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！

摘要：本发明公开了一种源域可迁移性自适应学习的言语想象脑电解码方法。该方法的具体步骤包括：首先采集被试者和解码对象在不同言语想象任务下的脑电数据，其次对数据进行预处理得到样本矩阵，然后基于源域可迁移性自适应学习的言语想象脑电解码模型迭代得到标签矩阵，最终完成言语想象脑电解码。本发明通过将源域和目标域映射至子空间来最大程度上减小域间的差异，双映射矩阵在目标函数迭代过程中不断优化使得域间差异缩小；同时本发明引入样本权重系数矩阵量化表示了源域样本的可迁移性，在目标函数迭代过程中，促使源域高可迁移性样本在模型学习过程中发挥更大的作用，解决了言语想象脑电解码领域中因存在负面样本而造成言语想象脑电解码不准确的问题。

主权项：1.一种源域可迁移性自适应学习的言语想象脑电解码方法，其特征在于：包括以下步骤：步骤1、在不同言语想象任务下，采集一个或多名被试者的带标签的脑电数据，以及解码对象的无标签的脑电数据；步骤2、对步骤1采集得到的脑电数据进行预处理和特征提取，得到源域样本矩阵Xs和目标域样本矩阵Xt；步骤3、构建描述各源域样本可迁移性的样本权重系数矩阵Θ并将其引入双映射主动域适应模型；将双映射主动域适应模型和半监督标签传播模型联合至一个统一框架，得到言语想象脑电解码模型；言语想象脑电解码模型的目标函数如下： 其中，X＝[Xs；Xt]，Ps表示源域映射矩阵；Pt表示目标域映射矩阵；Θ表示样本权重系数矩阵；是增广源域样本的软标签；是增广目标域样本的软标签；Ns、Nt均为对角矩阵，其第i个对角元素为第i类源域、目标域样本数量的倒数；S是最优结构化二部图关联矩阵；B是原始结构化二部图关联矩阵；H表示中心散射矩阵；Tr·表示矩阵的迹运算；L为拉普拉斯矩阵；F＝[Fs；Ft]为标签矩阵；c为脑电状态类型的个数；α和λ为正则化参数项；ns表示源域样本数量；nt表示目标域样本数量；表示Frobenius范数的计算；构建言语想象脑电解码模型的具体过程为：步骤3.1、采用最大均值差异策略作为子空间中源域和目标域之间分布差异的度量准则，建立双映射主动域适应模型： 步骤3.2、建立基于结构化二部图的半监督标签传播模型： 步骤3.3、联合步骤3.1和步骤3.2构建的两个模型，得到言语想象脑电解码模型的目标函数；步骤4、根据步骤3中建立的目标函数，对言语想象脑电解码模型中的参数进行联合迭代优化，并得到优化后的目标域标签矩阵Ft；所述的联合迭代优化是对双映射矩阵P＝[Ps；Pt]、样本权重系数矩阵Θ、结构化二部图关联矩阵S及目标域标签矩阵Ft进行联合迭代优化；步骤5、根据步骤4得到的目标域标签矩阵Ft获得解码对象在脑电采集时的言语想象具体类型。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种源域可迁移性自适应学习的言语想象脑电解码方法