1.一种基于迁移学习的跨时段脑电运动想象分类方法,其特征在于:包括以下步骤:S1.对原始脑电数据数据预处理得到源域与目标域脑电数据;
S2.使用基于注意力的可分离卷积神经网络提取频率、空间和时间信息;
S3.监督学习最小化源域样本数据的分类损失;
S4.迁移学习最大化源域与目标域样本特征之间的相似性,用于训练适用于跨时段脑电的神经网络;
S5.用训练的模型对目标域进行分类,并与选定算法对比在公开数据集上的运动想象分类效果,得到跨时段问题在运动脑机接口中普遍存在;
所述S3中具体包括:
S31.使用源域预测结果和源域数据标签进行监督学习,并用交叉熵损失函数作为分类损失,损失函数公式为:其中,N为分类类别的数量;yic为符号函数(0或1),如果样本i的真实类别等于c取1,否则取0;pic为观测样本i属于类别c的预测概率;
所述S4中具体包括:
S41.将一个线性层和Relu非线性激活函数组成自适应层,将步骤S2输出的源域与目标域特征图经过进行迁移学习;
S42.计算自适应层输出的源域与目标域数特征之间的损失,最大化源域与目标与样本特征之间的相似性,并用推土机距离作为迁移损失,损失函数公式为:EMD_loss=infγ=∏(p,q)E(x,y)~γ[||x-y||] (4)其中∏(p,q)表示分布p和q组合起来的所有可能的联合分布的集合,对于每一个可能的联合分布γ可以从中采样(x,y)~γ得到一个样本x和y,并计算出这对样本的距离||x-y||,Ex,y~γ[||x-y||]表示该联合分布γ下样本对距离的期望值;
S43.迁移损失与步骤S3中得到的分类损失共同构成整个网络的损失函数,总损失函数公式为:Loss=clf_loss + τ * EMD_loss (5)clf_loss为分类损失,EMD_loss为迁移损失,τ为迁移率,调整τ以调整迁移损失在总损失的占比训练适用于跨时段脑电的神经网络。
2.根据权利要求1所述的一种基于迁移学习的跨时段脑电运动想象分类方法,其特征在于:所述S1中具体包括:对原始脑电信息按预设时间点进行分割拼接,得到源域与目标域两组数据。
3.根据权利要求2所述的一种基于迁移学习的跨时段脑电运动想象分类方法,其特征在于:所述S2中具体包括:S21.采用二维卷积对原始脑电数据卷积提取频率特征后进行批标准化;
S22.采用深度卷积对步骤S21后的特征图进行卷积,提取空间特征;
S23.对步骤S22的特征图使用注意力机制突出通道信息,其中,注意力机制公式为:
Attention=tanh[softmax(wM)·H] (1)其中,H是输入特征,w是可训练矩阵,M=tanh(H);
S24.对步骤S23输出的特征图进行批标准化,经过Elu非线性激活函数夹与池化层降维,最后Dropout防止过拟合;
S25.采用可分离卷积对步骤S24输出的特征图进行卷积,先用二维卷积提取时间特征,后用点卷积最优地将特征映射组合在一起;
S26.对步骤S25输出的特征图进行批标准化,经过Elu非线性激活函数与池化层降维,最后Dropout防止过拟合;
S27.对步骤S26输出的特征图使用多头自注意力机制突出特征信息,多头自注意力公式为:其中查询向量Q、键向量K、值向量V由输入向量X经过全连接层得到,为特征维度。
4.根据权利要求3所述的一种基于迁移学习的跨时段脑电运动想象分类方法,其特征在于:所述S5中具体包括:S51.将一个线性层和SoftMax激活函数组成分类层,将步骤S2输出的目标域特征图输入得到分类结果;
S52.采取平均准确率对分类性能进行评价:在所有样本中,分类器正确分类的样本数与总样本数之比,为预测正确的概率;
S53.与选定算法对比在公开数据集上的跨时段脑电运动想象分类效果。