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 PDFInfo
- 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
Links
- 238000013526 transfer learning Methods 0.000 title claims abstract description 57
- 210000004556 brain Anatomy 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 230000005012 migration Effects 0.000 claims abstract description 11
- 238000013508 migration Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000009471 action Effects 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001360 synchronised effect Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 2
- 208000018737 Parkinson disease Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ZAKOWWREFLAJOT-CEFNRUSXSA-N D-alpha-tocopherylacetate Chemical compound CC(=O)OC1=C(C)C(C)=C2O[C@@](CCC[C@H](C)CCC[C@H](C)CCCC(C)C)(C)CCC2=C1C ZAKOWWREFLAJOT-CEFNRUSXSA-N 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
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:
其中,和分别表示通道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;
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:
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
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,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,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:
其中,和分别表示通道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;
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;
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
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。
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)
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 |
-
2020
- 2020-04-30 CN CN202010364732.4A patent/CN111544256A/zh active Pending
Cited By (11)
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 |