CN111544256A - 基于图卷积和迁移学习的脑控智能全肢体康复方法 - Google Patents

基于图卷积和迁移学习的脑控智能全肢体康复方法 Download PDF

Info

Publication number
CN111544256A
CN111544256A CN202010364732.4A CN202010364732A CN111544256A CN 111544256 A CN111544256 A CN 111544256A CN 202010364732 A CN202010364732 A CN 202010364732A CN 111544256 A CN111544256 A CN 111544256A
Authority
CN
China
Prior art keywords
graph
electroencephalogram
domain
transfer learning
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010364732.4A
Other languages
English (en)
Inventor
高忠科
洪晓林
马锴
马文庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Furuilong Metal Products Co ltd
Tianjin University
Original Assignee
Tianjin Furuilong Metal Products Co ltd
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Furuilong Metal Products Co ltd, Tianjin University filed Critical Tianjin Furuilong Metal Products Co ltd
Priority to CN202010364732.4A priority Critical patent/CN111544256A/zh
Publication of CN111544256A publication Critical patent/CN111544256A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
    • A61H1/02—Stretching or bending or torsioning apparatus for exercising
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2230/00—Measuring physical parameters of the user
    • A61H2230/08—Other bio-electrical signals
    • A61H2230/10—Electroencephalographic signals
    • A61H2230/105—Electroencephalographic signals used as a control parameter for the apparatus

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Pain & Pain Management (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Rehabilitation Therapy (AREA)
  • Epidemiology (AREA)
  • Psychology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

一种基于图卷积和迁移学习的脑控智能全肢体康复方法，包括：构建脑电信号数据的目标域和源域；构建脑网络矩阵和节点特征，并作为图模型数据；构建图卷积迁移学习模型；构建图卷积迁移学习模型的损失函数；输入源域图模型数据和目标域图模型数据对图卷积迁移学习模型进行训练；通过脑电采集装置采集被试者的脑电数据并构建图模型，将图模型输入优化完毕的图卷积迁移学习模型，在多类脑电任务上进行识别；当识别出脑电类别所对应的被试者运动意图后，通过脑控智能全肢体康复设备的外骨骼康复器械协助被试者执行相应的肢体动作，完成康复训练。本发明通过脑控智能全肢体康复设的外骨骼康复器械协助使用者完成康复训练。

Description

基于图卷积和迁移学习的脑控智能全肢体康复方法
技术领域
本发明涉及一种脑控智能全肢体康复方法。特别是涉及一种基于图卷积和迁移学习的脑控智能全肢体康复方法。
背景技术
随着社会与科技的发展，人们对自身健康状况日益重视，同时也对医疗技术方面提出更高的要求，比如关于脑疾病的医疗手段。由于人脑具有高度复杂的结构和功能，人们希望通过理解大脑的运转机制来了解一些脑疾病的病理特征以及对应的诊断方法，如阿尔茨海默症(Alzheimer’s disease,AD)、抑郁症(Major Depressive Disorder，MDD)以及帕金森氏症(Parkinson’s disease,PD)等。因此，世界各国在该方面的研究也投入了大量的物力和人力，如美国与欧盟的大脑研究计划。脑电图是一种反应大脑活动时电波变化的多通道时序信号，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映，与人类生命的健康息息相关。近些年来，基于脑电图的研究取得了丰硕的成果，被广泛应用于脑科学临床实践当中，也为进一步对神经性疾病的早期诊断及治疗提供了新的途径。因此，研究如何基于脑电图进行分类，对于临床神经学研究和人体健康都具有非常重要的意义。根据已有的研究表明，脑电图在空间维上具有一定的同步性和异步性，在时间维度上具有一定的规律性，这些都集中反映了大脑在特定状态下的活动状况，因此，揭示脑电在空间上的耦合性和时间上的依赖性对于脑电分类至关重要。同时，由于脑电图具有多样性，即使是同一个体，在不同时间段下对于同一事件的反应所表现出来的脑电波也存在不同程度的差异，这使得将基于已有数据所构建的分类模型在实际应用中可能出现分类性能大幅降低的情况，因而从脑电图中提取出具有跨域不变性的特征对提升分类模型泛化性能具有重要作用。
发明内容
本发明所要解决的技术问题是，提供一种用于从脑电图中提取具有跨域不变性和可分性的脑电特征，提升分类模型泛化性能，解决脑电分类问题的基于图卷积和迁移学习的脑控智能全肢体康复方法。
本发明所采用的技术方案是：一种基于图卷积和迁移学习的脑控智能全肢体康复方法，包括如下步骤：
1)构建脑电信号数据的目标域和源域
2)构建脑网络矩阵和节点特征，并作为图模型数据；
3)构建图卷积迁移学习模型；
4)构建图卷积迁移学习模型的损失函数；
5)输入源域图模型数据和目标域图模型数据对图卷积迁移学习模型进行训练；
6)通过脑电采集装置采集被试者的脑电数据并构建图模型，将图模型输入优化完毕的图卷积迁移学习模型，在多类脑电任务上进行识别；当识别出脑电类别所对应的被试者运动意图后，通过脑控智能全肢体康复设备的外骨骼康复器械协助被试者执行相应的肢体动作，完成康复训练。
本发明的基于图卷积和迁移学习的脑控智能全肢体康复方法，具有如下有益效果：
(1)提出了一种基于图卷积和迁移学习的图卷积迁移学习模型；
(2)该方法有望与康复医疗相结合，用于对脑卒中使用者的脑电信号进行识别，辨识使用者运动意图，并通过脑控智能全肢体康复设的外骨骼康复器械协助使用者完成康复训练。
附图说明
图1是本发明基于图卷积和迁移学习的脑控智能全肢体康复方法的流程图；
图2是本发明中图卷积迁移学习模型结构图。
具体实施方式
下面结合实施例和附图对本发明的基于图卷积和迁移学习的脑控智能全肢体康复方法做出详细说明。
如图1所示，本发明的基于图卷积和迁移学习的脑控智能全肢体康复方法，包括如下步骤：
1)构建脑电信号数据的目标域和源域，具体是将新被试者的脑电信号数据作为迁移学习的目标域样本，已有的被试者脑电信号数据作为迁移学习的源域样本。
2)构建脑网络矩阵和节点特征，并作为图模型数据；包括：
(1)对目标域和源域中的每个数据长度为M的N个通道脑电信号进行预处理，其中包括去眼电、进行4～38Hz带通滤波，得到预处理后的脑电信号；
(2)针对每个预处理后的脑电信号，根据信号间的同步锁相值确定不同脑区之间的功能性连接，对于给定通道x和通道y的脑电信号，它们之间的同步锁相值计算公式如下：
Figure BDA0002476177040000021
其中，
Figure BDA0002476177040000022
和
Figure BDA0002476177040000023
分别表示通道x和通道y的脑电信号瞬时相位值，i表示一个通道的脑电信号的第i个片段，p表示片段个数，Axy表示x通道和y通道之间的同步锁相值，最终构建出能够反映不同脑区活动时的相位同步性特征的脑网络矩阵A，所述脑网络矩阵A上的元素表示各个脑区之间活动状态的同步性；
(3)对每个通道的预处理后的脑电信号进行特征提取，分别提取α波段、β波段、γ波段、δ波段及θ波段共五个的波段功率谱密度特征；
(4)定义每个脑电信号的图模型G＝(V,E),图模型包含N个节点V、节点之间的连边和节点特征，每一个节点对应一个脑电通道，节点之间的连边由脑电通道间的同步锁相值确定，每个节点特征由5个波段的功率谱密度特征组成，每个图模型都是由一个脑电信号通过第(1)步、第(2)步和第(3)步得到，将基于源域样本得到的图模型记为源域图模型数据，将基于目标域样本得到的图模型记为目标域图模型数据。
3)构建图卷积迁移学习模型；包括：.
(1)构建图卷积网络作为图卷积迁移学习模型的特征提取器
将步骤2)得到的图模型数据送入图卷积神经网络中进行特征提取，所述图卷积神经网络包括5层，依次为第一图卷积层、第一图嵌入池化层、第二图卷积层、ReLU激活函数和第二图嵌入池化层构成；
采用图卷积层对当前节点特征及该节点相邻节点的节点特征进行加权求和，目的是初步聚类相似节点，图卷积定义了一个线性滤波器，经线性滤波器
Figure BDA0002476177040000031
得到如下输出：
Figure BDA0002476177040000032
其中，Vout和Vin为每个图卷积层的输出和输入，b为偏置；c为线性滤波器的个数；
每个图嵌入池化层用于激活每类相似节点中能够有效表征当前类别特征的代表节点，同时池化操作将节点数缩减为N′,每个图嵌入池化层输出的嵌入矩阵表达式如下：
Figure BDA0002476177040000033
其中，
Figure BDA0002476177040000034
表示图嵌入池化层的输入，m为图嵌入池化层输入的节点数；
采用ReLU激活函数使第二图卷积层的输出特征图数值非负，ReLU激活函数为：
g(f)＝max(0,f)
其中，f为图卷积层的输出特征图矩阵；
当图模型数据经过特征提取器后，提取出高度概括的特征数据；
(2)构建全连接神经网络作为图卷积迁移学习模型的分类器
全连接神经网络就由两级全连接层构成，输入端接收特征提取器输出的源域脑电信号的高度概括的特征数据，输出源域脑电信号的分类结果；
(3)构建图卷积迁移学习模型的域判别器
为了使图卷积神经网络能够提取出具有域不变性的脑网络特征，引入域判别器对图卷积神经网络所提取的特征进行约束，使得新被试者的脑电信号特征和已有被试者的脑电信号特征在数据分布上趋向一致。
域判别器是由梯度反转层、第一全连接层和第二全连接层依次连接构成，域判别器人输入端分别接收源域脑电信号高度概括特征数据和目标域脑电信号的高度概括特征数据，输出属于源域脑电信号特征和属于目标域脑电信号特征的概率。
4)构建图卷积迁移学习模型的损失函数；
所述的图卷积迁移学习模型的损失函数为L，包含分类损失函数Lce、域判别损失函数Ld和正则化项，表达式如下：
L＝Lce-αLd+λ‖Θ‖1
Figure BDA0002476177040000035
Figure BDA0002476177040000041
其中，α为平衡分类损失和域判别损失的超参数，λ为正则化项系数，‖Θ‖1为图卷积迁移学习模型参数的1-范数，c为分类任务的类别数，yi为源域样本的真实标签，
Figure BDA0002476177040000042
为分类器对源域脑电信号特征的预测标签，pi为脑电信号特征对应的真实域标签，
Figure BDA0002476177040000043
为域判别器对源域脑电信号特征和目标域脑电信号特征预测的域标签；当pi＝0时，则表示输入的脑电信号特征属于源域，当pi＝1时，则表示输入的脑电信号特征属于目标域。
5)输入源域图模型数据和目标域图模型数据对图卷积迁移学习模型进行训练；
是将源域图模型数据和目标域图模型数据输入图卷积迁移学习模型进行迭代训练优化，并通过反向传播方法和图卷积迁移学习模型的损失函数对图卷积迁移学习模型进行优化；具体包括：
输入源域图模型数据进入特征提取器进行特征提取，形成源域特征，并将源域特征送入分类器进行脑电信号分类，同时利用分类损失函数的计算公式计算出分类损失；同时，输入目标域图模型数据进入特征提取器进行特征提取，形成目标域特征，并将源域特征和目标域特征输入域判别器进行二分类，同时利用域判别损失函数的计算公式计算出域判别损失；最后利用图卷积迁移学习模型的损失函数的计算公式计算出整个图卷积迁移学习模型的分类误差，并通过反向传播方法与小批量梯度下降法进行误差传播及参数更新，在优化过程中，分类损失只在源域图模型数据上进行计算，不断重复该优化过程中对图卷积迁移学习模型的参数进行迭代更新，直至满足图卷积迁移学习模型的收敛条件。
6)通过脑控智能全肢体康复设备的脑电采集装置采集被试者的脑电数据并构建图模型，将图模型输入优化完毕的图卷积迁移学习模型，在多类脑电任务上进行识别；当识别出脑电类别所对应的被试者运动意图后，通过脑控智能全肢体康复设备的外骨骼康复器械协助被试者执行相应的肢体动作，完成康复训练。
本发明所述的脑控智能全肢体康复设备，可采用目前已有的产品：无线脑电肌电系统eegomylab，或无线脑电肌电系统Eegosports88，或eCon无线脑电采集设备+eConHand手功能康复设备，或四肢联动智能反馈训练系统AL450。
本发明的基于图卷积和迁移学习的脑控智能全肢体康复方法的应用在于，基于脑控智能全肢体康复设备获取的被试者脑电数据，采用本发明的方法，可监测被试者运动意图，并通过脑控智能全肢体康复设备的外骨骼康复器械协助被试者完成康复训练。
本发明的基于图卷积和迁移学习的脑控智能全肢体康复方法，通过图卷积迁移学习模型从脑网络中提取出可分性的脑电时空特征，使用域判别对抗学习的迁移学习方法，使得提取出来的脑电特征具有域不变性，解决了基于已有被试者的脑电数据训练的分类模型在新被试者的脑电数据上泛化性能差的问题，并可应用于偏瘫患者的全肢体康复。以运想象EEG信号识别为研究实例：从10个人中采集4类脑电信号，其中A类：被试者想象左手运动时的脑电数据，B类：被试者想象右手运动时的脑电信号，C类：被试者想象双脚运动时的脑电信号，D类：被试者想象舌头运动时的脑电信号。每个人的电极放置方式均采用10-20国际标准放置，采样频率为250Hz，采样时间为4.0秒。采用本发明的基于图卷积和迁移学习的脑控智能全肢体康复方法，对4类数据进行分类，区分被试者在想象不同肢体运动时的脑电信号，实现运动意图辨识的目的。
以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。

Claims (6)

1.一种基于图卷积和迁移学习的脑控智能全肢体康复方法，其特征在于，包括如下步骤：
1)构建脑电信号数据的目标域和源域
2)构建脑网络矩阵和节点特征，并作为图模型数据；
3)构建图卷积迁移学习模型；
4)构建图卷积迁移学习模型的损失函数；
5)输入源域图模型数据和目标域图模型数据对图卷积迁移学习模型进行训练；
6)通过脑电采集装置采集被试者的脑电数据并构建图模型，将图模型输入优化完毕的图卷积迁移学习模型，在多类脑电任务上进行识别；当识别出脑电类别所对应的被试者运动意图后，通过脑控智能全肢体康复设备的外骨骼康复器械协助被试者执行相应的肢体动作，完成康复训练。
2.根据权利要求1所述的基于图卷积和迁移学习的脑控智能全肢体康复方法，其特征在于，步骤1)是将新被试者的脑电信号数据作为迁移学习的目标域样本，已有的被试者脑电信号数据作为迁移学习的源域样本。
3.根据权利要求1所述的基于图卷积和迁移学习的脑控智能全肢体康复方法，其特征在于，步骤2)包括：
(1)对目标域和源域中的每个数据长度为M的N个通道脑电信号进行预处理，其中包括去眼电、进行4～38Hz带通滤波，得到预处理后的脑电信号；
(2)针对每个预处理后的脑电信号，根据信号间的同步锁相值确定不同脑区之间的功能性连接，对于给定通道x和通道y的脑电信号，它们之间的同步锁相值计算公式如下：
Figure FDA0002476177030000011
其中，
Figure FDA0002476177030000012
和
Figure FDA0002476177030000013
分别表示通道x和通道y的脑电信号瞬时相位值，i表示一个通道的脑电信号的第i个片段，p表示片段个数，Axy表示x通道和y通道之间的同步锁相值，最终构建出能够反映不同脑区活动时的相位同步性特征的脑网络矩阵A，所述脑网络矩阵A上的元素表示各个脑区之间活动状态的同步性；
(3)对每个通道的预处理后的脑电信号进行特征提取，分别提取α波段、β波段、γ波段、δ波段及θ波段共五个的波段功率谱密度特征；
(4)定义每个脑电信号的图模型G＝(V,E),图模型包含N个节点V、节点之间的连边和节点特征，每一个节点对应一个脑电通道，节点之间的连边由脑电通道间的同步锁相值确定，每个节点特征由5个波段的功率谱密度特征组成，每个图模型都是由一个脑电信号通过第(1)步、第(2)步和第(3)步得到，将基于源域样本得到的图模型记为源域图模型数据，将基于目标域样本得到的图模型记为目标域图模型数据。
4.根据权利要求1所述的基于图卷积和迁移学习的脑控智能全肢体康复方法，其特征在于，步骤3)包括：.
(1)构建图卷积网络作为图卷积迁移学习模型的特征提取器
将步骤2)得到的图模型数据送入图卷积神经网络中进行特征提取，所述图卷积神经网络包括5层，依次为第一图卷积层、第一图嵌入池化层、第二图卷积层、ReLU激活函数和第二图嵌入池化层构成；
采用图卷积层对当前节点特征及该节点相邻节点的节点特征进行加权求和，目的是初步聚类相似节点，图卷积定义了一个线性滤波器，经线性滤波器
Figure FDA0002476177030000021
得到如下输出：
Figure FDA0002476177030000022
其中，Vout和Vin为每个图卷积层的输出和输入，b为偏置；c为线性滤波器的个数；
每个图嵌入池化层用于激活每类相似节点中能够有效表征当前类别特征的代表节点，同时池化操作将节点数缩减为N′,每个图嵌入池化层输出的嵌入矩阵
Figure FDA0002476177030000023
表达式如下：
Figure FDA0002476177030000024
其中，
Figure FDA0002476177030000025
表示图嵌入池化层的输入，m为图嵌入池化层输入的节点数；
采用ReLU激活函数使第二图卷积层的输出特征图数值非负，ReLU激活函数为：
g(f)＝max(0,f)
其中，f为图卷积层的输出特征图矩阵；
当图模型数据经过特征提取器后，提取出高度概括的特征数据；
(2)构建全连接神经网络作为图卷积迁移学习模型的分类器
全连接神经网络就由两级全连接层构成，输入端接收特征提取器输出的源域脑电信号的高度概括的特征数据，输出源域脑电信号的分类结果；
(3)构建图卷积迁移学习模型的域判别器
域判别器是由梯度反转层、第一全连接层和第二全连接层依次连接构成，域判别器人输入端分别接收源域脑电信号高度概括特征数据和目标域脑电信号的高度概括特征数据，输出属于源域脑电信号特征和属于目标域脑电信号特征的概率。
5.根据权利要求1所述的基于图卷积和迁移学习的脑控智能全肢体康复方法，其特征在于，步骤4)中所述的图卷积迁移学习模型的损失函数为L，包含分类损失函数Lce、域判别损失函数Ld和正则化项，表达式如下：
L＝Lce-αLd+λ‖Θ‖1
Figure FDA0002476177030000026
Figure FDA0002476177030000031
其中，α为平衡分类损失和域判别损失的超参数，λ为正则化项系数，‖Θ‖1为图卷积迁移学习模型参数的1-范数，c为分类任务的类别数，yi为源域样本的真实标签，
Figure FDA0002476177030000032
为分类器对源域脑电信号特征的预测标签，pi为脑电信号特征对应的真实域标签，
Figure FDA0002476177030000033
为域判别器对源域脑电信号特征和目标域脑电信号特征预测的域标签；当pi＝0时，则表示输入的脑电信号特征属于源域，当pi＝1时，则表示输入的脑电信号特征属于目标域。
6.根据权利要求1所述的基于图卷积和迁移学习的脑控智能全肢体康复方法，其特征在于，步骤5)是将源域图模型数据和目标域图模型数据输入图卷积迁移学习模型进行迭代训练优化，并通过反向传播方法和图卷积迁移学习模型的损失函数对图卷积迁移学习模型进行优化；具体包括：
输入源域图模型数据进入特征提取器进行特征提取，形成源域特征，并将源域特征送入分类器进行脑电信号分类，同时利用分类损失函数的计算公式计算出分类损失；同时，输入目标域图模型数据进入特征提取器进行特征提取，形成目标域特征，并将源域特征和目标域特征输入域判别器进行二分类，同时利用域判别损失函数的计算公式计算出域判别损失；最后利用图卷积迁移学习模型的损失函数的计算公式计算出整个图卷积迁移学习模型的分类误差，并通过反向传播方法与小批量梯度下降法进行误差传播及参数更新，在优化过程中，分类损失只在源域图模型数据上进行计算，不断重复该优化过程中对图卷积迁移学习模型的参数进行迭代更新，直至满足图卷积迁移学习模型的收敛条件。
CN202010364732.4A 2020-04-30 2020-04-30 基于图卷积和迁移学习的脑控智能全肢体康复方法 Pending CN111544256A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010364732.4A CN111544256A (zh) 2020-04-30 2020-04-30 基于图卷积和迁移学习的脑控智能全肢体康复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010364732.4A CN111544256A (zh) 2020-04-30 2020-04-30 基于图卷积和迁移学习的脑控智能全肢体康复方法

Publications (1)

Publication Number Publication Date
CN111544256A true CN111544256A (zh) 2020-08-18

Family

ID=71999545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010364732.4A Pending CN111544256A (zh) 2020-04-30 2020-04-30 基于图卷积和迁移学习的脑控智能全肢体康复方法

Country Status (1)

Country Link
CN (1) CN111544256A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580436A (zh) * 2020-11-25 2021-03-30 重庆邮电大学 一种基于黎曼流形坐标对齐的脑电信号域适应方法
CN112580518A (zh) * 2020-12-22 2021-03-30 杭州电子科技大学 基于原型聚类域适应算法的跨被试eeg认知状态识别方法
CN112890827A (zh) * 2021-01-14 2021-06-04 重庆兆琨智医科技有限公司 一种基于图卷积和门控循环单元的脑电识别方法及系统
CN113729729A (zh) * 2021-08-13 2021-12-03 北京航空航天大学 基于图神经网络和脑网络的精神分裂症早期检测系统
CN114145744A (zh) * 2021-11-22 2022-03-08 华南理工大学 基于跨设备前额脑电情绪识别的方法和系统
CN114504730A (zh) * 2022-01-30 2022-05-17 天津大学 基于深度学习的便携式脑控手部电刺激康复系统
CN116883692A (zh) * 2023-06-06 2023-10-13 中国地质大学（武汉） 多光谱遥感图像的光谱特征提取方法、装置及存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580436A (zh) * 2020-11-25 2021-03-30 重庆邮电大学 一种基于黎曼流形坐标对齐的脑电信号域适应方法
CN112580436B (zh) * 2020-11-25 2022-05-03 重庆邮电大学 一种基于黎曼流形坐标对齐的脑电信号域适应方法
CN112580518A (zh) * 2020-12-22 2021-03-30 杭州电子科技大学 基于原型聚类域适应算法的跨被试eeg认知状态识别方法
CN112580518B (zh) * 2020-12-22 2024-04-05 杭州电子科技大学 基于原型聚类域适应算法的跨被试eeg认知状态识别方法
CN112890827A (zh) * 2021-01-14 2021-06-04 重庆兆琨智医科技有限公司 一种基于图卷积和门控循环单元的脑电识别方法及系统
CN113729729A (zh) * 2021-08-13 2021-12-03 北京航空航天大学 基于图神经网络和脑网络的精神分裂症早期检测系统
CN113729729B (zh) * 2021-08-13 2022-06-14 北京航空航天大学 基于图神经网络和脑网络的精神分裂症早期检测系统
CN114145744A (zh) * 2021-11-22 2022-03-08 华南理工大学 基于跨设备前额脑电情绪识别的方法和系统
CN114145744B (zh) * 2021-11-22 2024-03-29 华南理工大学 基于跨设备前额脑电情绪识别的方法和系统
CN114504730A (zh) * 2022-01-30 2022-05-17 天津大学 基于深度学习的便携式脑控手部电刺激康复系统
CN116883692A (zh) * 2023-06-06 2023-10-13 中国地质大学（武汉） 多光谱遥感图像的光谱特征提取方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN111544256A (zh) 基于图卷积和迁移学习的脑控智能全肢体康复方法
CN111568446B (zh) 结合人口学注意力机制的便携式脑电抑郁检测系统
CN110969108B (zh) 一种基于自主运动想象脑电的肢体动作识别方法
Li et al. Multi-modal bioelectrical signal fusion analysis based on different acquisition devices and scene settings: Overview, challenges, and novel orientation
CN112932502B (zh) 结合互信息通道选择与混合神经网络的脑电情感识别方法
CN111544856B (zh) 基于新型迁移学习模型的脑-肌电智能全肢体康复方法
CN111544855B (zh) 基于蒸馏学习和深度学习纯意念控制智能康复方法及应用
CN111584029B (zh) 基于判别式对抗网络的脑电自适应模型及在康复中的应用
CN105054928A (zh) 一种基于bci装置脑电波采集分析的情绪展示设备
CN114224342B (zh) 一种基于时空融合特征网络的多通道脑电信号情绪识别方法
CN111887858B (zh) 基于跨模态映射的心冲击图信号心率估计方法
CN103038772A (zh) 预测患者的存活性的方法
CN111860410A (zh) 基于多特征融合cnn的肌电手势识别方法
Wan et al. EEG fading data classification based on improved manifold learning with adaptive neighborhood selection
CN112488002B (zh) 基于n170的情绪识别方法及识别系统
Abibullaev et al. A brute-force CNN model selection for accurate classification of sensorimotor rhythms in BCIs
CN113723557A (zh) 一种基于多频带时空卷积网络的抑郁脑电分类系统
CN116058800A (zh) 基于深度神经网络与脑机接口的自动睡眠分期系统
Wang et al. Multiband decomposition and spectral discriminative analysis for motor imagery BCI via deep neural network
Sharma et al. Novel eeg based schizophrenia detection with iomt framework for smart healthcare
CN111543983B (zh) 一种基于神经网络的脑电信号通道选择方法
CN115414050A (zh) 一种实现情绪识别的eeg脑网络最大团检测方法及系统
Mitra et al. Analyzing clinical 12-lead ECG images using deep learning algorithms for objective detection of cardiac diseases
Chenane et al. EEG Signal Classification for BCI based on Neural Network
CN115154828A (zh) 一种基于脑机接口技术的大脑功能重塑方法、系统、设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200818

RJ01 Rejection of invention patent application after publication