前向顺序浮动搜索方法，最大化所选切线空间向量集的可迁移性，得到最终选定的切线空间向量集，以将对应的所选良好源域用于分类器训练。

31、通过上述方法，基于黎曼切线空间的有监督tl（transfer learning，迁移学习）算法用于分析eeg-mi信号，可以将标记样本从不同的源域迁移到目标域，从而减少对大量标记样本的需求，提高了源域样本的可迁移性，从而缩短了目标对象的校准工作所需的时间。

技术特征：

1.一种脑电图信号的选择性迁移学习方法，其特征在于，包括：

2.根据权利要求1所述的脑电图信号的选择性迁移学习方法，其特征在于，所述通过共同平均参考对获取的所有源域和目标域的脑电图信号进行预处理包括：

3.根据权利要求1所述的脑电图信号的选择性迁移学习方法，其特征在于，所述使用每个预处理后的所述源域和目标域的协方差矩阵的黎曼均值作为参考矩阵包括：

4.根据权利要求3所述的脑电图信号的选择性迁移学习方法，其特征在于，包括：

5.根据权利要求4所述的脑电图信号的选择性迁移学习方法，其特征在于，所述对所述协方差矩阵进行仿射变换包括：

6.根据权利要求1所述的脑电图信号的选择性迁移学习方法，其特征在于，所述使用前向顺序浮动搜索方法，最大化所选切线空间向量集的可迁移性包括：

7.根据权利要求1所述的脑电图信号的选择性迁移学习方法，其特征在于，所述使用前向顺序浮动搜索方法，最大化所选切线空间向量集的可迁移性还包括：

8.根据权利要求1所述的脑电图信号的选择性迁移学习方法，其特征在于，所述用于分类器训练包括：

9.一种脑电图信号的选择性迁移学习装置，其特征在于，包括：

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被机器执行时实现如权利要求1至8中任一项所述的方法的步骤。

技术总结
本申请实施例公开了一种脑电图信号的选择性迁移学习方法、装置及存储介质，其中脑电图信号的选择性迁移学习方法包括：通过共同平均参考对获取的所有源域和目标域的脑电图信号进行预处理，保留所述源域和目标域中选定通道的脑电图信号；使用每个预处理后的所述源域和目标域的协方差矩阵的黎曼均值作为参考矩阵，对所述协方差矩阵进行仿射变换，得到每个预处理后的所述源域和目标域的对齐协方差矩阵；使用所述协方差矩阵的黎曼均值作为参考矩阵，分别将对应的所述对齐协方差矩阵转换成相应的切线空间向量；使用前向顺序浮动搜索方法，最大化所选切线空间向量集的可迁移性，得到最终选定的切线空间向量集，以将对应的所选良好源域用于分类器训练。

技术研发人员：刘伟奇,马学升,陈金钢,左林雄,王肖玮,陈韵如
受保护的技术使用者：同心智医科技（北京）有限公司
技术研发日：
技术公布日：2024/1/12