基于样本迁移的在线脑电分类方法与流程

1.本发明属于模式识别领域，涉及一种基于样本迁移的在线脑电分类方法。


背景技术：

2.脑机接口(bci)是在人与计算机或其他电子设备之间建立的不依赖于常规大脑信息输出通路(外周神经和肌肉组织)的一种通讯和控制技术，被广泛用于辅具控制、医疗康复、车辆驾驶，日常生活娱乐等领域。目前脑皮层电图(ecog)、脑电图(eeg)、脑磁图(meg)、功能性磁共振成像(fmri)等均被用于bci中。其中，eeg信号是bci系统中最常用的输入信号，具有高时间分辨率、低成本、高便携性等优势，但eeg信号具有空间分辨率差、信噪比低、平稳性差的特点，在面对不同的受试者时，很难建立一个最优的通用机器学习模型，对于新受试者，模型通常都需要较长时间训练，这个过程既耗时又费力。因此研究有效的方法来识别不同受试者的脑电特征变得非常有意义。
3.大多数机器学习方法通常是在离线环境下以批量式学习的方式进行的，所有的训练和测试样本都是预先给定的。但这种方式在实际应用中可能不合适，一次性收集到足够的训练样本花费的成本可能很高。另外，在某些情况下，需要按顺序接收测试样本。而在线学习保留了历史信息，从而避免了从头开始重复的批量重新训练，显着减少了计算工作量；在线学习还能通过适应数据动态产生最新模型，使其能够处理非平稳问题。在线学习已被广泛研究多年，在线支持向量机(svm)、被动攻击(pa)算法等在线算法在bci中已经得到应用，例如可穿戴导航系统和基于头戴式设备的增强现实(ar)系统等。然而，现有的在线学习算法也存在一些不足，如pa只保持固定的权重，无法准确的应用在其他应用场景或领域；还有一些在线算法通常将所有错误分类的样本存储为支持向量(sv)，这可能会导致高计算和内存成本，尽管可以通过一些算法将存储的sv数目小于设定阈值，但大多数在线学习算法仅利用一阶信息并为所有特征分配相同的学习率，这可能会导致收敛速度缓慢。
4.最近，在线迁移学习(otl)将在线学习动态更新分类模型与迁移学习能够有效利用源域知识的优点相结合，提前收集有标记的源域数据，并以在线方式分多轮接收目标域数据，每轮只接收一个目标样本。现有的在线迁移学习方法侧重于利用源领域的知识在目标领域进行在线学习。zhao等采用基于集成学习的策略，利用源域数据训练分类器，通过不断调整组合权值使分类器适应新的数据。kang等提出多类分类在线迁移学习算法(otlamc)，设计了新的损失函数和更新方法，将二分类的在线迁移学习拓展至多类当中。wu等提出了一种多源在线迁移学习算法(otlms)，通过自适应源域选择方法，在otl过程中迁移多个源域知识。du等提出了一种具有在线分布差异最小化的同构在线迁移学习(homotl-oddm)算法，用于减少多个域之间的边缘分布和条件分布差异。


技术实现要素：

5.由于bci在线应用需要同时满足实时性和准确性，减少算法的计算复杂度和单次识别时处理数据的大小，本发明提出了一种基于欧式空间在线领域对齐方法，称作在线欧
式空间对齐算法(oea)，并基于该方法设计了一种基于样本迁移的在线脑电分类方法。
6.本发明包括以下步骤：
7.步骤(1)：脑电信号预处理。首先使用[8，30]hz带通滤波器进行滤波，以去除肌肉伪迹，噪音污染等，然后提取动作提示箭头出现后的[0.5，3.5]秒之间的eeg信号，作为数据集样本。
[0008]
步骤(2)：对每个样本在线欧式空间对齐。将目标域(测试)单个样本对齐到源域(训练)空间，并在每次加入新样本时，都对其协方差矩阵进行更新，使其分布与源域空间更加相似。
[0009]
步骤(3)：采用共空间模式(csp)算法对步骤(2)对齐后的目标域脑电信号进行滤波，并提取其特征向量。
[0010]
步骤(4)：预测样本标签和更新分类权重。在线分类器和离线分类器结合后，对样本进行预测分类，并与真实标签进行比较，不断更新分类器权重，之后通过不同的权重将两个分类器结合，来预测标签信息。
[0011]
步骤(5)：计算损失函数并更新在线分类器。通过真实标签计算损失函数，利用损失函数变化不断更新在线分类器。
[0012]
本发明与paio和ea-csp-lda方法比，具有如下优点：
[0013]
与paio方法相比，本发明利用了在线迁移学习的优势，有效利用己有数据来提高数据的复用性，并减少不同受试者的个体差异，提升分类精度；与ea-csp-lda相比，本发明采用同构在线迁移学习算法，不仅可以在线动态更新分类模型，还能够有效利用源域数据，更适合用于在线bci分类，获得更高的分类精度和更快的运行速度。与其他方法ca-jda,ra-mdrm相比，本发明提出在线欧式对齐方法，更适合脑电信号在线预对齐，获得的分类精度更优，并且占用内存和运行时间更少。
附图说明
[0014]
图1为本发明方法的流程图；
[0015]
图2为bci competitionⅳdatasetⅰ上在线分类准确率随样本数量变化曲线；
[0016]
图3为bci competitionⅳdatasetⅱa上在线分类准确率随样本数量变化曲线。
具体实施方式
[0017]
下面结合附图详细描述本发明。
[0018]
在脑机接口领域，离线应用是验证信号的处理和分析算法，在线应用则需要在准确识别的同时，满足对算法的实时性和稳定性要求，同时应该减少算法的计算复杂度和单次识别时处理数据的大小。为了解决这些问题，本发明提出了基于样本迁移的在线脑电分类(online eeg classification based on instance transfer,oecit)方法，并将其应用于脑电信号的在线识别与分类，图1为本发明流程图。
[0019]
如图1，本发明方法的实施主要包括5个步骤：(1)脑电信号预处理；(2)对每个样本进行在线欧式空间对齐；(3)采用csp算法对步骤(2)对齐后的目标域脑电信号进行滤波，并提取其特征向量；(4)预测样本标签和更新分类权重；(5)计算损失函数并更新在线分类器。
[0020]
下面逐一对各步骤进行详细说明。
[0021]
步骤(1)：脑电信号预处理。
[0022]
首先使用带通滤波器在[8，30]hz的频率滤波，以去除肌肉伪迹，噪音污染等。之后提取动作提示箭头出现后的[0.5，3.5]秒之间的eeg信号，作为数据集样本。
[0023]
步骤(2)：对每个样本进行在线欧式空间对齐。
[0024]
具体是：假设目标域一共有k个样本，为{(xk,yk)|k＝1,...,k}。在第k轮，有样本(xk,yk)输入，目标域信号矩阵更新为：
[0025]
xk＝(x
1 x2…
xk)
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0026]
求取其协方差矩阵的算数平均值为
[0027][0028]
其中，nk为第k轮样本总数，x
k,i
为第k轮第i次目标域信号矩阵，为第k轮目标域样本欧几里得均值，对目标域空间进行如下变换，
[0029][0030]
其中，xk为第k轮的目标域信号矩阵，为第k轮对齐后的目标域信号矩阵。
[0031]
每次样本的加入，会使协方差矩阵的算术平均值更新，通过每一轮样本进行变换，使测试数据的协方差矩阵的分布越来越相近。
[0032]
步骤(3)：采用csp算法对步骤(2)对齐后的目标域脑电信号进行滤波，并提取其特征向量。
[0033]
具体是：给定一条n通道的时空脑电信号x，其中x是一个n
×
t矩阵，t表示每个通道的样本数。eeg的归一化协方差矩阵如下所示
[0034][0035]
每个类别的协方差矩阵c1和c2，可以通过样本均值来计算。csp的投影矩阵是
[0036]wcsp
＝u
t
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0037]
其中u是正交矩阵，p是白化特征矩阵。经过投影矩阵w
csp
滤波后，可得特征矩阵
[0038]
z0＝w
cspt
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0039]
取特征矩阵的前m行和后m行构建矩阵z＝(z
1 z2…z2m
)∈rn×
2m
，进行归一化处理后可得到特征向量f＝(f
1 f2…f2m
)
t
∈r
2m
×1。
[0040]
步骤(4)：预测样本标签和更新分类权重。在线分类器和离线分类器结合后，对样本进行预测分类，并与真实标签进行比较，不断更新分类器权重，之后通过不同的权重将两个分类器结合，来预测标签信息。
[0041]
具体是：第k轮，给定一个样本xk，在在线欧式空间对齐和特征提取后，得到特征通过以下预测函数预测其类标签：
[0042][0043]
其中wk为第k轮的目标域分类器，v是源域分类器，α
1,k
为第k轮目标域分类器加权参数，α
2，k
为第k轮源域分类器加权参数。在线迁移任务开始时，初始化为了后
续样本进行有效的迁移，通过以下对冲算法更新权重：
[0044][0045]
其中，θ
1，k
和θ
2，k
为权重参数，初始化θ
1，1
＝θ
2，1
＝1；β∈(0，1)是一个折扣权重参数，用于惩罚在每个学习步骤执行错误预测的分类器，表示相应的分类器对样本特征的预测是否出错，ii是一个判断函数，如果括号内的条件成立，则等于1，否则为0。
[0046]
步骤(5)：计算损失函数并更新分类器。通过真实标签计算损失函数，利用损失函数变化不断更新在线分类器。在得出预测结果并进行下一轮预测之前，需要更新分类器。
[0047]
具体是：通过真实标签yk＝{-1， 1}来获得损失函数：
[0048][0049]
当lk＞0时，第k 1轮目标域分类器为
[0050][0051]
其中为拉格朗日乘子，c为权衡参数。
[0052]
为了验证本发明方法的有效性，将在模拟在线场景下进行评估，同时本发明与paio、ea-csp-lda、ca-jda、ra-mdrm等方法在bci competition iv dataset i和ii a上进行性能比较，通过测试分类准确率和消耗时间来衡量本发明的可行性。
[0053]
选用bci竞赛公开数据bci competitioniv dataset i：数据集由7名健康受试者的脑电数据组成。每个受试者的数据由受试者的左手、右手和脚三个类别中选择两个类别运动想象的脑电图组成，每类有100次试验。每次实验信号均使用59个电极进行记录，电极位置采用国际10/20系统。59个通道的eeg信号和被记录并以100hz采样。bci competitionⅳdatasetⅱa：数据集由9名健康受试者的脑电数据组成。每个受试者的数据由一个受试者的左手、右手、脚和舌头四类运动想象的脑电图组成。每次实验信号均使用25个电极进行记录，电极位置采用国际10/20系统。22个通道的eeg信号和3个通道的eog信号被记录并以250hz采样。本实施例只选择了两类(左手和右手)数据进行测试，每类有72次试验。
[0054]
对每一个数据集，采用留一法确定目标受试者和源受试者，即每次试验选取一个受试者作为目标受试者，其他为源受试者，直到所有受试者都经过一轮选择。实验开始时，只有源受试者的数据，而没有目标受试者数据，利用源受试者的数据先构建离线模型。为了模拟在线过程，对于目标受试者的数据进行20次随机排列，进行20次在线测试，最终取20次结果的平均值。
[0055]
表1和2给出了不同算法在两个数据集的性能表现，对两个数据集共16名受试者，ca-jda算法的表现最差，其次是ra-mdrm，表现最好的是ea-csp-lda，这表明ea算法更适合用于在线预对齐处理。ea csp lda的迁移方法在要优于基准算法paio，但分类结果并没有取得最好的性能，这说明了开发在线更新分类器的重要性。
[0056]
通过结合同质在线迁移算法提出了oecit
‑ⅰ
和oecit
‑ⅱ
算法，oecit
‑ⅱ
算法与oecit
‑ⅰ
算法相比，改变了权重更新和标签预测方法，拥有更高的在线分类精度，并在大部分受试者中都获得了最好的性能，说明oecit
‑ⅱ
权值更新方法在脑电数据在线分类中能更
够有效地迁移源域知识。在所有算法中oecit
‑ⅱ
算法的平均准确率为最高，这意味着通过结合在线预对齐和在线迁移学习算法，能够提高迁移学习算法的在线分类性能。
[0057]
表1 dataset
ꢀⅰ
数据集上的在线分类准确率比较
[0058][0059]
表2 datasetⅱa数据集上的在线分类准确率比较
[0060][0061]
表3比较了几种算法在计算耗费时间上的差异，可以观察到，ra-mdrm和ca-jda算法耗时都过长，paio作为在线算法耗时最少。oecit因为增加了在线预处理的步骤，耗时比paio要多；而相较于ea-csp-lda算法，oecit要快1.27-1.37倍，且不同数据集上耗时的方差更小。
[0062]
表3 不同算法的分类耗时比对
[0063][0064]
图2和图3是对mi 1和mi 2的数据集进行样本分析的结果，分别显示出了每种算法在目标受试者上的学习过程中平均正确率变化的细节，误差线表示正确率的标准差。由于一开始进入样本数量较少，存在标准差较大的情况，随着样本数不断增加，标准差会越来越小。在两个数据集共16名受试者中，oecit
‑ⅰ
和oecit
‑ⅱ
在14名受试者上的平均准确率变化
都比ea-csp-lda更好，说明带有加权更新策略的算法更适合进行在线分类。相似的观察结果表明，这两种算法在接收到少量的样本(例如少于100个样本)后性能最好，这意味着这两种算法所采用的策略可以有效地将所学知识从源域在线迁移到目标域，再次验证了oecit方法的在线学习效率。
[0065]
综上，本发明提出了基于样本迁移的在线脑电分类方法，通过在线欧式对齐方法，动态地减少源域和目标域的分布差异，同时利用同质在线迁移学习方法，在线动态更新分类模型。本发明结合了领域对齐和在线迁移的优点，提高了在线分类的准确率。