双视角聚类伪标签注入的跨被试脑电解码方法和系统

本发明属于人工智能和脑电信号解码，特别是指一种双视角聚类伪标签注入的跨被试脑电解码方法和系统。

背景技术：

1、脑电解码（比如情感解码、运动想象解码、言语想象解码等）作为脑电计算与高级人机交互领域的基石课题，旨在构建能够精准感知、量化并理解人类脑电状态的智能系统。在众多的生物特征解码技术中，脑电图eeg凭借其“非侵入性”、“高时间分辨率”以及“不可伪装性”，成为了捕捉人类中枢神经系统瞬时情绪反应的最有效手段。随着硬件集成技术的进步，使得基于脑电的脑电解码技术正迅速从实验室走向实际应用场景，包括但不限于精神状态监控、神经营养康复、疲劳驾驶主动安全防控以及沉浸式交互娱乐等。

2、然而，脑电信号在本质上是一种高度非线性、非平稳的生物电生理信号，其在时间、频率和空间维度上呈现出极高的复杂性。在实际的大规模部署中，该领域面临着严重的“个体差异性”瓶颈。不同受试者由于生理结构（如头皮厚度、大脑皮层折叠方式）、心理特质、认知差异以及采集环境（如电极接触阻抗、环境噪声）的不同，导致即便在相同的诱发条件下，其脑电信号的统计分布也会发生剧烈的偏移。这种分布偏移使得在特定样本集上训练的高精度深度学习模型，在迁移至新的、未见过的目标用户时，往往会出现“断崖式”的性能下降。

技术实现思路

1、为了解决上述现有技术存在的技术问题，本发明提供了一种双视角聚类伪标签注入的跨被试脑电解码方法和系统，所述技术方案如下：

2、一方面，提供了一种双视角聚类伪标签注入的跨被试脑电解码方法，该方法包括：

3、s1、域子簇构建与特征编码： 获取包括多个源域和目标域的脑电微分熵de样本；其中，源域de样本具有预设的任务相关辅助信息标签，目标域de样本为无标签数据；基于所述任务相关辅助信息标签，将同一脑电类别下的源域de样本划分为多个源域任务语义子簇；对所述目标域de样本进行聚类处理，得到多个目标域簇；利用深度特征编码器对所述源域de样本和目标域de样本进行非线性特征映射，分别得到源域特征表示与目标域特征表示；

4、s2、原型计算：基于所述源域de样本的多个源域任务语义子簇，计算各源域任务语义子簇对应的源域原型；基于所述目标域簇的聚类结果，计算各目标域簇对应的目标域聚类原型；

5、s3、基于sinkhorn均衡约束的最近邻分配：引入基于最优传输理论的全局优化匹配机制，利用基于sinkhorn均衡约束的最近邻分配算法，结合全局均衡性约束对局部最近邻分配进行修正，计算源域原型与目标域聚类原型之间的软匹配矩阵；

6、s4、双视角聚类伪标签注入与协同决策：构建双视角聚类伪标签注入与协同决策机制，基于所述软匹配矩阵，从原型视角和样本视角对目标域样本的类别归属进行联合判别；其中，所述原型视角关注目标域在跨域映射中的整体语义位置，强调类别语义的一致性与稳定性；所述样本视角关注目标域内部样本之间的局部关联，强调细粒度判别证据的保留与聚合；通过置信度门控机制评估各视角的语义确定性，自适应地选取置信度更高的视角作为目标域样本簇的最终伪标签；

7、s5、模型联合优化： 基于所述最终伪标签，构建并联合优化包括多个互补项的联合损失函数，对所述深度特征编码器、域判别器与分类器进行端到端训练；

8、s6、脑电解码： 将待解码的脑电de数据输入所述训练完成的深度特征编码器以提取特征表示，并将所述特征表示输入所述分类器，输出解码出的脑电类别。

9、可选地，所述s1，具体包括：

10、设源域de样本由k个诱发视频产生，每个源域de样本均对应一个预设的任务相关辅助信息标签，总计包含l个脑电类别，首先将源域de样本根据其任务相关辅助信息标签划分为k个源域任务语义子簇，第k个源域任务语义子簇表示为：

11、任务相关辅助信息

12、其中，表示第个源域de样本对应的任务相关辅助信息标签；

13、在无标签的目标域一侧，采用dbscan聚类方法探测目标脑电de数据的流形分布结构，并将目标域de样本划分为

j个簇：

14、

15、其中，表示目标域第j个簇，ε表示邻域半径，minpts表示形成核心点所需的最小邻域样本数，表示目标域第

j个簇；

16、随后，利用深度特征编码器对源域和目标域脑电de数据进行非线性特征映射，分别得到源域特征表示与目标域特征表示：

17、

18、

19、其中， 表示所述深度特征编码器，用于将原始脑电de数据映射到高维特征空间，和分别表示源域de样本数量和目标域de样本数量。

20、可选地，所述s2，具体包括：

21、基于所述源域de样本的多个源域任务语义子簇，计算第k个源域任务语义子簇对应的源域原型：

22、

23、其中，表示第个任务相关辅助信息对应的源域样本数量，表示第个源域原型；

24、根据目标域 dbscan聚类结果，计算第个目标域簇对应的目标域聚类原型：

25、

26、其中， 表示目标域第j个簇中的样本数量， 表示第个目标域聚类原型。

27、可选地，所述s3，具体包括：

28、先通过计算目标域对象与源域原型之间的余弦距离或欧氏距离，其中原型视角下，a=j，样本视角下, ，构建基础代价矩阵：

29、

30、引入带有熵正则化项的sinkhorn算法，通过迭代缩放过程求解具备全局均衡约束的软匹配矩阵

s：

31、

32、其中，为平滑参数，和是缩放向量；

33、通过交替归一化，s满足全局均衡约束：

34、

35、其中表示维度为的全1列向量，表示维度为k 的全1行向量。

36、可选地，所述s4，具体包括：

37、在原型视角下，关注聚类中心的全局拓扑属性，通过计算目标域聚类原型与源域原型间的软匹配矩阵给出宏观层面的伪标签建议：

38、

39、基于所述软分配矩阵，目标聚类属于脑电类别的类概率表示为该类别下所有源域任务语义子簇分配权重的总和：

40、

41、其中，表示属于脑电类别的源域诱发语义簇索引集合；

42、预测的确定性由置信度衡量：

43、

44、在样本视角下，通过分析目标域个体样本与源域原型之间的微观匹配关系来生成伪标签建议，针对目标域特征表示，计算其与源域原型之间的软分配矩阵：

45、

46、基于所述软分配矩阵，目标域第个样本属于脑电类别的概率通过聚合该样本对属于该类别的所有源域原型的分配权重得到：

47、

48、对簇内样本预测概率进行均值聚合，以实现与原型视角的层次对齐并增强鲁棒性:

49、

50、随后以平均置信度为阈值筛选高置信样本：

51、

52、表示由高置信样本组成的集合, 表示簇的样本i的最大类别预测概率，表示簇中平均置信度的最大类别概率；

53、然后对其预测类别进行多数投票，得到簇级伪标签, 并将该簇级伪标签广播至簇内所有样本:

54、

55、其中，表示取样本i预测概率最大的类别,表示目标域第j簇样本的伪标签；

56、这种从个体样本映射到簇级共识的计算路径，能够有效利用目标域内部的局部一致性证据，为后续的双视角校验提供微观层面的判别支撑；

57、在获得原型视角与样本视角的类概率分布后，通过置信度门控机制评估各视角的语义确定性，自适应地从双视角中筛选出更可靠的监督信号，包括：

58、对于目标域第j个簇，分别以两个视角的最高类别概率作为其伪标签的置信度度量：

59、

60、其中，反映了原型视角从全局拓扑结构出发对该簇语义归属的把握程度，而则体现了样本视角基于簇内局部一致性所给出的判断强度；

61、基于择优录取的原则，选择置信度更高的视角作为该簇的最终伪标签：

62、

63、将选定的簇级伪标签广播至簇内的所有样本，确保目标域在流形空间内具有类别一致性的伪监督约束。

64、可选地，所述联合损失函数定义为：

65、

66、其中，表示源域监督分类损失，采用标准交叉熵损失，利用带标签的源域de数据建立基本的脑电判别边界：

67、

68、表示域对抗对齐损失：引入域判别器，通过对抗训练缩小源域与目标域特征分布的整体偏移，促使所述深度特征编码器提取域不变特征：

69、

70、表示目标域伪标签损失：利用置信度门控筛选出的伪标签，对目标域样本进行强监督引导：

71、

72、通过权重系数和调节各分量的权重，模型在保持源域知识迁移的同时，能够有效利用目标域的局部流形结构与全局拓扑信息。

73、可选地，所述深度特征编码器由2层全连接网络组成，负责将 eeg的微分熵de进行初步降维和特征提取；

74、所述分类器由3层全连接网络组成，通过中间层的维度压缩与恢复，增强分类的鲁棒性；

75、所述域判别器由2层全连接网络组成，通过梯度反转层grl与所述深度特征编码器相连，用于接受grl处理后的特征，通过全连接网络判断样本来源于源域还是目标域。

76、另一方面，提供了一种双视角聚类伪标签注入的跨被试脑电解码系统，所述系统包括：

77、域子簇构建与特征编码模块，用于获取包括多个源域和目标域的脑电微分熵de样本；其中，源域de样本具有预设的任务相关辅助信息标签，目标域de样本为无标签数据；基于所述任务相关辅助信息标签，将同一脑电类别下的源域de样本划分为多个源域任务语义子簇；对所述目标域de样本进行聚类处理，得到多个目标域簇；利用深度特征编码器对所述源域de样本和目标域de样本进行非线性特征映射，分别得到源域特征表示与目标域特征表示；

78、原型计算模块，用于基于所述源域de样本的多个源域任务语义子簇，计算各源域任务语义子簇对应的源域原型；基于所述目标域簇的聚类结果，计算各目标域簇对应的目标域聚类原型；

79、基于sinkhorn均衡约束的最近邻分配模块，用于引入基于最优传输理论的全局优化匹配机制，利用基于sinkhorn均衡约束的最近邻分配算法，结合全局均衡性约束对局部最近邻分配进行修正，计算源域原型与目标域聚类原型之间的软匹配矩阵；

80、双视角聚类伪标签注入与协同决策模块，用于构建双视角聚类伪标签注入与协同决策机制，基于所述软匹配矩阵，从原型视角和样本视角对目标域样本的类别归属进行联合判别；其中，所述原型视角关注目标域在跨域映射中的整体语义位置，强调类别语义的一致性与稳定性；所述样本视角关注目标域内部样本之间的局部关联，强调细粒度判别证据的保留与聚合；通过置信度门控机制评估各视角的语义确定性，自适应地选取置信度更高的视角作为目标域样本簇的最终伪标签；

81、模型联合优化模块，用于 基于所述最终伪标签，构建并联合优化包括多个互补项的联合损失函数，对所述深度特征编码器、域判别器与分类器进行端到端训练；

82、脑电解码模块，用于 将待解码的脑电de数据输入所述训练完成的深度特征编码器以提取特征表示，并将所述特征表示输入所述分类器，输出解码出的脑电类别。

83、另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述双视角聚类伪标签注入的跨被试脑电解码方法。

84、另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述双视角聚类伪标签注入的跨被试脑电解码方法。

85、本发明提供的技术方案带来的有益效果至少包括：

86、（1）提高了目标域伪标签生成的可靠性，增强了跨被试类别偏移校正能力。

87、本发明围绕目标域语义校正构建了样本、原型双视角聚类伪标签机制，突破了现有方法依赖单一路径生成伪标签的局限。通过同时引入整体语义约束与局部判别信息，所生成的伪标签不再仅依赖单一样本预测或单一中心匹配结果，而是在不同信息来源之间形成互补校验。由此，目标域监督信号的准确性与一致性得到提升，错误伪标签在迭代训练中的累积效应得到有效抑制，从而增强了模型对跨被试类别分布偏移的校正能力。

88、（2）提高了模型在复杂跨被试场景下的解码稳定性与泛化性能。

89、由于本发明同时改进了伪标签生成可靠性、类内结构建模能力以及跨域匹配的全局一致性，模型在跨被试脑电解码中的目标域语义校正过程更加稳定。其结果表现为：类别判别边界更加清晰，语义漂移现象得到缓解，复杂类别分布下的解码鲁棒性得到提升。实验结果表明，该方法在 seed、seed-iv 和 seed-v 等多个公开数据集上均取得了稳定提升，说明本发明能够有效增强模型在无标签目标域条件下的跨个体泛化能力。

90、（3）降低了无标签目标域场景下的应用门槛，提升了方法的实际应用价值。

91、本发明在目标域无需人工标注的条件下完成类别语义校正，并通过双视角聚类伪标签生成与结构化匹配机制提高了无监督迁移过程的稳定性。这使得模型在面对新受试者时，无需额外构建高成本标注数据，仍能够获得较可靠的解码结果。对于实际脑机接口应用而言，该效果有助于降低系统面向新用户部署时的数据依赖与校准负担，增强方法在真实场景下的可用性与推广价值。