买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北工业大学

摘要：本发明公开了一种基于平滑条件域对抗性训练的脑电信号分析方法，通过特征提取器确保模型获得的特征是有高质量信息的，平滑条件域对抗性训练保证对齐特征和类别的联合分布，从而提升了模型的迁移能力和分类能力；最后，通过迭代训练的方式使模型能够自主学习目标域上的分类边界。本发明提出的框架在MI解码上的性能优于其他传统深度学习和迁移学习方法，在迁移有效特征的同时提高了迁移特征的判别性。本发明模型具有跨会话解码能力，对实现在线脑状态推理的潜力很大。

主权项：1.一种基于平滑条件域对抗性训练的脑电信号分析方法，其特征在于，包括如下步骤：步骤1：将脑电信号进行滤波得到域通用特征和域特定特征；将源域和目标域的脑电信号xs和xt分别进行低频段和高频段的滤波；再将两个波段的数据通过共享权重的交互式频率卷积F后相加，再经过时序池化层得到域通用特征；然后源域和目标域的数据分别通过不共享权重的通道注意力模块A得到域特定特征fs和ft；步骤2：生成伪标签并选择性去除异常值；将目标域特征ft经过两个分类器C1和C2后得到两个分类概率，如果两个概率中的最高类别概率均大于0.8并且其对应的类别属于同一类时，则该类别被确定为目标域上的伪标签；如果生成的伪标签比例大于原始目标域样本比例的50％时，则其在下一次迭代过程中被用于计算目标域上的分类损失；反之，则对原始目标域样本使用基于密度的空间聚类算法去除信号中的异常值，提高信号质量；将源域特征同样经过两个分类器后得到两个分类概率，通过分类概率及其对应的标签计算交叉熵得到分类损失和计算公式如下： 其中，xs和和xt是源域和目标域的脑电信号，py|xs和py|xt是给定xs和xt时的分类概率，Ps和Pt是源域和目标域的分布，是源域中所有标签为k的样本进行求和，是目标域中所有伪标签标签为k的样本进行求和；所述分类器由带有激活函数的多层感知机构成，源域和目标域的数据共享权重；步骤3：计算生成对抗损失；将fs和ft经过两个分类器后得到分类概率的平均值作为类别预测概率gs和gt；接着，通过多线性影射操作得到特征和概率的联合分布hs和ht，计算公式如下： 其中，T是多线性影射操作，fs和ft是源域和目标域的域特定特征，gs和gt是源域和目标域的类别预测概率，hs和ht是源域和目标域的特征和概率的联合分布；将hs和ht送入由带有激活函数的多层感知机构成的域判别器D中来计算对抗损失具体公式如下： 接着，对fs和ft进行奇异值分解得到和并使用和计算批谱惩罚损失BSP，计算公式如下： 其中，Us是正交矩阵，该矩阵的每一个列向量都是的特征向量；Ut是正交矩阵，该矩阵的每一个列向量都是的特征向量；Vs是正交矩阵，该矩阵的每一个列向量都是的特征向量，Vt是正交矩阵，该矩阵的每一个列向量都是的特征向量；∑s是的特征值开根号；∑t是的特征值开根号；σs，i和σs，j为∑s和∑t第i个最大的特征值；步骤4：平滑域对抗性训练；采用尖锐感知最小化SAM对目标函数进行优化，任务损失的计算公式如下： 其中，θ是F、A、C1和C2的参数，ρ≥0是定义最大范数∈的超参数；最后，采用极大极小min-max优化的方式训练模型，使得模型能够更加有效地分类测试数据，计算公式如下： 其中，Φ是指D的参数。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于平滑条件域对抗性训练的脑电信号分析方法