CN111832427B - 基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法和系统 - Google Patents

基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法和系统 Download PDF

Info

Publication number
CN111832427B
CN111832427B CN202010578377.0A CN202010578377A CN111832427B CN 111832427 B CN111832427 B CN 111832427B CN 202010578377 A CN202010578377 A CN 202010578377A CN 111832427 B CN111832427 B CN 111832427B
Authority
CN
China
Prior art keywords
user
new user
matrix
alignment
electroencephalogram
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.)
Active
Application number
CN202010578377.0A
Other languages
English (en)
Other versions
CN111832427A (zh
Inventor
伍冬睿
夏坤
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202010578377.0A priority Critical patent/CN111832427B/zh
Publication of CN111832427A publication Critical patent/CN111832427A/zh
Application granted granted Critical
Publication of CN111832427B publication Critical patent/CN111832427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Dermatology (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Human Computer Interaction (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法和系统，属于基于运动想象的脑机接口领域。包括：对以往用户和新用户特征矩阵进行协方差对齐；对以往用户和新用户的特征矩阵进行均值对齐；根据以往用户的标签和均值对齐后以往用户的特征矩阵，计算以往用户的类别中心，根据新用户的伪标签和均值对齐后的新用户的特征矩阵，计算新用户的类别中心；构建以往用户和新用户类别中心矩阵，通过正交普氏分析方法，计算将新用户的类别中心与对应以往用户的类别中心对齐的旋转矩阵；将均值对齐后的新用户的特征矩阵和旋转矩阵相乘，得到最终对齐的新用户数据。

Description

基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法 和系统
技术领域
本发明属于基于运动想象的脑机接口领域，更具体地，涉及基于欧氏对齐和Procrustes分析(普氏分析)的EEG(脑电信号)分类的迁移学习方法和系统。
背景技术
迁移学习是在目标任务没有或仅有少量的标注数据的情况下，利用相关的其他任务的带标注的数据来提高学习性能。例如，在基于运动想象的脑机接口领域中，由于不同用户之间的差异较大，基于以往用户数据训练的系统很难正确判断新用户的意图。因此，新用户在使用前需要经历冗长的校准过程。然而，以往的用户数据对于新用户的数据分类还是有帮助的，所以迁移学习可以利用以往的用户数据来提升系统在新用户上的表现。
目前已经有一些研究将迁移学习应用到基于运动想象的脑机接口系统的脑电信号的分类中。I.Hossain等人2016年提出一种迁移学习方法，挑选以往用户中与新用户最相关的数据，用于训练针对新用户的分类器。P.Zanini等人2018年提出一种黎曼空间的中心化方法，通过将所有用户所对应的信号的协方差矩阵的黎曼矩阵进行对齐从而实现迁移。H.He等人2020年提出一种欧氏空间的中心化方法，通过计算不同用户的信号的协方差矩阵的欧氏均值来提高不同用户信号的相似程度。P.L.C.Rodrigues等人2019年提出黎曼普氏分析方法，将普氏分析方法拓展到黎曼空间中，通过同时对齐以往用户和新用户的数据的边际和条件概率分布实现知识的迁移。
然而，黎曼普氏分析方法计算复杂度高，计算耗时长；而且黎曼普氏分析需要已知一定数目的目标域样本标签才可以工作。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了及基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法和系统，其目的在于该迁移方法计算速度快，耗时少，且无需目标域样本的标签，从而提高脑机接口系统在新用户上判断的准确率。
为实现上述目的，按照本发明的第一方面，提供了一种基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法，该方法包括以下步骤：
S1.对以往用户脑电信号特征数据矩阵和新用户脑电信号特征数据矩阵进行协方差对齐，得到协方差对齐的新用户的特征数据矩阵；
S2.对以往用户特征数据矩阵和协方差对齐的新用户的特征数据矩阵进行均值对齐；
S3.根据以往用户的标签和均值对齐后以往用户特征数据矩阵，计算以往用户的类别中心，根据新用户的伪标签和均值对齐后的新用户的特征数据矩阵，计算新用户的类别中心；
S4.构建以往用户类别中心矩阵和新用户类别中心矩阵，通过正交普氏分析方法，计算将新用户的类别中心与对应的以往用户的类别中心对齐的旋转矩阵；
S5.将均值对齐后的新用户的特征数据矩阵和旋转矩阵相乘，得到最终对齐的新用户数据。
优选地，步骤S1中所述协方差对齐具体如下：
Figure BDA0002551043160000021
Figure BDA0002551043160000022
Figure BDA0002551043160000031
其中，cov(·)表示计算矩阵的协方差矩阵，Xs表示以往用户的特征数据矩阵，Xt表示新用户的特征数据矩阵，I表示单位矩阵，As和At为中间变量，
Figure BDA0002551043160000032
表示经过协方差对齐的新用户的特征数据矩阵。
优选地，步骤S2中所述均值对齐具体如下：
Figure BDA0002551043160000033
Figure BDA0002551043160000034
Figure BDA0002551043160000035
其中，ms表示以往用户特征数据矩阵均值向量，ns表示以往用户的实验次数，Xs,i表示以往用户第i次实验的的特征向量，mt表示协方差对齐的新用户的特征数据矩阵均值向量，nt表示新用户的实验次数，
Figure BDA0002551043160000036
表示经过协方差对齐后的新用户第i次实验的的特征向量，
Figure BDA0002551043160000037
表示均值对齐后以往用户第i次实验的的特征向量，
Figure BDA0002551043160000038
表示均值对齐后的新用户第i次实验的的特征向量。
优选地，步骤S3中用户的类别中心计算方式如下：
Figure BDA0002551043160000039
Figure BDA00025510431600000310
其中，
Figure BDA00025510431600000311
表示以往用户第l类样本中心，
Figure BDA00025510431600000312
表示以往用户第l类样本的个数，
Figure BDA00025510431600000313
表示以往用户第l类第i次实验的特征向量，ysi表示以往用户第i次实验对应标签，
Figure BDA00025510431600000314
表示新用户第l类样本中心，
Figure BDA00025510431600000315
表示新用户第l类样本的个数，
Figure BDA00025510431600000316
表示新用户第l类第i次实验的特征向量，
Figure BDA00025510431600000317
表示新用户第i次实验对应伪标签，L是类别数。
优选地，步骤S4中，旋转矩阵的计算公式如下：
Figure BDA0002551043160000041
其中，U表示旋转矩阵，|| ||F表示矩阵的Frobenius范数，
Figure BDA0002551043160000042
表示以往用户类别中心矩阵，
Figure BDA0002551043160000043
表示新用户类别中心矩阵，I表示单位矩阵，d表示空间滤波器的个数。
优选地，新用户的伪标签通过以下方式获取：利用以往用户的特征数据矩阵和标签训练线性判别分析分类器，并对新用户的特征数据矩阵进行分类，得到新用户数据的伪标签。
优选地，进行协方差对齐操作之前，通过以下方式获取以往用户脑电信号特征数据矩阵和新用户脑电信号特征数据矩阵：
(1)分别对以往用户和新用户的脑电信号进行滤波操作，以去除无关信号和工频干扰；
(2)将每次实验的脑电信号分割出来，与标签对应起来，得到以往用户的脑电数据集和新用户的脑电数据集；
(3)分别计算以往用户和新用户的脑电数据的协方差矩阵的欧氏均值；
(4)分别对以往用户和新用户的脑电数据的协方差矩阵欧氏均值进行对齐；
(5)使用欧氏对齐后的以往用户实验信号矩阵和对应标签训练共空间模式空间滤波器，将欧氏对齐后的以往用户实验信号矩阵和欧氏对齐后的新用户实验信号矩阵分别输入至训练出来的空间滤波器，得到以往用户和新用户的特征数据矩阵。
为实现上述目的，按照本发明的第二方面，提供了一种基于欧氏对齐和Procrustes分析的EEG分类的迁移学习系统，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
本发明提出一种基于欧氏对齐和普氏分析的迁移学习方法，通过利用欧氏对齐和改进的普氏分析方法来同时对齐不同用户数据的边际和条件概率分布，并同时对齐不同用户数据的一阶和二阶统计量。同时这种方法无需已知新用户带标注的数据，从而可以在更多的情况下使用。
附图说明
图1为本发明提供的一种基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供一种基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法，该方法包括以下步骤：
步骤S1.对以往用户脑电信号特征数据矩阵和新用户脑电信号特征数据矩阵进行协方差对齐，得到协方差对齐的新用户的特征数据矩阵。
进行协方差对齐操作之前，通过以下方式获取以往用户脑电信号特征数据矩阵和新用户脑电信号特征数据矩阵：
(1)分别对以往用户和新用户的脑电信号进行滤波操作，以去除无关信号和工频干扰。
(2)将每次实验的脑电信号分割出来，与标签对应起来，得到以往用户的脑电数据集和新用户的脑电数据集。
以往用户的脑电数据集为
Figure BDA0002551043160000061
其中，Zsi表示以往用户的第i次实验数据，ysi表示第i次实验的类别标签，ns表示以往用户的实验次数，c表示信号的通道数，t表示一次实验的采样时间点数。
新用户的脑电数据集为
Figure BDA0002551043160000062
其中，Zti表示新用户的第i次实验数据，nt表示新用户的实验次数,c表示信号的通道数，t表示一次实验的采样时间点数。
(3)分别计算以往用户和新用户的脑电数据的协方差矩阵欧氏均值。
Figure BDA0002551043160000063
Figure BDA0002551043160000064
其中，Ms表示以往用户信号协方差矩阵的欧氏均值，Mt表示新用户信号协方差矩阵的欧氏均值。
(4)分别对以往用户和新用户的脑电数据的协方差矩阵欧氏均值进行对齐，即
Figure BDA0002551043160000065
Figure BDA0002551043160000071
其中，Z′si表示欧氏对齐后的以往用户第i次实验信号矩阵，Z′ti表示欧氏对齐后的新用户第i次实验信号矩阵。
(5)使用欧氏对齐后的以往用户实验信号矩阵和对应标签训练共空间模式空间滤波器，将欧氏对齐后的以往用户实验信号矩阵和欧氏对齐后的新用户实验信号矩阵分别输入至训练出来的空间滤波器，得到以往用户和新用户的特征数据矩阵。
利用以往用户的脑电数据，训练共空间模式空间滤波器。共空间模式空间滤波器是一种有监督的特征提取方法，尝试找到一个特定的空间滤波器，使得不同类数据的方差比率最大，从而可以使在脑机接口系统中使用的特征更具可分性。新用户由于没有标签，所以共享以往用户训练出来的空间滤波器参数。
提取以往用户和新用户脑电数据的特征，得到以往用户和新用户的特征数据矩阵
Figure BDA0002551043160000072
和
Figure BDA0002551043160000073
其中，d是空间滤波器的个数。
协方差对齐
Figure BDA0002551043160000074
Figure BDA0002551043160000075
Figure BDA0002551043160000076
其中，cov(·)表示计算矩阵的协方差矩阵，I表示单位矩阵，As和At为中间变量，
Figure BDA0002551043160000077
表示经过协方差对齐的新用户的特征数据矩阵。
本发明在进行普氏分析之前，进行了特征数据矩阵的协方差对齐，从而对以往用户和新用户的特征数据的二阶统计量进行对齐。
步骤S2.对以往用户特征数据矩阵和协方差对齐的新用户的特征数据矩阵进行均值对齐。
Figure BDA0002551043160000081
Figure BDA0002551043160000082
Figure BDA0002551043160000083
其中，ms表示以往用户特征数据矩阵均值，mt表示协方差对齐的新用户的特征数据矩阵均值，
Figure BDA0002551043160000084
表示均值对齐后以往用户的特征数据矩阵，
Figure BDA0002551043160000085
表示均值对齐后的新用户的特征数据矩阵。均值对齐处理使得均值平移到原点。
步骤S3.根据以往用户的标签和均值对齐后以往用户特征数据矩阵，计算以往用户的类别中心，根据新用户的伪标签和均值对齐后的新用户的特征数据矩阵，计算新用户的类别中心。
新用户的伪标签通过以下方式获取：利用以往用户的特征数据矩阵和标签训练线性判别分析分类器，并对新用户的特征数据矩阵进行分类，得到新用户数据的伪标签
Figure BDA0002551043160000086
用户的类别中心计算方式如下：
Figure BDA0002551043160000087
Figure BDA0002551043160000088
其中，
Figure BDA0002551043160000089
表示以往用户第l类样本中心，
Figure BDA00025510431600000810
表示以往用户第l类样本的个数，
Figure BDA00025510431600000811
表示均值对齐后的以往用户第l类第i次实验的特征向量，
Figure BDA00025510431600000812
表示新用户第l类样本中心，
Figure BDA00025510431600000813
表示新用户第l类样本的个数，
Figure BDA00025510431600000814
表示均值对齐后的新用户第l类第i次实验的特征向量。
步骤S4.构建以往用户类别中心矩阵和新用户类别中心矩阵，通过正交普氏分析方法，计算将新用户的类别中心与对应的以往用户的类别中心对齐的旋转矩阵。
构建以往用户类别中心矩阵
Figure BDA0002551043160000091
和新用户类别中心矩阵
Figure BDA0002551043160000092
通过正交普氏分析方法，计算旋转矩阵将新用户的类别中心与对应的以往用户的类别中心对齐。
Figure BDA0002551043160000093
其中，U表示旋转矩阵，|| ||F表示矩阵的Frobenius范数。
步骤S5.将均值对齐后协方差对齐的新用户的特征数据矩阵和旋转矩阵相乘，得到最终对齐的新用户数据。
Figure BDA0002551043160000094
本发明通过将正交普氏分析方法应用到脑机接口领域，且在欧氏空间中进行使用，效果提升且计算速度大幅提高。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法，其特征在于，该方法包括以下步骤：
S1.对以往用户脑电信号特征数据矩阵和新用户脑电信号特征数据矩阵进行协方差对齐，得到协方差对齐的新用户的脑电信号特征数据矩阵；
S2.对以往用户脑电信号特征数据矩阵和协方差对齐的新用户的脑电信号特征数据矩阵进行均值对齐；
S3.根据以往用户的标签和均值对齐后以往用户脑电信号特征数据矩阵，计算以往用户的类别中心，根据新用户的伪标签和均值对齐后的新用户的脑电信号特征数据矩阵，计算新用户的类别中心；
S4.构建以往用户类别中心矩阵和新用户类别中心矩阵，通过正交普氏分析方法，计算将新用户的类别中心与对应的以往用户的类别中心对齐的旋转矩阵；
S5.将均值对齐后的新用户的脑电信号特征数据矩阵和旋转矩阵相乘，得到最终对齐的新用户数据；
步骤S2中所述均值对齐具体如下：
Figure FDA0003431804140000011
Figure FDA0003431804140000012
Figure FDA0003431804140000013
其中，ms表示以往用户脑电信号特征数据矩阵均值向量，ns表示以往用户的实验次数，Xs,i表示以往用户第i次实验的特征向量，mt表示协方差对齐的新用户的脑电信号特征数据矩阵均值向量，nt表示新用户的实验次数，
Figure FDA0003431804140000021
表示经过协方差对齐后的新用户第i次实验的特征向量，
Figure FDA0003431804140000022
表示均值对齐后以往用户第i次实验的特征向量，
Figure FDA0003431804140000023
表示均值对齐后的新用户第i次实验的特征向量；
步骤S4中，旋转矩阵的计算公式如下：
Figure FDA0003431804140000024
其中，U表示旋转矩阵，||||F表示矩阵的Frobenius范数，Bs表示以往用户类别中心矩阵，Bt表示新用户类别中心矩阵，I表示单位矩阵。
2.如权利要求1所述的方法，其特征在于，步骤S1中所述协方差对齐具体如下：
Figure FDA0003431804140000025
Figure FDA0003431804140000026
Figure FDA0003431804140000027
其中，cov(·)表示计算矩阵的协方差矩阵，Xs表示以往用户的脑电信号特征数据矩阵，Xt表示新用户的脑电信号特征数据矩阵，I表示单位矩阵，As和At为中间变量，
Figure FDA0003431804140000028
表示经过协方差对齐的新用户的脑电信号特征数据矩阵。
3.如权利要求1所述的方法，其特征在于，步骤S3中用户的类别中心计算方式如下：
Figure FDA0003431804140000031
Figure FDA0003431804140000032
其中，
Figure FDA0003431804140000033
表示以往用户第l类样本中心，
Figure FDA0003431804140000034
表示以往用户第l类样本的个数，
Figure FDA0003431804140000035
表示以往用户第l类第i次实验的特征向量，ysi表示以往用户第i次实验对应标签，
Figure FDA0003431804140000036
表示新用户第l类样本中心，
Figure FDA0003431804140000037
表示新用户第l类样本的个数，
Figure FDA0003431804140000038
表示新用户第l类第i次实验的特征向量，
Figure FDA0003431804140000039
表示新用户第i次实验对应伪标签，L是类别数。
4.如权利要求1所述的方法，其特征在于，新用户的伪标签通过以下方式获取：利用以往用户的脑电信号特征数据矩阵和标签训练线性判别分析分类器，并对新用户的脑电信号特征数据矩阵进行分类，得到新用户数据的伪标签。
5.如权利要求1至4任一项所述的方法，其特征在于，进行协方差对齐操作之前，通过以下方式获取以往用户脑电信号特征数据矩阵和新用户脑电信号特征数据矩阵：
(1)分别对以往用户和新用户的脑电信号进行滤波操作，以去除无关信号和工频干扰；
(2)将每次实验的脑电信号分割出来，与标签对应起来，得到以往用户的脑电数据集和新用户的脑电数据集；
(3)分别计算以往用户和新用户的脑电数据的协方差矩阵的欧氏均值；
(4)分别对以往用户和新用户的脑电数据的协方差矩阵欧氏均值进行对齐；
(5)使用欧氏对齐后的以往用户实验信号矩阵和对应标签训练共空间模式空间滤波器，将欧氏对齐后的以往用户实验信号矩阵和欧氏对齐后的新用户实验信号矩阵分别输入至训练出来的空间滤波器，得到以往用户和新用户的脑电信号特征数据矩阵。
6.一种基于欧氏对齐和Procrustes分析的EEG分类的迁移学习系统，其特征在于，包括：计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至5任一项所述的基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法。
CN202010578377.0A 2020-06-22 2020-06-22 基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法和系统 Active CN111832427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010578377.0A CN111832427B (zh) 2020-06-22 2020-06-22 基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010578377.0A CN111832427B (zh) 2020-06-22 2020-06-22 基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法和系统

Publications (2)

Publication Number Publication Date
CN111832427A CN111832427A (zh) 2020-10-27
CN111832427B true CN111832427B (zh) 2022-02-18

Family

ID=72899026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010578377.0A Active CN111832427B (zh) 2020-06-22 2020-06-22 基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法和系统

Country Status (1)

Country Link
CN (1) CN111832427B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104795063A (zh) * 2015-03-20 2015-07-22 中国人民解放军信息工程大学 一种基于声学空间非线性流形结构的声学模型构建方法
CN107229920A (zh) * 2017-06-08 2017-10-03 重庆大学 基于整合深度典型时间规整及相关修正的行为识别方法
CN107273853A (zh) * 2017-06-16 2017-10-20 中国地质大学（武汉） 一种基于类心和协方差对齐的遥感图像迁移学习方法
CN107440679A (zh) * 2016-05-31 2017-12-08 意法半导体股份有限公司 用于检测心电图异常的方法及对应系统
CN107657278A (zh) * 2017-09-26 2018-02-02 电子科技大学 一种脑电信号模式多分类的优选样本数抽样方法
CN109318207A (zh) * 2018-11-07 2019-02-12 西安交通大学 一种利用肌电定时的下肢运动准备电位检测系统及方法
WO2019084697A1 (en) * 2017-11-06 2019-05-09 University Health Network Platform, device and process for annotation and classification of tissue specimens using convolutional neural network

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10178955B2 (en) * 2012-08-06 2019-01-15 Vanderbilt University Enhanced method for correcting data for deformations during image guided procedures
CN103886345B (zh) * 2014-04-22 2018-11-02 苏州大学 投影变换矩阵的获取方法及装置、样本分类方法及装置
CN109214269B (zh) * 2018-07-13 2021-10-08 江苏大学 一种基于流形对齐和多图嵌入的人脸姿态对齐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104795063A (zh) * 2015-03-20 2015-07-22 中国人民解放军信息工程大学 一种基于声学空间非线性流形结构的声学模型构建方法
CN107440679A (zh) * 2016-05-31 2017-12-08 意法半导体股份有限公司 用于检测心电图异常的方法及对应系统
CN107229920A (zh) * 2017-06-08 2017-10-03 重庆大学 基于整合深度典型时间规整及相关修正的行为识别方法
CN107273853A (zh) * 2017-06-16 2017-10-20 中国地质大学（武汉） 一种基于类心和协方差对齐的遥感图像迁移学习方法
CN107657278A (zh) * 2017-09-26 2018-02-02 电子科技大学 一种脑电信号模式多分类的优选样本数抽样方法
WO2019084697A1 (en) * 2017-11-06 2019-05-09 University Health Network Platform, device and process for annotation and classification of tissue specimens using convolutional neural network
CN109318207A (zh) * 2018-11-07 2019-02-12 西安交通大学 一种利用肌电定时的下肢运动准备电位检测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Riemannian Procrustes Analysis: Transfer Learning for Brain–Computer Interfaces;Pedro Luiz Coelho Rodrigues等;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;20190831;第2390-2401页 *
Transfer Learning for Brain-Computer Interfaces:A Euclidean Space Data Alignment Approach;He He and Dongrui Wu;《arXiv》;20190402;第1-12页 *
基于迁移学习的运动想象脑电分类方法研究;曾焕生;《中国优秀硕士学位论文全文数据库》;20200131;第A006-671页 *

Also Published As

Publication number Publication date
CN111832427A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
Babu et al. Statistical features based optimized technique for copy move forgery detection
CN110197209B (zh) 一种基于多特征融合的辐射源识别方法
CN112488081A (zh) 基于ddadsm跨被试迁移学习脑电精神状态检测方法
CN109726195B (zh) 一种数据增强方法及装置
CN114155397B (zh) 一种小样本图像分类方法及系统
CN110851783B (zh) 一种用于脑机接口校准的异构标签空间迁移学习方法
CN110659682A (zh) 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN116862320B (zh) 一种农村生态环境评估监管方法、系统及存储介质
CN114818824A (zh) 一种基于普鲁克分析的运动想象迁移学习方法
CN114973330B (zh) 一种跨场景鲁棒的人员疲劳状态无线检测方法及相关设备
CN112270596A (zh) 基于用户画像构建的风险控制系统及方法
CN111539910B (zh) 锈蚀区域检测方法及终端设备
CN107403618B (zh) 基于堆叠基稀疏表示的音频事件分类方法及计算机设备
Chen et al. Sparsity-regularized feature selection for multi-class remote sensing image classification
CN105335689A (zh) 字符识别方法和装置
CN113191206B (zh) 基于黎曼特征迁移的脑磁图信号分类方法、装置及介质
CN113255394A (zh) 基于无监督学习的行人再识别方法及系统
CN111832427B (zh) 基于欧氏对齐和Procrustes分析的EEG分类的迁移学习方法和系统
CN113592030A (zh) 基于复值奇异谱分析的图像检索方法和系统
CN111027636B (zh) 基于多标签学习的无监督特征选择方法及系统
CN115797044B (zh) 基于聚类分析的信贷风控预警方法及系统
CN113033683B (zh) 一种基于静态与动态联合分析的工业系统工况监测方法和系统
CN110728189A (zh) 一种基于Lp/q-混合范数的空间滤波方法及装置
CN116028858A (zh) 基于预标签的自监督神经网络学习心拍分类方法及系统
CN115098679A (zh) 文本分类标注样本的异常检测方法、装置、设备及介质

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
GR01 Patent grant
GR01 Patent grant