1.一种跨被试小样本学习的运动想象识别方法,其特征在于,包括以下步骤:S1:将多个受试者的脑电信号,划分为源域数据和目标域数据并进行数据预处理;
S2:将源域数据称为训练集,少量目标域数据称为支持集,随机选择训练集的子集和支持集进行混合、分类、分割、重构,得到混合集;具体步骤包括:S201:首先将除目标受试者之外的数据集用作于训练集,然后将少量目标被试的数据用作于支持集,最后随机选择训练集的子集,将该子集与支持集合并,得到混合集;
S202:在步骤S201合成的数据集中,从每个类别中选择八个试验,使用这八个试验并且用不同时间点的分割和重建过程构建新的试验,指定为S203:为了保持平衡,这种分割和重建过程对每种类别的运动想象脑电数据MI-EEG重复多次,重复后,混合集的试验次数与支持集相同;
S3:通过预训练阶段利用训练集训练初始模型,得到一个鲁棒性高的预训练模型;
S4:利用混合集和支持集通过具有正则化技术方法的双重损失函数对所述预训练模型的参数进行微调,使所述预训练模型能够针对需要的目标受试者,拥有更好的分类准确率;
S5:通过迭代训练使双重损失函数的总损失函数值收敛,引入泛洪策略,防止训练损失过度降低,得到一个针对目标受试者准确率高的运动想象跨被试识别模型。
2.根据权利要求1所述的跨被试小样本学习的运动想象识别方法,其特征在于,在步骤S1中,数据预处理过程包括:使用六阶切比雪夫带通滤波器对脑电信号在[4,40]Hz范围内进行带通滤波,获取与运动想象相关的频带的脑电信号,去除工频干扰和其它高低频噪声;
对预处理后的脑电信号进行分段,获取固定长度的时间片段,得到训练集和目标域数据集。
3.根据权利要求1所述的跨被试小样本学习的运动想象识别方法,其特征在于,步骤S3的具体步骤包括:S301:将所有训练集中的MI-EEG试验数据输入到预训练模型中,通过所述预训练模型中的嵌入层和分类层输出预测标签的概率分布;
S302:应用交叉熵损失函数计算预测标签与实际标签之间的差异,通过最小化损失,训练得到预训练模型的初始参数,从而得到一个鲁棒性较高的通用模型。
4.根据权利要求1所述的跨被试小样本学习的运动想象识别方法,其特征在于,步骤S4的具体步骤包括:利用混合集和支持集微调所述预训练模型,通过最小化双重损失函数,优化微调所述预训练模型的参数;
微调过程中,采用具有正则化技术方法的最大均值差异损失函数和交叉熵损失函数的组合,所述最大均值差异损失函数用于减小训练集与目标域数据之间的分布差异,通过最小化最大均值差异损失MMD,使模型能够更好地适应不同受试者之间的差异;所述交叉熵损失函数用于计算预测标签与实际标签之间的差异,通过最小化交叉熵损失CE,确保模型的分类准确性。
5.根据权利要求1所述的跨被试小样本学习的运动想象识别方法,其特征在于,在步骤S5中,通过多次迭代训练,逐步调整模型参数,使总损失函数值不断减少,直至收敛;通过引入泛洪策略,防止训练损失过度降低,通过设置泛洪水平调节损失函数,以提升模型的稳定性和泛化能力;每次迭代过程中,计算当前模型在测试集上的总损失值,包括最大均值差异损失MMD和交叉熵损失CE,并根据总损失值的变化调整模型参数;当总损失值收敛至稳定状态时,训练结束,得到最终的运动想象跨被试识别模型。
6.一种跨被试小样本学习的运动想象识别系统,其特征在于,包括:
数据获取与预处理模块,用于将多个受试者的脑电信号,划分为源域数据和目标域数据并进行数据预处理;
合成数据生成模块,用于将源域数据称为训练集,少量目标域数据称为支持集,随机选择训练集的子集和支持集进行混合、分类、分割、重构,得到混合集;具体步骤包括:S201:首先将除目标受试者之外的数据集用作于训练集,然后将少量目标被试的数据用作于支持集,最后随机选择训练集的子集,将该子集与支持集合并,得到混合集;
S202:在步骤S201合成的数据集中,从每个类别中选择八个试验,使用这八个试验并且用不同时间点的分割和重建过程构建新的试验,指定为S203:为了保持平衡,这种分割和重建过程对每种类别的运动想象脑电数据MI-EEG重复多次,重复后,混合集的试验次数与支持集相同;
预训练模型模块,用于通过预训练阶段利用训练集训练初始模型,得到一个鲁棒性高的预训练模型;
模型微调模块,用于利用混合集和支持集通过具有正则化技术方法的双重损失函数对所述预训练模型的参数进行微调,使所述预训练模型能够针对需要的目标受试者,拥有更好的分类准确率;
迭代训练与输出模块,用于通过迭代训练使双重损失函数的总损失函数值收敛,引入泛洪策略,防止训练损失过度降低,得到一个针对目标受试者准确率高的运动想象跨被试识别模型。
7.根据权利要求6所述的跨被试小样本学习的运动想象识别系统,其特征在于,所述模型微调模块包括:域对齐单元,用于引入最大均值差异损失函数和交叉熵损失函数,通过最小化混合集和支持集嵌入后的边缘分布差异来对齐域间分布,通过标签预测输出对齐混合集和支持集之间的条件分布。
8.根据权利要求6所述的跨被试小样本学习的运动想象识别系统,其特征在于,所述迭代训练与输出模块包括:泛洪正则化单元,用于引入泛洪策略,防止训练损失过度降低,通过设置泛洪水平调节损失函数,以提升模型的稳定性和泛化能力。