一种针对脑电信号的自适应联合模型半监督学习分类方法与流程

技术特征：
1.一种针对脑电信号的自适应联合模型半监督学习分类方法，该方法具体包括以下步骤：步骤一：设有标签样本l和无标签样本u都是从一个生成模型中生成的；设在可观察样本包含了隐藏特征z，隐藏特征z确定了整个可观察样本的生成过程；所述的可观察样本包括：有标签样本l和无标签样本u；即存在概率p(z)生成隐藏特征，隐藏特征以p(l|z)的条件概率确定了有标签样本的生成，隐藏特征以p(u|z)的条件概率确定了无标签样本的生成；给定训练样本集{x，y}＝{{x
l
，y
l
}，x
u
}，其中x
i
代表有标签样本，y
l
为其对应的标签，x
u
＝{x1，x2，...x
u
}是无标签样本；步骤二：利用训练样本集中的有标签样本和无标签样本构建基于欧氏距离的样本相关矩阵，所述的样本相关矩阵为亲和矩阵；计算每个有标签和无标签样本之间的欧式距离，两两样本间的距离组成它们之间的亲和矩阵；令e为有标签样本和无标签样本之间的亲和矩阵：e＝e
ij
ꢀꢀꢀꢀꢀꢀꢀ
(1)其中e
ij
表示有标签样本i和无标签样本j之间的欧式距离，i＝1，2...l；j＝1，2...u.；步骤三：使用训练样本集构建基于黎曼度量的样本相关矩阵；在黎曼空间中，两点之间的距离定义为沿流形表面最近的距离，即测地距离；黎曼度量计算两样本之间的协方差矩阵，这包含了嵌入在eeg信号中的空间信息，它将有助于构建另一个合适的模型；具体来说，计算有标签样本和无标签样本间之间的仿射不变黎曼度量(airm)；反映了黎曼流形中两点之间真实测地距离的黎曼测度，其具体形式如下：δ
g
(x，y)＝||log(x
‑
1/2
yx
‑
1/2
)||
f
ꢀꢀꢀꢀ
(2)其中||
·
||
f
表示矩阵的f范数，x，y是黎曼流形上的两点；计算每个样本的协方差矩阵，进一步计算仿射不变黎曼度量，得到黎曼流形下有标签样本和无标签样本的度量；基于黎曼测度的样本相关矩阵用r来表示两个样本之间的黎曼距离：r＝r
ij
ꢀꢀꢀꢀꢀꢀ
(3)其中r
ij
表示两个样本之间的黎曼距离；步骤四：在上述两个模型的基础上，通过最大期望算法(expectation
‑
maximization algorithm，em algorithm)挖掘数据的隐藏特征；最大期望算法是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐性变量；在最大期望算法中，设计了一个权重融合策略来平衡上述两个模型，使构建的模型能够更好地表达原始数据分布；新的联合模型使用下式构成：m
new
＝we (1
‑
w)r
ꢀꢀꢀꢀꢀ
(4)其中，w为权重系数，在新的叠加后的联合模型下，通过发现无标签样本背后的隐藏特征其对应的后验概率来形成新的特征，并将其连接到有标记样本的特征之后，形成新的样本；对于该联合模型形成的对数似然概率公式为：
其中p(l
i
，u
j
，z
k
)为l，u，z的联合概率，为有标签样本l
i
和无标签样本u
j
在新的联合模型下的样本相关值，k为隐藏特征个数；要极大化该对数似然概率，可以使用最大期望算法迭代求解；最大期望算法分为e步骤和m步骤，在本模型下，e步骤利用可观测样本l和u来估计隐藏特征p(z|l，u)：其中p(
·
)均为样本间对应的概率，m步骤使用p(z|l，u)计算条件概率p(l|z)和p(u|z)，使用拉格朗日乘子算法求解：z)，使用拉格朗日乘子算法求解：z)，使用拉格朗日乘子算法求解：通过上述求得的解，利用贝叶斯公式转换，计算每个隐藏特征对应的后验概率，用于训练：步骤五：两个模型的比例不同会影响模型的质量；因此设计了一种自适应搜索适合当前训练样本的最优模型的方法，通过调整权重，来优化最大的效果，即评估e和r模型对其的贡献；l
o
(m
‑
1)表示欧式模型下的权重因子，l
r
(m
‑
1)表示黎曼模型下的权重因子：f(x
i
)表示当前权重下联合模型生成的隐藏特征值，y
i
是对应欧式/黎曼模型的隐藏特征值；根据两个模型的贡献来确定权重变化；利用log函数的特性来调整变化率并抑制其突变；更新公式如下：
在本联合模型下，k＝2，k＝1，2，分别对应上述的欧式模型和黎曼模型；λ
k
(m)表示在第m次迭代中得到的更新后的权重参数，下一次迭代中，会使用λ
k
(m)的值作为w来平衡模型。

技术总结
本发明公开了一种针对脑电信号的自适应联合模型半监督学习分类方法。首先建立一个自适应联合模型。联合模型的构建基于欧式模型和黎曼模型，并在算法迭代过程中设计权值更新策略。通过根据两种模型贡献来自适应调整两个模型的权值，以获得一个更好的基础模型来提升后续特征信息提取的有效性。然后在联合模型的基础上提取隐藏特征，并将隐藏特征和有标签样本的特征相连接形成新的训练集。最后，利用宽度学习系统对新训练集进行训练并对测试集分类。该算法在三个脑机接口公开数据集上得到了验证，并与几种最新的方法进行了比较。并与几种最新的方法进行了比较。并与几种最新的方法进行了比较。


技术研发人员：高云园 曹震 薛云峰 张启忠 张卷卷
受保护的技术使用者：杭州电子科技大学
技术研发日：2021.08.18
技术公布日：2021/11/28